在 GitHub 上编辑页面 (EN)

YOLO11 与 DAMO-YOLO：下一代目标检测器对比

选择最优架构是任何 计算机视觉 项目中的关键步骤。本技术指南对两款强大的目标检测模型：Ultralytics YOLO11 和 DAMO-YOLO 进行了全面对比。我们将深入探讨它们的架构创新、训练范式以及实际应用场景，助你为部署需求选择最佳工具。

模型概览

Ultralytics YOLO11

由 Ultralytics 团队开发，YOLO11 是 YOLO 系列中一次高度优化的迭代，在准确性和效率两方面都进行了大幅改进。它专为寻求统一且可直接生产的生态系统的研究人员和工程师设计，涵盖了从数据集管理到边缘端部署的完整流程。

了解关于 YOLO11 的更多信息

YOLO11 的优势在于其多功能性。虽然许多传统模型仅关注边界框，但 YOLO11 原生支持 目标检测、实例分割、图像分类 和 姿态估计。这种多模态能力使开发人员能够在一个维护完善的框架下整合其 视觉 AI 工作流。

DAMO-YOLO

DAMO-YOLO 由阿里巴巴的研究人员开发。它利用神经架构搜索 (NAS) 技术，为 GPU 和其他加速器上的实时推理探索出了高效的主干网络。

了解更多关于 DAMO-YOLO 的信息

DAMO-YOLO 的核心理念围绕重参数化 (rep-parameterization) 和自动搜索展开。作者利用 MAE-NAS (多目标进化神经架构搜索) 设计了一个自定义主干网络，显著提升了专用硬件上的推理速度。它还引入了经过深度优化的名为 Efficient RepGFPN 的颈部结构以及简化的 ZeroHead，从而最大限度地减少延迟。

其他值得考虑的模型

在比较 YOLO11 和 DAMO-YOLO 时，建议也看看较新的 Ultralytics YOLO26。它引入了原生的端到端无 NMS 推理，并带来高达 43% 的 CPU 速度提升。你也可以探索涉及 YOLOX 或 YOLOv8 的对比内容。

性能与架构对比

理解性能权衡对于部署 边缘 AI 应用至关重要。下表概述了关键指标，例如 平均精度均值 (mAP)、延迟和计算规模。

模型尺寸
(像素)		mAPval
50-95		速度
CPU ONNX
(ms)		速度
T4 TensorRT10
(ms)		参数
(M)		FLOPs
(B)
YOLO11n64039.556.11.52.66.5
YOLO11s64047.090.02.59.421.5
YOLO11m64051.5183.24.720.168.0
YOLO11l64053.4238.66.225.386.9
YOLO11x64054.7462.811.356.9194.9
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

架构深度剖析

YOLO11 依赖于一个高效的定制化主干网络，该网络完美平衡了参数量与表示能力。它经过优化，能够在各种硬件上完美运行，并在训练和推理过程中以极小的 CUDA 显存 占用表现优异。这使其成为标准消费级硬件或资源受限的物联网设备的理想选择。

反之，DAMO-YOLO 的 MAE-NAS 生成的主干网络则针对高吞吐量的 GPU 环境进行了精细调整。其 Efficient RepGFPN (通用特征金字塔网络) 能够积极整合多个尺度。然而，虽然重参数化加速了推理，但如果你的硬件栈不能很好地支持这些操作，则会使部署过程变得复杂。

可用性与训练效率

在考量开发时间时，模型的易用性与原始基准测试同样重要。

YOLO11 在很大程度上建立在开发者易用性的原则之上。功能全面的 ultralytics 包抽象了数据集解析、增强和超参数调整等繁重的工作。将模型导出为 ONNX、TensorRT 和 OpenVINO 等生产格式只需一条指令。

from ultralytics import YOLO

# Initialize YOLO11 object detection model
model = YOLO("yolo11s.pt")

# Train the model with mixed precision on COCO8
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Export the trained model to TensorRT for edge deployment
model.export(format="engine", device=0)

DAMO-YOLO 源自学术和重研发背景，因此学习曲线更为陡峭。实现其巅峰准确率通常涉及复杂的知识蒸馏工作流——这意味着你需要先训练一个巨大的“教师”网络，然后将知识传递给较小的“学生”网络。与 Ultralytics 模型精简的训练循环相比，这极大地增加了所需的 GPU 计算 开销和整体训练时长。

用例与建议

在 YOLO11 和 DAMO-YOLO 之间进行选择，取决于你的具体项目需求、部署限制以及生态偏好。

何时选择 YOLO11

YOLO11 是以下场景的有力选择：

  • 生产边缘部署： 在 Raspberry Pi 或 NVIDIA Jetson 等设备上的商业应用，这些场景中可靠性和积极的维护至关重要。
  • 多任务视觉应用： 需要在单个统一框架内进行 检测、分割、姿态估计 和 OBB 的项目。
  • 快速原型设计与部署： 需要使用精简的 Ultralytics Python API 快速从数据收集过渡到生产环境的团队。

何时选择 DAMO-YOLO

DAMO-YOLO 推荐用于：

  • 高吞吐量视频分析： 在固定 NVIDIA GPU 基础设施上处理高 FPS 视频流，其中 batch-1 吞吐量是主要指标。
  • 工业制造生产线： 专用硬件上具有严格 GPU 延迟约束的场景，例如装配线上的实时质量检测。
  • 神经架构搜索研究： 研究自动化架构搜索（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 提供了性能与开发者体验的最佳结合：

  • 无需 NMS 的边缘部署： 需要持续、低延迟推理且无需复杂非极大值抑制后处理的应用。
  • 仅 CPU 环境： 在没有专用 GPU 加速的设备上，YOLO26 的 CPU 推理速度提升高达 43%，这提供了决定性优势。
  • 小目标检测： 具有挑战性的场景，如 航拍无人机图像 或 IoT 传感器分析，ProgLoss 和 STAL 在小目标上显著提升了准确性。

实际应用与使用案例

自动驾驶系统与无人机

对于航空影像和无人机部署，YOLO11 提供了极佳的性能平衡。小目标检测是无人机分析中的巨大障碍，但 YOLO11 开箱即用地原生处理了各种尺度问题。此外，极低的 内存需求 使得 YOLO11 Nano 和 Small 版本能够直接运行在安装于无人机上的轻量级边缘 CPU 或 NPU 上。

工业自动化与质量控制

在智能工厂中，延迟至关重要。虽然 DAMO-YOLO 凭借其 RepGFPN 颈部结构在重型服务器级 GPU 上提供了强大的推理速度，但其僵化的集成方式有时显得过重。对于自动化质量控制而言，YOLO11 往往是更好的选择，因为它具备简单的 跟踪 API，如果缺陷需要角度边界识别，还可以无缝从纯目标检测切换到 旋转边界框 (OBB) 任务。

智能医疗与医学影像

医学影像数据集通常相对较小，避免过拟合是一个挑战。Ultralytics 维护完善的生态系统所提供的动态增强技术，结合标准的迁移学习流水线，能够帮助临床医生和开发人员可靠地部署准确的 肿瘤检测 模型。庞大的社区支持确保了医疗等复杂领域的问题能够得到快速解决。

拥抱 YOLO26 的未来

如果你正从零开始构建一个新应用，可以考虑探索 YOLO26。它发布于 2026 年初，使用了 MuSGD 优化器和 ProgLoss 函数，在微小物体上提供了卓越的准确率，并开箱即用地提供了端到端无 NMS 的工作流！

归根结底，虽然 DAMO-YOLO 仍然是神经架构搜索的一个有力演示，但 YOLO11 及整个 Ultralytics 系列仍然是实际计算机视觉任务的最终建议，因为它优先考虑快速部署、开发便捷性和顶尖的多模态性能。

Contributors
在 GitHub 上编辑页面 (EN)
GLglenn-jocher12PDpderrenger1

评论