开始使用

DAMO-YOLO 与 YOLOv7 对比

计算机视觉研究催生了高效的目标检测模型,旨在平衡准确率与计算成本。2022 年推出的两个知名模型是 DAMO-YOLO 和 YOLOv7。两者都面向实时视觉任务,但采用了截然不同的架构和训练方法。

本技术比较探讨两种模型各自的设计方法,分析它们的架构、部署潜力和性能指标,帮助机器学习工程师为具体的计算机视觉应用选择合适的工具。

模型起源与元数据#

在进行技术分析之前,先来了解每个模型的背景。

DAMO-YOLO#

DAMO-YOLO 由阿里巴巴集团的研究人员开发,通过自动化架构搜索和蒸馏来同时优化速度与准确率。

进一步了解 DAMO-YOLO

YOLOv7#

YOLOv7 于 2022 年年中发布,当时是实时检测器领域的先进模型。它引入了可训练的“免费增益包”(bag-of-freebies),在不增加部署成本的情况下进一步提升了实时推理能力。

详细了解 YOLOv7

Ultralytics 支持

Ultralytics 不会发布 YOLOv7 权重或 YAML 文件,因此无法使用 Ultralytics 包原生训练 YOLOv7。通过上游代码仓库训练的 YOLOv7 模型可以导出为 ONNX 或 TensorRT,并通过 Ultralytics 进行推理。

架构创新#

DAMO-YOLO:NAS 与蒸馏#

DAMO-YOLO 融合了多种以效率为目标的技术:

  • NAS 主干网络:使用神经架构搜索(NAS)自动设计高效的主干网络(MAE-NAS),针对对延迟要求严格的环境进行优化。
  • 高效 RepGFPN:改进版广义特征金字塔网络,可显著提升多个尺度间的特征融合效率。
  • ZeroHead 和 AlignedOTA:采用轻量级检测头和优化的标签分配策略 (AlignedOTA),以减少计算开销。
  • 蒸馏增强:训练过程中高度依赖知识蒸馏,在不增加参数量的情况下提升较小模型变体的性能。

YOLOv7:E-ELAN 与免费赠品组合#

YOLOv7采用结构工程方法,重点优化梯度路径并运用稳健的训练策略。

  • E-ELAN 架构:扩展高效层聚合网络通过控制最短和最长梯度路径,让模型学习更多样的特征,确保有效收敛。
  • 模型缩放:针对基于拼接的模型引入复合缩放方法,同时调整深度和宽度,以保持结构对齐。
  • 可训练的免费赠品组合:采用无恒等连接的重参数化卷积 (RepConv) 和动态标签分配策略等技术,在训练期间提升准确率,同时不影响推理速度。

性能分析#

在评估 平均精度均值 (mAP)、速度和效率时,两种模型都表现出色,但面向的细分场景略有不同。YOLOv7专注于高精度 GPU 部署,而 DAMO-YOLO 从 NAS 得出的结构旨在 GPU 预算有限时实现低延迟。

模型尺寸
(像素)
mAPval50-95速度
CPU ONNX
(毫秒)
速度
T4 TensorRT10
(ms)
参数
(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
YOLOv7l64051.4-6.8436.9104.7
YOLOv7x64053.1-11.5771.3189.9

从这些指标可以看出,DAMO-YOLO提供轻量级变体(例如仅有 8.5M 个参数的 tiny 模型),而 YOLOv7的整体精度上限更高,YOLOv7x在 COCO 数据集上达到 53.1 mAP。

Ultralytics 生态系统的优势#

理论架构固然重要,但模型的实用性取决于其生态系统。原生 Ultralytics 模型(例如 YOLO26)得益于维护良好的生态系统和出色的易用性。

  • 性能平衡:Ultralytics 模型始终在推理速度和检测精度之间实现良好的平衡,因此非常适合边缘设备和云端模型部署。
  • 内存需求:与更重型的 Transformer 模型不同,Ultralytics YOLO 模型在训练期间所需的 CUDA 内存较少。这使你能够使用更大的批量大小,即使在消费级硬件上也能简化训练流程。
  • 灵活性:Ultralytics 框架不仅支持目标检测,还能执行实例分割和姿势估计等任务,为开发者提供完整的计算机视觉工具包。
训练效率

Ultralytics 软件包让你可以从数据集快速开始,训练出完整模型,并使用经过优化的数据加载器和预训练权重。

代码示例:使用 Ultralytics 运行 YOLOv7#

按照 YOLOv7 使用示例中的说明,将上游导出的 YOLOv7 ONNX 模型转换后,你就可以通过 Ultralytics Python API 运行该模型。

from ultralytics import YOLO

# 加载已转换为适用于 Ultralytics 的 YOLOv7 ONNX 模型
model = YOLO("yolov7-ultralytics.onnx", task="detect")

# 运行推理
predictions = model.predict("https://ultralytics.com/images/bus.jpg", save=True)

新标准:推出 YOLO26#

YOLOv7和 DAMO-YOLO在 2022 年取得了重大进展,但视觉 AI 领域发展迅速。对于今天启动新项目的团队,推荐使用 Ultralytics YOLO26,该模型于 2026 年 1 月发布。

YOLO26在性能和易用性方面均有所提升:

  • 端到端无 NMS 设计:YOLO26提供原生端到端检测头(nms=False)。通过移除非极大值抑制 (NMS) 后处理,它让部署逻辑更快、更简单;这一方法最早由 YOLOv10 引入。
  • MuSGD 优化器:受 Moonshot AI 的 Kimi K2 等大语言模型训练技术启发,YOLO26采用 SGD 和 Muon 的混合方案,实现稳定的训练动态并加快收敛。
  • CPU 推理速度最高提升 43%:移除分布焦点损失 (DFL) 并精简架构后,YOLO26针对低功耗边缘计算进行了优化,YOLO26n 的 CPU 运行速度最高可比 YOLO11n 快 43%。
  • ProgLoss + STAL:新的渐进式损失函数和感知小目标的标签分配策略专门针对小目标识别,并提升其效果;这对于航空影像、机器人和安全监控等应用至关重要。
  • 针对特定任务的改进:除了标准检测外,YOLO26 还针对多种任务进行了优化,包括用于分割的多尺度原型、用于姿势估计的 RLE,以及适用于有向边界框 (OBB)的专用角度损失。

理想应用场景#

选择合适的架构取决于目标部署环境和项目限制。

何时选择 DAMO-YOLO:

  • 你要在专用 GPU 硬件上部署,且延迟预算严格;DAMO-YOLO经过 NAS 搜索的小型变体可以保持较低的参数量。
  • 你正在研究神经架构搜索或知识蒸馏。

何时选择 YOLOv7:

  • 你已有针对基于锚框的高精度推理优化的旧版 GPU 流程。
  • 在高速自动驾驶汽车或先进机器人技术等实时准确性至关重要的环境中运行。

何时选择 YOLO26(推荐):

  • 你正在从头开发新的计算机视觉应用,需要高精度以及快速的 CPU 和边缘推理。
  • 你需要快速、直接地完成部署(例如导出到 CoreML 或 TensorRT),而无需处理 NMS 算子的限制。
  • 你希望充分利用 Ultralytics Platform 的全部功能,进行云端训练、数据集管理和自动化部署。

借助 Ultralytics 生态系统,开发者可以显著缩短工程开发时间,同时在实际应用中保持出色的预测性能。

评论

提出问题、分享结果,或帮助其他人。