DAMO-YOLO 与 YOLOX
实时计算机视觉不断发展。DAMO-YOLO 和 YOLOX 是其中两个重要里程碑,它们各自为高速、高精度目标检测带来了创新。这两种模型都为开源社区作出了重要贡献,机器学习工程师可以通过了解其架构差异、训练方法和最适合的部署场景获益。
本指南将深入介绍这两种模型的技术细节,并说明为什么像 Ultralytics YOLO26 这样的现代替代方案,在当今生产环境中能提供更出色的性能和易用性。
模型概述#
DAMO-YOLO 详情#
DAMO-YOLO 由阿里巴巴集团的一支研究团队开发,是一种利用自动化架构搜索的高效目标检测方法。
- 作者: Xianzhe Xu、Yiqi Jiang、Weihua Chen、Yilun Huang、Yuan Zhang 和 Xiuyu Sun
- 组织: 阿里巴巴集团
- 日期: 2022-11-23
- arXiv: https://arxiv.org/abs/2211.15444v2
- GitHub: https://github.com/tinyvision/DAMO-YOLO
- 文档:DAMO-YOLO 文档
YOLOX 详情#
YOLOX 由旷视科技的研究人员开发,旨在通过将 YOLO 系列转向无锚框设计,缩小研究界与工业界之间的差距,同时简化架构,并在当时实现更好的性能。
- 作者:郑革、刘松涛、王峰、李泽明和孙剑
- 机构:旷视科技
- 日期:2021-07-18
- arXiv: https://arxiv.org/abs/2107.08430
- GitHub: https://github.com/Megvii-BaseDetection/YOLOX
- 文档:YOLOX 文档
架构分析#
DAMO-YOLO 架构#
DAMO-YOLO 高度依赖神经架构搜索(NAS)。其核心组件包括:
- MAE-NAS 主干网络:采用最大熵引导搜索,寻找兼顾推理速度和精度的主干网络。
- 高效 RepGFPN:一种用于特征融合的重型颈部结构,可帮助模型在不同目标尺度下保持较高精度。
- ZeroHead:一种简化的轻量级检测头,可降低最终预测层的计算开销。
YOLOX 架构#
YOLOX 采取了不同的方法,侧重结构简洁性和无锚框设计:
- 无锚框机制:YOLOX 直接预测边界框坐标,无需预定义锚框,从而减少所需的设计参数和启发式调整。
- 解耦检测头:将分类和回归任务分配到不同的特征分支,从而提升收敛速度和整体精度。
- SimOTA 标签分配:一种动态将正样本分配给真实标注的策略,可提高训练效率。
DAMO-YOLO 采用机器驱动的 NAS,在严格约束下寻找高效架构;而 YOLOX 则依靠人工设计的简化方案(例如无锚框检测头)来精简目标检测流程。
性能对比#
评估这些模型需要考察平均精度均值 (mAP)、推理速度和参数量。下表比较了这两种架构的标准版和轻量版。
| 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-YOLOt | 640 | 42.0 | - | 2.32 | 8.5 | 18.1 |
| DAMO-YOLOs | 640 | 46.0 | - | 3.45 | 16.3 | 37.8 |
| DAMO-YOLOm | 640 | 49.2 | - | 5.09 | 28.2 | 61.8 |
| DAMO-YOLOl | 640 | 50.8 | - | 7.18 | 42.1 | 97.3 |
| YOLOXnano | 416 | 25.8 | - | - | 0.91 | 1.08 |
| YOLOXtiny | 416 | 32.8 | - | - | 5.06 | 6.45 |
| YOLOXs | 640 | 40.5 | - | 2.56 | 9.0 | 26.8 |
| YOLOXm | 640 | 46.9 | - | 5.43 | 25.3 | 73.8 |
| YOLOXl | 640 | 49.7 | - | 9.04 | 54.2 | 155.6 |
| YOLOXx | 640 | 51.1 | - | 16.1 | 99.1 | 281.9 |
YOLOXx 的绝对 mAP 最高,达到 51.1;DAMO-YOLOl 则以不到一半的参数量(42.1M 对 99.1M)取得了有竞争力的 50.8 mAP,并且 TensorRT 执行速度显著更快。
训练方法#
训练 DAMO-YOLO#
DAMO-YOLO 在训练期间采用复杂的知识蒸馏增强方法。通常会先训练一个大型“教师”模型,再将其知识蒸馏到较小的“学生”模型中。它还采用 AlignedOTA 进行动态标签分配。虽然这种方法有效,但多阶段训练流程会大幅增加所需的 GPU 计算时间和内存开销。
训练 YOLOX#
YOLOX 采用 MixUp 和 Mosaic 等强数据增强策略。不过,作者发现,在最后 15 个 epoch 关闭这些强增强,可让模型适应自然图像分布,从而显著提升最终精度。
理想应用场景#
- DAMO-YOLO:最适合高要求的工业部署场景,这些场景需要支持服务器端蒸馏流水线,并且目标硬件(例如特定的 NVIDIA GPU)能直接受益于其重型颈部 NAS 架构。
- YOLOX:适合寻求纯无锚框方案的开发者。轻量级的
YOLOXnano使其适用于旧款 Android 设备、边缘计算,以及参数量是绝对瓶颈的资源极其受限型 IoT 传感器。
Ultralytics 的优势:YOLO26 登场#
DAMO-YOLO 和 YOLOX 都是重要的里程碑,但如今的开发者需要更全面、多功能且易用的解决方案。这正是 Ultralytics Platform 和新发布的 Ultralytics YOLO26 脱颖而出的地方。
YOLO26 于 2026 年 1 月发布,是 Ultralytics 在受支持的计算机视觉任务中推荐使用的模型。它在较早的架构基础上带来了多项改进:
- 端到端、无需 NMS 的设计:YOLO26 的可选一对一检测头(
nms=False)跳过了非极大值抑制 (NMS) 后处理。这显著简化并加快了部署,同时避免了传统检测头固有的延迟瓶颈。 - CPU 推理速度最高提升 43%:通过移除 Distribution Focal Loss (DFL) 并优化网络层,YOLO26 可在 CPU 和边缘硬件上实现快速推理;YOLO26n 在 CPU 上的速度比 YOLO11n 最多快 43%。
- MuSGD 优化器:受大语言模型 (LLM) 训练技术启发,YOLO26 引入了 MuSGD 优化器(SGD 与 Muon 的混合方案),带来稳定的训练过程,并比 YOLOX 较早的训练方案收敛更快。
- ProgLoss + STAL:渐进式损失和小目标感知标签分配可显著提升小目标识别能力,使 YOLO26 更适用于无人机影像和机器人应用。
- 多功能性:与专用于目标检测的 DAMO-YOLO 不同,YOLO26 在同一套维护完善的生态系统中原生支持实例分割、分类、姿态估计和旋转边界框 (OBB)。
使用 Ultralytics,轻松上手#
Ultralytics Python API 简化了开发者体验。训练 YOLO26 模型所需的样板代码少得多,也无需 DAMO-YOLO 那种复杂的蒸馏流水线。与大型 Transformer 模型相比,Ultralytics 模型在训练期间的 CUDA 内存需求也较低。
from ultralytics import YOLO
# 加载最新的 Ultralytics YOLO26 nano 模型
model = YOLO("yolo26n.pt")
# 只需一行代码,即可使用自定义数据集训练模型
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# 对图像进行快速、无 NMS 推理
results = model("https://ultralytics.com/images/bus.jpg", nms=False)
# 导出为 ONNX 或 TensorRT
model.export(format="onnx")你可以使用 Ultralytics Platform 自动标注、训练模型并将模型部署到边缘设备;平台还会为你处理数据版本管理和云端 GPU 配置。
结论#
在 DAMO-YOLO 和 YOLOX 之间做选择,取决于具体约束:DAMO-YOLO 通过 NAS 在特定 GPU 上实现出色的速度与精度比,而 YOLOX 提供简洁的无锚框设计,适用于轻量级边缘场景。
不过,对于寻求现代化、积极维护且拥有活跃社区的团队,推荐使用 Ultralytics YOLO26 架构。它可选的无 NMS 推理、快速 CPU 推理,以及用于检测、分割和姿态任务的统一 API,使其非常适合将研究成果转化为实际生产应用。
如果你想了解其他现代架构,可以考虑 Ultralytics YOLO11 或全面的 Ultralytics 文档中提供的 RT-DETR 等基于 Transformer 的模型。
评论
提出问题、分享结果,或帮助其他人。