Ultralytics YOLO27：
Get Started

DAMO-YOLO 与 YOLOv9#

实时目标检测领域仍在飞速发展。工程团队和研究人员不断追求精度、推理速度与计算效率之间的理想平衡，研究社区也因此涌现出两种值得关注的架构：DAMO-YOLO 和 YOLOv9。两种模型都引入了重要的架构创新，旨在突破计算机视觉的能力边界。

本技术指南将深入分析这两种模型，对比其独特的架构方法、训练方式和实际部署能力。我们还将探讨更广泛的软件生态系统在现代 AI 开发中发挥的关键作用，重点介绍集成平台（如 Ultralytics Platform）和新一代模型（如 YOLO26）的优势。

执行摘要：选择合适的架构#

尽管这两种模型都是深度学习研究的重要里程碑，但它们的部署理念略有不同。

DAMO-YOLO 适用于能够利用大量神经架构搜索（NAS）来实现特定性能特征的环境，因此在定制边缘部署研究中颇具价值。相比之下，YOLOv9 着力解决深度学习中的信息瓶颈，显著提升了参数效率。

不过，对于面向生产的部署，工程团队普遍建议采用统一的 Ultralytics 生态系统。对于新项目，最新的 YOLO26 模型兼具两者优势：它不仅精度达到先进水平，还提供可选的端到端设计，无需复杂的后处理。

让你的计算机视觉流程面向未来

DAMO-YOLO 和 YOLOv9 都是强大的学术模型，但将它们部署到生产环境通常需要大量定制工程工作。使用 Ultralytics YOLO26，你可以通过精简且易于维护的 API，获得前沿性能。

技术规格与作者信息#

了解这些模型的起源和开发重点，有助于深入理解各自的优势。

DAMO-YOLO#

DAMO-YOLO 由 Alibaba Group 的研究人员开发，重点关注自动化架构生成和高效特征融合。

进一步了解 DAMO-YOLO

YOLOv9#

YOLOv9 旨在解决深度卷积网络中的信息丢失问题，并推动训练期间梯度保留的理论极限。

了解有关 YOLOv9 的更多信息

架构创新#

DAMO-YOLO 通过高度定制、由机器生成的组件脱颖而出。它的骨干网络由神经架构搜索（NAS）生成，专门针对不同硬件实现低延迟推理。

该架构采用高效的 RepGFPN（重参数化广义特征金字塔网络）进行特征融合，可增强多尺度目标检测，同时避免计算开销过度增加。此外，它采用 ZeroHead 设计来简化检测头，并使用 AlignedOTA 进行标签分配，同时在训练期间配合复杂的蒸馏增强流程。这些技术虽然能实现快速推理，但多阶段蒸馏流程通常需要大量显存和更长的训练时间。

YOLOv9：解决信息瓶颈#

YOLOv9 解决了深度网络中的一个根本问题：输入数据经过连续多层处理时，信息会逐渐丢失。

为了解决这个问题，作者提出了 可编程梯度信息 (PGI)，这是一种辅助监督框架，旨在为深层网络保留关键信息，从而生成高度可靠的梯度以更新权重。与 PGI 配套的是 GELAN (广义高效层聚合网络) 架构。GELAN 结合 CSPNet 和 ELAN 的优势来优化参数效率，在最大化信息流的同时严格控制浮点运算 (FLOPs) 的数量。

性能分析与指标#

在性能评估中，两种模型在 COCO 等标准基准上都展现出较高的平均精度均值 (mAP)。YOLOv9 在参数量相近的情况下准确率更高，整体绝对准确率也最高；它利用 PGI 架构，在困难数据集上保持了较高的保真度。

模型尺寸
(像素)		mAP验证集
50-95		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
YOLOv9t64038.3-2.32.07.7
YOLOv9s64046.8-3.547.226.7
YOLOv9m64051.4-6.4320.176.8
YOLOv9c64053.0-7.1625.5102.8
YOLOv9e64055.6-16.7758.1192.5

如上所示，YOLOv9-E 的准确率最高，而较小的 DAMO-YOLO 和 YOLOv9 变体则通过 TensorRT 优化保持了极具竞争力的推理速度。

训练方法与生态系统#

虽然基础架构很重要，但模型生态系统决定的易用性和训练效率，对于实际应用至关重要。

DAMO-YOLO 依赖知识蒸馏，通常需要先训练一个复杂的“教师”模型，再将知识迁移到目标“学生”模型中。这种传统的研究方法会显著增加内存需求和训练周期。类似地，原始 YOLOv9 仓库需要用户处理复杂的配置文件，这可能会拖慢敏捷开发。

相比之下，将模型集成到 Ultralytics 平台可彻底改变开发者体验。Ultralytics Python 包抽象掉了样板代码，让团队能够轻松完成数据增强、超参数调优和模型导出。

实际应用与使用场景#

不同架构会根据自身的资源需求和准确率特点，在特定行业中各展所长。

  • 边缘 AI 中的 DAMO-YOLO：由于采用了经过 NAS 优化的骨干网络，DAMO-YOLO 常用于嵌入式系统；在这些场景中，针对特定硬件进行重新参数化是硬性要求，例如在基础制造质量控制中部署定制 ASIC。
  • 精密分析中的 YOLOv9：凭借较高的参数效率和 PGI 驱动的梯度保留能力，YOLOv9 非常适合密集目标检测场景，例如分析航拍图像，或在拥挤的零售环境中跟踪微小目标。

用例与建议#

选择 DAMO-YOLO 还是 YOLOv9，取决于你的具体项目需求、部署限制和生态系统偏好。

何时选择 DAMO-YOLO#

DAMO-YOLO 适用于：

  • 高吞吐量视频分析：在固定的 NVIDIA GPU 基础设施上处理高帧率视频流，且主要关注批量大小为 1 时的吞吐量。
  • 工业制造生产线：在专用硬件上对 GPU 延迟有严格要求的场景，例如装配线上的实时质量检测。
  • 神经架构搜索研究：研究自动架构搜索 (MAE-NAS) 和高效重参数化骨干网络对检测性能的影响。

何时选择 YOLOv9#

以下场景推荐使用 YOLOv9：

  • 信息瓶颈研究：研究可编程梯度信息 (PGI) 和广义高效层聚合网络 (GELAN) 架构的学术项目。
  • 梯度流优化研究：重点研究如何理解并缓解训练期间深层网络层中的信息损失。
  • 高准确率检测基准测试：需要将 YOLOv9 在 COCO 基准测试中的出色表现作为架构对比参照的场景。

何时选择 Ultralytics (YOLO26)#

对于大多数新项目，Ultralytics YOLO26在性能与开发体验之间实现了最佳平衡：

  • 无 NMS 的边缘部署：适用于要求推理延迟稳定且较低，同时不希望增加非极大值抑制后处理复杂度的应用。
  • 仅使用 CPU 的环境：适用于没有专用 GPU 加速的设备，此时 YOLO26 的 CPU 推理速度最高提升 43%，可带来显著优势。
  • 小目标检测：适用于无人机航拍影像等具有挑战性的场景，或 IoT 传感器分析等需要 ProgLoss 和 STAL 大幅提升微小目标准确率的场景。

Ultralytics 的优势：迈向 YOLO26#

对于正在比较旧架构的用户，转向现代 Ultralytics 生态系统，尤其是使用最新的 YOLO26 模型，能带来无与伦比的优势。

YOLO26 凭借其 端到端、无需 NMS 的设计，从根本上改变了部署格局。它可选的一对一检测头 (nms=False) 无需进行非极大值抑制 (NMS) 后处理，从而实现更快、更简单的部署架构。再加上移除了分布焦点损失 (DFL)，YOLO26 与边缘设备和低功耗设备的兼容性更佳。

此外，YOLO26 还采用了革命性的 MuSGD 优化器，它融合了随机梯度下降与 Muon 优化，并从大语言模型训练创新中汲取灵感。与 Transformer 密集型替代方案相比，它能在保持极低内存占用的同时，实现高度稳定的训练收敛。

使用 YOLO26 简化训练

借助直观易用的 Ultralytics API，只需几行 Python 代码，就能训练最先进的 YOLO26 模型，并使用内置的实验跟踪功能。

from ultralytics import YOLO

# 加载最新的 YOLO26 模型
model = YOLO("yolo26n.pt")

# 在自定义数据集上高效训练
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# 将训练好的模型导出为 ONNX 格式
model.export(format="onnx")

无论你需要先进的实例分割、高精度的姿势估计，还是标准的边界框检测，Ultralytics 框架的灵活性都能让团队减少配置深度学习环境的时间，投入更多精力部署可靠的 AI 解决方案。YOLO26 还针对特定任务进行了改进，例如采用 ProgLoss + STAL 来提升小目标识别能力，因此成为新一代视觉应用的首选。

贡献者
GLglenn-jocher17PDpderrenger1

评论