YOLO Vision 2026：

YOLO26 与 DAMO-YOLO#

在选择先进的计算机视觉模型时，找到推理速度、准确率和部署便捷性之间的最佳平衡至关重要。本指南全面比较视觉 AI 领域中的两个知名模型：Ultralytics YOLO26 和 DAMO-YOLO。虽然这两种架构都推动了实时目标检测的边界，但它们的底层设计理念和目标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 Ultralytics 的 Glenn Jocher 和 Jing Qiu 开发，于 2026 年 1 月 14 日发布，代表了 YOLO 系列的一次巨大飞跃。它从底层开始便针对边缘计算进行设计，将前沿的 LLM 训练实践与先进的视觉架构无缝融合。

YOLO26 的主要架构突破包括：

  • 端到端无 NMS 设计： 在 YOLOv10 开创性工作的基础上，YOLO26 原生支持端到端处理。通过在后处理过程中彻底消除非极大值抑制（NMS），它确保了确定性的延迟，并大幅简化了部署流程。
  • 移除 DFL： 移除 Distribution Focal Loss 后，模型计算图更加简洁。这使得导出到 ONNX 和 TensorRT 等部署框架更加顺畅，并确保与低功耗边缘设备具有更好的兼容性。
  • MuSGD 优化器： 该优化器受 Moonshot AI 的 Kimi K2 启发，将随机梯度下降（SGD）与 Muon 融合，把 LLM 训练创新引入计算机视觉，从而实现非常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，这对于基于无人机的航拍图像分析和复杂的机器人流程至关重要。

DAMO-YOLO：大规模神经架构搜索#

DAMO-YOLO 由 Alibaba Group 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。其研究成果详见 arXiv 论文，该研究利用神经架构搜索（NAS）在严格的延迟预算下寻找最优骨干网络。

DAMO-YOLO 的主要架构特性包括：

  • **MAE-NAS 骨干网络：**采用最大熵引导搜索，自动设计出兼顾准确率与目标部署速度的骨干网络。
  • Efficient RepGFPN： 一种稳健的重型颈部网络设计，可优化不同尺度之间的特征融合，因此非常擅长处理复杂视觉场景。
  • ZeroHead： 一种大幅简化的检测头，旨在降低最终预测层的计算开销。

了解有关 DAMO-YOLO 的更多信息

选择合适的架构

虽然 DAMO-YOLO 的 NAS 驱动架构非常适合特定的预定义硬件约束，但 YOLO26 的无 NMS 设计和移除 DFL使其成为适用于各种边缘和云端环境的更加通用且可预测的选择。

性能与指标对比#

直接比较在标准 COCO 数据集上训练的模型变体，可以发现它们具有不同的性能特征。下表概述了准确率（mAP）、速度和计算规模（参数量与 FLOPs）之间的权衡。

模型尺寸
（像素）		mAPval
50-95		速度
CPU ONNX
（毫秒）		速度
T4 TensorRT10
（毫秒）		参数量
（M）		FLOPs
（B）
YOLO26n64040.938.91.72.45.4
YOLO26s64048.687.22.59.520.7
YOLO26m64053.1220.04.720.468.2
YOLO26l64055.0286.26.224.886.4
YOLO26x64057.5525.811.855.7193.9
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

性能分析#

分析这些数据时可以发现，对于现代应用，性能平衡明显倾向于 YOLO26。Nano 变体（YOLO26n）仅包含 2.4M 个参数，重量极轻，并且在 NVIDIA T4 GPU 上可实现 1.7 ms 的极快速度。此外，YOLO26 的架构专门针对最高快 43% 的 CPU 推理速度进行优化，使其成为缺少专用 GPU 加速器的边缘设备的无可争议之选。

虽然 DAMO-YOLOt 在纯 mAP 指标上略微领先于 YOLO26n，但代价是需要近四倍的参数量（8.5M）。随着模型变体规模增大，YOLO26 在保持更小内存占用、更低训练期间 CUDA 内存使用量以及显著更快的 TensorRT 速度的同时，始终在准确率上优于 DAMO-YOLO。

生态系统、易用性与训练效率#

机器学习模型的真正实力不仅在于原始指标，还在于开发者和研究人员使用它的便捷程度。

Ultralytics 的优势#

选择 Ultralytics 模型即可使用高度成熟、以开发者为中心的生态系统。涉及数据增强、超参数调优和稳健实验跟踪的复杂流程，都被封装为直观的命令。

此外，YOLO26 还具备无与伦比的多功能性。DAMO-YOLO 严格来说只是目标检测器，而 YOLO26 可开箱即用地针对多个领域提供全面的任务专属改进：

  • 实例分割： 采用专用的语义分割损失和多尺度原型。
  • 姿态估计： 受益于先进的残差对数似然估计（RLE）。
  • 定向边界框（OBB）： 引入专用的角度损失函数，完美解决棘手的边界问题。
  • 图像分类： 用于快速、轻量级的全局图像标注。

训练方法#

训练 DAMO-YOLO 通常涉及复杂的蒸馏过程，即由大型“教师”模型训练较小的“学生”模型。虽然这种技术可以挖掘出少量准确率提升，但它需要大量 GPU 内存和更长的训练周期。

相比之下，YOLO26 的内存需求显著更低。在 MuSGD 优化器的驱动下，YOLO26 可在标准消费级硬件上快速高效地完成训练。下面展示了如何使用基于 PyTorch 的 Ultralytics Python API 轻松训练 YOLO26 模型：

from ultralytics import YOLO

# Initialize the natively end-to-end YOLO26 nano model
model = YOLO("yolo26n.pt")

# Train on a custom dataset effortlessly
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=0)

# Export the optimized, NMS-free model
model.export(format="onnx")
探索其他模型

如果你有兴趣探索 Ultralytics 生态系统中的其他现代架构，功能强大的 YOLO11 仍然是传统流程的绝佳选择。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 与物联网设备#

对于智能零售摄像头、自动化农业监测设备或机器人，计算资源都受到严格限制。在这种情况下，YOLO26 是明确的首选。其快 43% 的 CPU 推理速度、完全无 NMS 的流程以及极小的参数规模，使其能够在 Raspberry Pi 等边缘设备上流畅运行，同时不会牺牲关键准确率。

高速制造与质量控制#

在快节奏的manufacturing automation流水线上，检测高速传送带上的缺陷需要极低且确定的延迟。尽管 DAMO-YOLO 能够在特定 GPU 配置上表现良好，但传统 NMS 后处理带来的延迟波动可能会导致机器人执行器不同步。YOLO26 的端到端特性可确保帧处理时间一致且可预测，从而确保完美融入高速工业机器人。

无人机与航拍图像#

从高空探测微小目标一直以来都非常困难。YOLO26 集成 ProgLoss 和 STAL 后，小目标识别能力得到大幅提升。无论是跟踪野生动物，还是通过 UAV 分析交通拥堵，YOLO26 都能持续识别像素面积更小的目标，而包括 DAMO-YOLO 在内的旧架构经常会漏检这些目标。

使用场景与建议#

在 YOLO26 和 DAMO-YOLO 之间进行选择，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 YOLO26#

以下情况适合选择 YOLO26：

  • 无 NMS 边缘部署： 适用于需要稳定、低延迟推理，同时又不希望引入非极大值抑制后处理复杂性的应用。
  • 仅使用 CPU 的环境： 适用于没有专用 GPU 加速的设备，此时 YOLO26 最高提升 43% 的 CPU 推理速度将带来决定性优势。
  • 小目标检测： 适用于航空无人机影像或 IoT 传感器分析等具有挑战性的场景，在这些场景中，ProgLoss 和 STAL 能显著提升微小目标的准确率。

何时选择 DAMO-YOLO#

以下场景推荐使用 DAMO-YOLO：

  • 高吞吐量视频分析： 在固定的 NVIDIA GPU 基础设施上处理高 FPS 视频流，其中批量大小为 1 时的吞吐量是首要指标。
  • 工业制造产线： 在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。

结论#

虽然 DAMO-YOLO 仍然是研究神经架构搜索针对特定硬件目标的能力时一个非常有趣的案例，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 NMS 架构、显著更低的内存需求、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-jocher7PDpderrenger1

评论