Meet YOLO26: next-gen vision AI.

Link to this sectionDAMO-YOLO 与 YOLOv6-3.0#

计算机视觉的飞速发展催生了专为工业应用定制的高度专业化架构。其中，有两个重量级模型因其对实时性能和部署效率的专注而脱颖而出：DAMO-YOLO 和 YOLOv6-3.0。本页面提供了它们在架构、性能指标和训练方法上的深入技术对比，以帮助你明确部署选择。

Link to this sectionDAMO-YOLO：神经架构搜索与目标检测的结合#

DAMO-YOLO 由阿里巴巴集团的研究人员开发，通过在骨干网络设计中深度集成神经架构搜索（NAS），为 YOLO 系列引入了一种全新的方法。

Link to this section架构创新#

DAMO-YOLO 使用了一种名为 MAE-NAS 的 NAS 优化骨干网络，该网络可以在特定的延迟约束下自动搜索最佳网络结构。这确保了模型能在不同的硬件配置下高效扩展。为了改善特征融合，该架构采用了高效的 RepGFPN（重参数化广义特征金字塔网络），显著增强了多尺度表达能力。

此外，该模型还引入了“ZeroHead”设计。通过移除检测头中复杂的多分支结构，它在减少计算开销的同时更有效地保留了空间信息。其训练方法还利用了 AlignedOTA（对齐最优传输分配）和强大的知识蒸馏技术，使较小的学生模型能够从更重的教师网络中学习。

了解更多关于 DAMO-YOLO 的信息

蒸馏的复杂性

虽然知识蒸馏有助于 DAMO-YOLO 实现高精度，但它需要一个多阶段的训练流程。与训练标准的单阶段模型相比，这极大地增加了所需的 GPU 计算量。

Link to this sectionYOLOv6-3.0：最大化工业吞吐量#

由美团视觉 AI 部门率先推出的 YOLOv6-3.0 被明确标记为工业级目标检测器，专为最大化 NVIDIA 硬件上的吞吐量而设计。

  • 作者： Chuyi Li, Lulu Li, Yifei Geng, Hongliang Jiang, Meng Cheng, Bo Zhang, Zaidan Ke, Xiaoming Xu 和 Xiangxiang Chu
  • 组织： 美团
  • 日期： 2023-01-13
  • Arxiv： 2301.05586
  • GitHub： meituan/YOLOv6

Link to this section主要特性与增强功能#

YOLOv6-3.0 is built upon the hardware-friendly EfficientRep backbone, making it exceptionally fast when leveraging optimizations like TensorRT on modern GPUs. In its v3.0 iteration, the network integrates a Bi-directional Concatenation (BiC) module to improve the localization of varying object sizes.

另一个显著特性是锚点辅助训练（AAT）策略。AAT 将 基于锚点的检测器 在训练时的稳定性与无锚设计在推理时的速度结合了起来。这种混合方法在不牺牲部署延迟的情况下实现了出色的收敛，使其成为处理智慧城市分析和自动化结账系统中海量视频流的有力选择。

了解更多关于 YOLOv6 的信息

Link to this section性能比较#

在评估这些模型进行 实时推理 时，平衡参数量、FLOPs 和准确度至关重要。下方是对比其性能的详细评估。

模型尺寸
(像素)		mAPval
50-95		速度
CPU ONNX
(ms)		速度
T4 TensorRT10
(ms)		参数量
(M)		FLOPs
(B)
DAMO-YOLOt64042.0-2.328.518.1
DAMO-YOLOs64046.0-3.4516.337.8
DAMO-YOLOm64049.2-5.0928.261.8
DAMO-YOLOl64050.8-7.1842.197.3
YOLOv6-3.0n64037.5-1.174.711.4
YOLOv6-3.0s64045.0-2.6618.545.3
YOLOv6-3.0m64050.0-5.2834.985.8
YOLOv6-3.0l64052.8-8.9559.6150.7

虽然 DAMO-YOLO 在小规模模型层级上略占优势（46.0 mAP 对比 45.0 mAP），但 YOLOv6-3.0 展示了更优越的可扩展性，在中型和大型模型层级上胜出，同时在 Nano 配置中保持了绝对最低的参数量。

如何二选一

如果你的硬件环境允许进行大量的自动搜索以定制骨干网络，DAMO-YOLO 的 NAS 方法是非常有效的。然而，如果你完全依赖标准化的 GPU 加速（如 T4 或 A100），YOLOv6 的 EfficientRep 结构通常能转化为更高的原始 FPS。

Link to this section应用场景与建议#

在 DAMO-YOLO 和 YOLOv6 之间做选择，取决于你的具体项目需求、部署限制和生态系统偏好。

Link to this section何时选择 DAMO-YOLO#

DAMO-YOLO 是以下场景的理想选择：

  • 高吞吐量视频分析： 在固定的 NVIDIA GPU 基础设施上处理高 FPS 视频流，其中 batch-1 吞吐量是主要指标。
  • 工业生产线： 在专用硬件上对 GPU 延迟有严格限制的场景，例如生产线上的实时质量检查。
  • 神经架构搜索研究： 研究自动化架构搜索 (MAE-NAS) 和高效重参数化骨干网络对检测性能的影响。

Link to this section何时选择 YOLOv6#

YOLOv6 推荐用于：

  • 工业级硬件感知部署： 在这种场景下，模型对硬件的感知设计和高效重参数化可在特定目标硬件上提供优化的性能。
  • 快速单阶段检测： 在受控环境中，优先考虑 GPU 上的原始推理速度以进行实时视频处理的应用。
  • 美团生态系统集成： 已经在 美团 技术栈和部署基础设施内工作的团队。

Link to this section何时选择 Ultralytics (YOLO26)#

对于大多数新项目，Ultralytics YOLO26 提供了性能和开发者体验的最佳组合：

  • 无 NMS 的边缘部署： 需要一致、低延迟推理且无需复杂非极大值抑制后处理的应用。
  • 仅 CPU 环境： 没有专用 GPU 加速的设备，YOLO26 带来的高达 43% 的 CPU 推理提速可提供决定性优势。
  • 小目标检测： 具有挑战性的场景，如 aerial drone imagery 或 IoT 传感器分析，其中 ProgLoss 和 STAL 可显著提升对极小目标的检测精度。

Link to this sectionUltralytics 的优势：隆重介绍 YOLO26#

尽管 DAMO-YOLO 和 YOLOv6-3.0 都非常强大，但它们都受困于分散的生态系统、单任务限制和复杂的部署流水线。对于现代工程团队而言，Ultralytics 模型 提供了显著更好的开发者体验，其巅峰之作是开创性的 YOLO26。

于 2026 年 1 月发布的 YOLO26 代表了边缘和云端部署的新标准，它在 内存需求 和计算效率方面进行了深度优化。

Link to this section为什么选择 YOLO26？#

  1. 端到端无 NMS 设计： 基于 YOLOv10 的理念，YOLO26 原生取消了非极大值抑制（NMS）后处理。这显著简化了部署代码，并降低了所有边缘设备上的推理延迟方差。
  2. 卓越的优化： YOLO26 采用了 MuSGD 优化器，这是一种结合了 SGD 和 Muon（受大型语言模型启发）的混合优化器，能够带来高度稳定的训练过程和更快的收敛速度。
  3. 硬件通用性： 通过实施 DFL 移除（分布式焦点损失），输出头得到了简化，提升了对边缘设备的兼容性。事实上，YOLO26 的 CPU 推理速度最高可提升 43%，使其在移动端或 IoT 边缘环境下远超 YOLOv6。
  4. 增强的准确度： 利用 ProgLoss + STAL，YOLO26 在 小目标检测 方面实现了显著改进，使其成为 航拍图像 和缺陷检测的最佳选择。
  5. 无与伦比的多功能性： 与仅能执行边界框检测的工业模型不同，YOLO26 系列支持多模态任务，包括 图像分类、实例分割、姿态估计 和 旋转边界框 (OBB)。

了解更多关于 YOLO26 的信息

Link to this section无缝的生态系统体验#

Ultralytics 平台 变革了整个机器学习生命周期。模型训练不再是令人头疼的多阶段蒸馏过程。凭借自动数据增强、统一的超参数调优以及一键导出到 ONNX、OpenVINO 和 CoreML 等格式，你可以在数小时（而非数周）内完成从数据集到生产的转化。

此外，Ultralytics 模型以其 内存效率 而闻名，避开了困扰 Transformer 架构（如 RT-DETR）的大规模 VRAM 瓶颈。

Link to this section快速入门代码示例#

使用像 YOLO26 这样的 Ultralytics 模型进行训练和推理非常优雅简单。以下 Python 脚本展示了你如何仅用几行代码立即开始追踪物体：

from ultralytics import YOLO

# Load the highly efficient, NMS-free YOLO26 nano model
model = YOLO("yolo26n.pt")

# Train the model on your custom dataset seamlessly
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Run inference on a sample image
prediction = model("https://ultralytics.com/images/bus.jpg")

# Export to TensorRT for maximum GPU throughput
model.export(format="engine", dynamic=True)

Link to this section结论#

DAMO-YOLO 和 YOLOv6-3.0 都是令人印象深刻的工程成就，推动了工业目标检测的边界。然而，它们属于高度专业化的工具，往往需要复杂的设置和严格的硬件约束。

对于那些追求完美的 性能平衡、多任务能力和活跃且 维护良好生态系统 的开发者和研究人员来说，Ultralytics YOLO26 是无可匹敌的。通过将受 LLM 启发的优化器与简洁的无 NMS 架构相结合，YOLO26 简化了 AI 部署，同时在边缘和云端环境下提供了最先进的精度。

如果你正在为新的计算机视觉项目评估模型，我们强烈建议你探索 Ultralytics YOLO 生态系统的功能。你可能还会发现将它们与其他架构（如 EfficientDet）或之前的里程碑（如 YOLO11）进行比较，对于全面理解实时视觉 AI 的演进大有裨益。

贡献者
GLglenn-jocher14

评论