开始使用

YOLO11 与 DAMO-YOLO

选择合适的架构是任何计算机视觉项目中的关键步骤。本指南比较两种目标检测模型——Ultralytics YOLO11和 DAMO-YOLO——涵盖它们的架构、训练工作流和实际适用性,帮助你根据部署需求选择合适的工具。

模型概述#

Ultralytics YOLO11#

YOLO11 由 Ultralytics 开发,在 YOLO 系列的基础上进一步优化了准确率和效率。它面向研究人员和工程师打造,提供统一且可用于生产的生态系统,覆盖从数据集管理到边缘部署的整个流程。

YOLO11 的主要优势是用途广泛。许多模型只关注边界框,而 YOLO11 原生支持目标检测、实例分割、图像分类、姿态估计和定向边界框(OBB)检测。这让开发者可以在一个维护完善的框架下整合视觉 AI 流程。

DAMO-YOLO#

DAMO-YOLO 由阿里巴巴集团的研究人员开发。它采用神经架构搜索(NAS),寻找适用于 GPU 和其他加速器实时推理的高效主干网络。

进一步了解 DAMO-YOLO

DAMO-YOLO 以重参数化和自动化搜索为核心。作者使用 MAE-NAS(最大熵神经架构搜索)设计了一个自定义主干网络,以提升专用硬件上的推理速度。它还加入了经过优化、名为 Efficient RepGFPN 的颈部网络,以及用于尽量降低延迟的轻量级 ZeroHead。

其他可考虑的模型

比较 YOLO11 和 DAMO-YOLO 时,也可以了解较新的 Ultralytics YOLO26。它提供可选的端到端无 NMS 推理(nms=False),YOLO26n 在 CPU 上的运行速度最高比 YOLO11n 快 43%。你还可以参阅 YOLOX 与 DAMO-YOLO 对比和 YOLOv8 与 DAMO-YOLO 对比。

性能与架构对比#

部署边缘 AI应用时,性能权衡至关重要。下表列出了 COCO 数据集上的平均精度均值(mAP)、延迟和模型大小。在相近规模下,YOLO11 在 T4 GPU 上的准确率更高、速度也更快:YOLO11s 达到 47.0 mAP,耗时 2.5 ms;DAMO-YOLOs 达到 46.0 mAP,耗时 3.45 ms。YOLO11l 达到 53.4 mAP,耗时 6.2 ms;DAMO-YOLOl 达到 50.8 mAP,耗时 7.18 ms。DAMO-YOLOt(42.0 mAP,8.5M 参数)的大小和准确率介于 YOLO11n 与 YOLO11s 之间。

模型尺寸
(像素)
mAPval50-95速度
CPU ONNX
(毫秒)
速度
T4 TensorRT10
(ms)
参数
(M)
FLOPs
(B)
YOLO11n64039.556.11.52.66.5
YOLO11s64047.090.02.59.421.6
YOLO11m64051.5183.24.720.168.1
YOLO11l64053.4238.66.225.387.2
YOLO11x64054.7462.811.356.9195.3
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

深入剖析架构#

YOLO11 使用专门设计的主干网络,在参数量与表征能力之间取得平衡。它能在多种硬件上良好运行,并在训练和推理期间保持较低的 CUDA 内存用量,因此适用于消费级硬件和资源受限的 IoT 设备。

DAMO-YOLO 的 MAE-NAS 主干网络专为高吞吐量 GPU 环境调优。其 Efficient RepGFPN(通用特征金字塔网络)可融合多个尺度的特征。重参数化能够加快推理,但如果你的硬件栈对这些操作支持不佳,也可能增加部署难度。

易用性与训练效率#

开发时间很重要时,模型的易用性与原始基准性能同样重要。

YOLO11 旨在方便开发者使用。ultralytics 包负责处理数据集解析、增强和超参数调优;只需一条命令即可将模型导出为 ONNX、TensorRT 和 OpenVINO 等生产环境常用格式。

from ultralytics import YOLO

# 初始化 YOLO11 目标检测模型
model = YOLO("yolo11s.pt")

# 在 COCO8 上使用混合精度训练模型
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# 将训练后的模型导出为 TensorRT,以便部署到边缘设备
model.export(format="engine", device=0)

DAMO-YOLO 源自研究项目,学习曲线更陡。其报告的准确率依赖知识蒸馏流程:你需要先训练一个较大的“教师”网络,再将其知识迁移到较小的“学生”网络。与标准的 Ultralytics 训练流程相比,这会增加 GPU 计算开销和训练时间。

用例与建议#

如何在 YOLO11 和 DAMO-YOLO 之间做出选择,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 YOLO11#

以下场景适合选择 YOLO11:

  • 生产级边缘部署:在 Raspberry Pi 或 NVIDIA Jetson 等设备上运行商业应用,可靠性和持续维护至关重要。
  • 多任务视觉应用:需要在统一框架中完成检测、分割、姿态估计和 OBB 的项目。
  • 快速原型开发与部署:需要借助 Ultralytics Python API 快速完成从数据采集到生产部署的团队。

何时选择 DAMO-YOLO#

推荐在以下情况下使用 DAMO-YOLO:

  • 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 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 边缘部署:需要稳定、低延迟推理,同时不想处理非极大值抑制(NMS)后处理复杂性的应用。
  • 仅使用 CPU 的环境: 没有专用 GPU 加速的设备;YOLO26 的 CPU 推理速度最高可提升 43%(YOLO26n 对比 YOLO11n),具有决定性优势。
  • 小目标检测: 在无人机航拍影像等具有挑战性的场景或物联网传感器分析中,ProgLoss 和 STAL 能提升小目标检测准确率。

实际应用与使用场景#

自主系统与无人机#

对于航空影像和 UAV 部署,YOLO11 在速度与准确率之间取得了良好平衡。小目标检测是无人机分析面临的一大挑战,而 YOLO11 的多尺度特征融合有助于处理大小不同的目标。它对内存的需求较低,因此 YOLO11 Nano 和 Small 型号也能直接在安装于无人机上的轻量级边缘 CPU 或 NPU 上运行。

工业自动化与质量控制#

在智能工厂中,延迟至关重要。DAMO-YOLO 可在服务器级 GPU 上实现快速推理,但其专用架构可能更难集成。凭借简单的跟踪 API,以及在缺陷需要倾斜边界框时可从检测切换到 OBB 任务的能力,YOLO11 通常是自动化质量控制中更实用的选择。

智慧医疗与医学影像#

医学影像数据集通常规模较小,因此很难避免过拟合。Ultralytics 生态系统内置的数据增强和迁移学习工作流,可帮助临床医生和开发者构建准确的肿瘤检测模型。庞大的 Ultralytics 社区也有助于解决医疗保健等专业领域中的问题。

拥抱未来:YOLO26

如果你要从头构建新应用,可以考虑使用 YOLO26。该模型于 2026 年 1 月发布,采用 MuSGD 优化器、ProgLoss 和 STAL 来提升小物体检测准确率,并提供可选的端到端无 NMS推理模式(nms=False)。

DAMO-YOLO 仍是神经架构搜索的有力示例,但对于实际计算机视觉任务,YOLO11 及更广泛的 Ultralytics 系列(以 YOLO26 为代表)是更实用的选择,因为它们部署迅速、易于使用,并支持多任务。

评论

提出问题、分享结果,或帮助其他人。