开始使用

DAMO-YOLO 与 YOLOv9

实时目标检测持续快速发展。工程团队和研究人员在寻求准确率、推理速度与计算效率之间的平衡时,研究领域涌现出两种值得关注的架构:DAMO-YOLO 和 YOLOv9。这两种模型都为计算机视觉带来了重要的架构创新。

本技术指南分析这两种模型,比较其架构设计、训练方法和实际部署能力。指南还阐述了更广泛的软件生态系统在现代 AI 开发中的作用,并重点介绍 Ultralytics Platform 等集成平台,以及 YOLO26 等新一代模型的优势。

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。

当神经架构搜索(NAS)可用于调整特定性能配置时,DAMO-YOLO 表现最出色,因此是定制边缘部署中值得研究的模型。相比之下,YOLOv9 专注于解决深度网络中的信息瓶颈,实现了较高的参数效率。

不过,对于生产部署,建议采用统一的 Ultralytics 生态系统。对于新项目,最新的 YOLO26 模型兼具高准确率和可选的端到端设计,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 都是功能强大的学术模型,但将它们部署到生产环境通常需要大量定制工程开发。Ultralytics YOLO26 则通过精简、易维护的 API 提供强劲性能。

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 是为解决深度卷积网络中的信息丢失问题而推出的,重点是在训练过程中保留梯度信息。

了解有关 YOLOv9 的更多信息

架构创新#

DAMO-YOLO 的独特之处在于使用定制的机器生成组件。其主干网络由神经架构搜索(NAS)生成,专门针对不同硬件上的低延迟推理进行优化。

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能力,而不会过度增加计算开销。它还采用 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知识蒸馏增强流程。虽然这些技术能带来快速推理,但多阶段蒸馏流程通常需要大量 VRAM 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。

为了解决这一问题,作者引入了可编程梯度信息(PGI),这是一种辅助监督框架,旨在保留深层中的关键信息,并为权重更新生成可靠的梯度。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次数(FLOPs)。

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)
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
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 优化保持了有竞争力的推理速度。

训练方法与生态系统#

原始架构固然重要,但在实际应用中,模型生态系统的易用性和训练效率更为关键。

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,Ultralytics Platform 简化了开发体验。Ultralytics Python 软件包封装了样板代码,让团队只需付出少量工作即可完成数据增强、超参数调优和模型导出。

实际应用与使用场景#

不同架构因资源需求和准确率表现各异,适用于不同的行业。

  • DAMO-YOLO 在边缘 AI 中的应用:得益于 NAS 优化的主干网络,DAMO-YOLO 常用于需要针对特定硬件进行重参数化的嵌入式系统,例如用于制造质量控制的专用加速器。
  • YOLOv9 在精准分析中的应用: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,例如分析航空图像或跟踪拥挤零售环境中的微小目标。

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 能提供性能与开发者体验的最佳组合:

  • 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:没有专用 GPU 加速的设备;在这类设备上,YOLO26n 的 CPU 推理速度比 YOLO11n 最高快 43%,优势明显。
  • 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#

对于正在比较旧版架构的用户,迁移到现代 Ultralytics 生态系统(尤其是最新的 YOLO26 模型)具有明显优势。

YOLO26 通过其端到端无 NMS 设计简化部署。其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,从而带来更快、更简单的部署架构。结合移除分布焦点损失(DFL),YOLO26 与边缘设备和低功耗设备的兼容性更佳。

YOLO26 还采用了MuSGD 优化器,这是一种受 LLM 训练启发、结合随机梯度下降与 Muon 的混合优化器。与严重依赖 Transformer 的替代方案相比,它能在保持较低显存占用的同时实现稳定的训练收敛。

使用 YOLO26 简化训练

借助 Ultralytics API,只需几行 Python 代码,就能训练 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、高精度的姿态估计,还是标准边界框检测,Ultralytics 框架的灵活性都能让团队少花时间配置深度学习环境,多花时间部署稳健的 AI 解决方案。YOLO26 还通过 ProgLoss + STAL 等训练改进来提升小目标识别能力,因此是新视觉应用的推荐选择。

评论

提出问题、分享结果,或帮助其他人。