YOLO Vision 2026：

YOLO26 与 DAMO-YOLO 对比#

在选择最先进的计算机视觉模型时，在推理速度、准确率和部署便捷性之间找到最佳平衡至关重要。本综合指南对比了视觉 AI 领域的两个知名模型：Ultralytics YOLO26 和 DAMO-YOLO。尽管这两种架构都突破了实时目标检测的极限，但它们的基本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#

由 Ultralytics 的 Glenn Jocher 和 Jing Qiu 开发并于 2026 年 1 月 14 日发布，YOLO26 代表了 YOLO 发展历程中的巨大飞跃。它从头开始为边缘计算进行设计，将尖端的 LLM 训练实践与先进的视觉架构无缝融合。

YOLO26 的关键架构突破包括：

  • 端到端免 NMS 设计： 借鉴 YOLOv10 的开创性工作，YOLO26 天生就是端到端的。通过在后处理过程中完全消除非极大值抑制（NMS），它保证了确定性延迟，并大大简化了部署管道。
  • 移除 DFL： 移除分布式焦点损失（Distribution Focal Loss）精简了模型图。这使得导出到 ONNX 和 TensorRT 等部署框架变得更加顺畅，并确保了与低功耗边缘设备更好的兼容性。
  • MuSGD 优化器： 受 Moonshot AI 的 Kimi K2 启发，这种随机梯度下降 (SGD) 与 Muon 的混合体将 LLM 训练创新带入了计算机视觉领域，实现了极其稳定的训练和快速收敛。
  • ProgLoss + STAL： 这些高级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管道是一项至关重要的需求。

了解更多关于 YOLO26 的信息

DAMO-YOLO：大规模神经架构搜索#

由阿里巴巴集团的 Xianzhe Xu、Yiqi Jiang、Weihua Chen、Yilun Huang、Yuan Zhang 和 Xiuyu Sun 开发（于 2022 年 11 月 23 日发布），DAMO-YOLO 高度专注于自动化架构搜索。该研究在其 arXiv 论文中进行了详细阐述，利用神经架构搜索（NAS）在严格的延迟预算下寻找最佳主干网。

DAMO-YOLO 的关键架构特征包括：

  • MAE-NAS 主干： 采用多目标进化搜索来自动设计平衡准确度与目标部署速度的主干网络。
  • 高效的 RepGFPN： 一种强大的重型颈部设计，优化了跨不同尺度的特征融合，使其在处理复杂的视觉场景时表现出色。
  • ZeroHead： 一种经过大幅简化的检测头，旨在最小化最终预测层中的计算开销。

了解关于 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、预定义的硬件限制，但 YOLO26 的 无 NMS 设计 和 DFL 移除 使其在各种边缘和云环境中成为更通用、更可预测的选择。

性能与指标对比#

对在标准 COCO 数据集上训练的模型变体进行直接对比，揭示了它们各自不同的性能特征。下表概述了准确率（mAP）、速度和计算占用（参数量和 FLOPs）之间的权衡。

模型尺寸
(像素)		mAPval
50-95		速度
CPU ONNX
(ms)		速度
T4 TensorRT10
(ms)		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#

在分析数据时，性能平衡明显向现代应用程序的 YOLO26 倾斜。Nano 变体 (YOLO26n) 极其轻量，仅有 2.4M 参数，在 NVIDIA T4 GPU 上可提供 1.7 毫秒的惊人速度。此外，YOLO26 专为提供高达 43% 的 CPU 推理加速 而构建，使其成为缺少专用 GPU 加速器的边缘设备当之无愧的冠军。

虽然 DAMO-YOLOt 在纯 mAP 上略微胜过 YOLO26n，但这代价是需要近四倍的参数量（8.5M）。当我们转向更大的变体时，YOLO26 在准确率上始终优于 DAMO-YOLO，同时保持更小的内存占用、训练期间更低的 CUDA 内存使用率以及快得多的 TensorRT 速度。

生态系统、易用性和训练效率#

机器学习模型的真正实力不仅在于其原始指标，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 模型可确保你能够访问高度精炼、以开发者为中心的服务生态系统。涉及数据增强、超参数调优和强大的实验跟踪的复杂工作流都被抽象为直观的命令。

此外，YOLO26 提供了无与伦比的通用性。虽然 DAMO-YOLO 仅仅是一个目标检测器，但 YOLO26 开箱即用地在多个领域提供了全面的、特定于任务的改进：

  • 实例分割： 利用专门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）。
  • 旋转边界框 (OBB)： 结合专门的角度损失函数，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，即大型“教师”模型训练小型“学生”模型。虽然这种技术能挤出边际精度增益，但它需要大量的 GPU 内存和更长的训练周期。

相反，YOLO26 的内存需求要低得多。在 MuSGD 优化器的驱动下，YOLO26 能够在标准的消费级硬件上快速、高效地进行训练。以下是你如何使用由 PyTorch 支持的 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 仍然是旧版管道的极佳选择。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。

实际应用场景#

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、自动化农业监测器或机器人技术，计算资源极其有限。在这里，YOLO26 是明确的选择。其快 43% 的 CPU 推理、完全免 NMS 的管道以及微小的参数占用，使其能够在像树莓派这样的边缘设备上顺畅运行，而不会牺牲关键的准确率。

高速制造与质量控制#

在快节奏的制造自动化生产线上，检测快速移动的传送带上的缺陷需要最小的、确定性的延迟。虽然 DAMO-YOLO 可以在特定的 GPU 配置上表现良好，但传统 NMS 后处理带来的波动延迟可能会导致机器人执行器不同步。YOLO26 的端到端特性保证了持续、可预测的帧处理时间，从而确保无缝集成到高速工业机器人中。

无人机与航拍图像#

从高空检测微小目标是公认的难点。YOLO26 中 ProgLoss 和 STAL 的集成显著提高了对小目标的识别能力。无论是追踪野生动物还是从无人机分析交通拥堵，YOLO26 都能持续识别出那些老旧架构（包括 DAMO-YOLO）经常漏掉的像素面积较小的目标。

应用场景与建议#

在 YOLO26 和 DAMO-YOLO 之间做选择，取决于你的具体项目需求、部署约束以及对生态系统的偏好。

何时选择 YOLO26#

YOLO26 是以下场景的有力选择：

  • 无 NMS 的边缘部署： 需要一致、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： 没有专用 GPU 加速的设备，YOLO26 带来的高达 43% 的 CPU 推理提速可提供决定性优势。
  • 小目标检测： 诸如航拍无人机图像或物联网传感器分析等具有挑战性的场景，其中 ProgLoss 和 STAL 显著提高了微小目标的准确率。

何时选择 DAMO-YOLO#

建议在以下场景使用 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 batch-1 吞吐量是主要指标。
  • 工业生产线： 在专用硬件上对 GPU 延迟有严格限制的场景，例如生产线上的实时质量检查。
  • 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 在神经架构搜索对特定硬件目标的能力方面仍是一个迷人的研究课题，但 Ultralytics YOLO26 显然是现代 AI 从业者更胜一筹、更全面的解决方案。凭借其端到端无 NMS 架构、显著降低的内存需求、混合 MuSGD 优化器以及完美维护的生态系统，YOLO26 使开发者能够比以往任何时候都更快速、更可靠地构建和部署最前沿的视觉系统。

贡献者
GLglenn-jocher6

评论