Ultralytics YOLO27：
Get Started

YOLO26 与 DAMO-YOLO 对比#

选择先进的计算机视觉模型时，在推理速度、准确率和易部署性之间找到最佳平衡至关重要。本指南将全面比较视觉 AI 领域的两款知名模型：Ultralytics YOLO26和 DAMO-YOLO。这两种架构都推动了实时目标检测的发展，但其底层设计理念和预期应用场景存在显著差异。

架构创新与设计#

Ultralytics YOLO26：边缘优先的视觉标准#

YOLO26 由 Glenn Jocher 和 Jing Qiu 在 Ultralytics 开发，于 2026 年 1 月 14 日发布，代表了 YOLO 系列的重大飞跃。它从底层开始就专为边缘计算打造，将前沿 LLM 训练实践与先进视觉架构无缝结合。

YOLO26 的主要架构突破包括：

  • 端到端无 NMS 设计：在 YOLOv10 的先驱工作基础上，YOLO26 原生支持端到端处理。通过可选的一对一检测头（nms=False）跳过非极大值抑制 (NMS) 后处理，确保延迟稳定可预测，并大幅简化部署流程。
  • 移除 DFL：移除分布焦点损失后，模型计算图更加简洁。这使其能够更顺畅地导出到 ONNX 和 TensorRT 等部署框架，并确保与低功耗边缘设备具有更好的兼容性。
  • MuSGD 优化器：这种结合随机梯度下降 (SGD) 和 Muon 的混合优化器从 Moonshot AI 的 Kimi K2 中汲取灵感，将 LLM 训练创新引入计算机视觉，从而实现极其稳定的训练和快速收敛。
  • ProgLoss + STAL：这些先进的损失函数显著提升了小目标识别能力；对于无人机航空影像分析和复杂的机器人流水线来说，这一点至关重要。

DAMO-YOLO：大规模神经架构搜索#

DAMO-YOLO 由来自阿里巴巴集团的 Xianzhe Xu、Yiqi Jiang、Weihua Chen、Yilun Huang、Yuan Zhang 和 Xiuyu Sun 开发，于 2022 年 11 月 23 日发布，重点关注自动化架构发现。相关研究详见其 arXiv 论文，研究使用神经架构搜索 (NAS)，在严格的延迟预算下寻找最优主干网络。

DAMO-YOLO 的主要架构特性包括：

  • MAE-NAS 主干网络：采用最大熵引导搜索，自动设计能够平衡准确率与目标部署速度的主干网络。
  • 高效 RepGFPN：一种稳健的重型颈部结构，可优化不同尺度间的特征融合，因此非常擅长处理复杂的视觉场景。
  • ZeroHead：一种大幅简化的检测头，旨在尽量降低最终预测层的计算开销。

进一步了解 DAMO-YOLO

选择合适的架构

DAMO-YOLO 由 NAS 驱动的架构非常适合特定且预先定义的硬件限制，而 YOLO26 的无 NMS 设计和移除 DFL使其在各种边缘和云环境中更加通用、表现也更可预测。

性能与指标对比#

对使用标准 COCO 数据集训练的模型变体进行直接比较，可以发现它们的性能特点各不相同。下表列出了准确率 (mAP)、速度和计算开销（参数量和 FLOPs）之间的权衡。

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)
YOLO26n64040.938.91.72.45.5
YOLO26s64048.687.22.59.520.9
YOLO26m64053.1220.04.720.468.4
YOLO26l64055.0286.26.224.886.8
YOLO26x64057.5525.811.855.7194.4
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

性能分析#

分析数据可知，在现代应用场景中，YOLO26 的综合性能优势明显。Nano 变体 (YOLO26n) 极其轻量，参数量仅为 2.4M，在 NVIDIA T4 GPU 上的速度高达 1.7 ms。此外，YOLO26 的架构专门针对提升 CPU 推理速度进行了设计，最高可快 43%，因此堪称缺少专用 GPU 加速器的边缘设备的最佳选择。

虽然 DAMO-YOLOt 的纯 mAP 略高于 YOLO26n，但代价是参数量约为其 3.5 倍 (8.5M)。随着我们转向更大的变体，YOLO26 的准确率始终胜过 DAMO-YOLO，同时内存占用更小、训练期间的 CUDA 内存用量更低，TensorRT 速度也快得多。

生态系统、易用性与训练效率#

机器学习模型的真正优势不仅在于原始指标，还在于开发者和研究人员能否轻松使用它。

Ultralytics 优势#

选择 Ultralytics 模型，就能使用经过高度打磨、以开发者为中心的生态系统。涉及数据增强、超参数调优和可靠实验跟踪的复杂工作流，都被简化为直观的命令。

此外，YOLO26 还提供无与伦比的多功能性。DAMO-YOLO 仅用于目标检测，而 YOLO26 则开箱即用地针对多个领域提供全面的任务专项改进：

  • 实例分割：采用专门的语义分割损失和多尺度原型技术。
  • 姿态估计：受益于先进的残差对数似然估计 (RLE)。
  • 有向边界框 (OBB)：加入专用角度损失函数，精准解决棘手的边界问题。
  • 图像分类：快速、轻量地为图像添加全局标签。

训练方法#

训练 DAMO-YOLO 通常涉及复杂的蒸馏流程：大型“教师”模型训练较小的“学生”模型。虽然这种技术能带来些许精度提升，但需要大量 GPU 内存，训练周期也更长。

相比之下，YOLO26 对内存的需求要低得多。得益于 MuSGD 优化器，YOLO26 能在标准消费级硬件上快速、高效地训练。下面演示如何使用基于 PyTorch 的 Ultralytics Python API 轻松训练 YOLO26 模型：

from ultralytics import YOLO

# 初始化原生端到端的 YOLO26 nano 模型
model = YOLO("yolo26n.pt")

# 轻松使用自定义数据集训练
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=0)

# 导出经过优化且无需 NMS 的模型
model.export(format="onnx", nms=False)
探索其他模型

如果你想探索 Ultralytics 生态系统中的其他现代架构，功能强大的 YOLO11 仍然是旧版流水线的绝佳选择。或者，对基于 Transformer 的架构感兴趣的研究人员可以探索 RT-DETR 模型。

实际应用#

最终选择哪种架构，取决于你的部署环境。

边缘 AI 和物联网设备#

对于智能零售摄像头、自动化农业监控设备或机器人，计算资源都十分有限。在这种情况下，YOLO26 无疑是首选。它的 CPU 推理速度快 43%，整个流水线无需 NMS，参数量也极少，因此能够在 Raspberry Pi 等边缘设备上流畅运行，同时不牺牲关键精度。

高速制造与质量控制#

在节奏快速的制造自动化生产线上，要检测高速传送带上的缺陷，就需要极低且确定性的延迟。DAMO-YOLO 在特定 GPU 配置下表现尚可，但传统 NMS 后处理造成的延迟波动可能会让机器人执行器失去同步。YOLO26 的端到端特性可确保帧处理时间稳定、可预测，从而完美集成到高速工业机器人系统中。

无人机与航空影像#

从高空检测微小目标向来十分困难。YOLO26 集成的 ProgLoss 和 STAL 大幅提升了小目标识别能力。无论是追踪野生动物，还是通过无人机分析交通拥堵，YOLO26 都能稳定识别较小像素面积的目标，而包括 DAMO-YOLO 在内的旧架构往往会漏掉这些目标。

用例与建议#

选择 YOLO26 还是 DAMO-YOLO，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 YOLO26#

以下场景适合选择 YOLO26：

  • 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。

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。

结论#

尽管 DAMO-YOLO 展示了神经架构搜索针对特定硬件目标的能力，令人着迷，但对于现代 AI 从业者而言，Ultralytics YOLO26 是更出色、更全面的解决方案。凭借端到端、无需 NMS 的架构、大幅降低的内存需求、混合 MuSGD 优化器，以及维护完善的生态系统，YOLO26 让开发者能够以前所未有的速度和可靠性构建并部署先进的视觉系统。

贡献者
GLglenn-jocher8PDpderrenger1

评论