在 GitHub 上编辑页面 (EN)

YOLO26 与 DAMO-YOLO：实时目标检测器的技术对比

在选择最先进的计算机视觉模型时，找到推理速度、精度和部署便捷性之间的最佳平衡点至关重要。本指南全面对比了视觉 AI 领域的两款知名模型：Ultralytics YOLO26 和 DAMO-YOLO。尽管这两种架构都在突破实时目标检测的极限，但它们的底层设计理念和预期应用场景有着显著差异。

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 于 2026 年 1 月 14 日在 Ultralytics 发布，是 YOLO 系列的一次巨大飞跃。它从零开始为边缘计算而设计，将尖端的 LLM 训练实践与先进的视觉架构无缝融合。

YOLO26 的核心架构突破包括：

  • 端到端无 NMS 设计： 基于 YOLOv10 的开拓性工作，YOLO26 实现了原生端到端。通过在后处理中彻底消除了非极大值抑制（NMS），它保证了确定性的延迟，并极大地简化了部署流程。
  • 移除 DFL： 移除分布焦点损失（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的更好兼容性。
  • MuSGD 优化器： 受月之暗面 Kimi K2 的启发，这种结合了随机梯度下降（SGD）和 Muon 的混合优化器将 LLM 的训练创新引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： 这些先进的损失函数在小目标识别方面带来了显著提升，这对于基于无人机的航拍图像分析和复杂的机器人流水线而言是至关重要的需求。

了解关于 YOLO26 的更多信息

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），专注于自动化架构发现。其研究详细记载于他们的 arXiv 论文 中，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 的核心架构特征包括：

  • MAE-NAS 骨干网络： 采用多目标进化搜索，自动设计平衡精度与目标部署速度的骨干网络。
  • 高效 RepGFPN： 一种强大的重型颈部（neck）设计，优化了跨不同尺度的特征融合，使其在处理复杂视觉场景方面表现出色。
  • ZeroHead： 一种大幅简化的检测头，旨在最小化最终预测层的计算开销。

了解更多关于 DAMO-YOLO 的信息

选择合适的架构

虽然 DAMO-YOLO 基于 NAS 的架构非常适合特定的、预定义的硬件约束，但 YOLO26 的无 NMS 设计和移除 DFL 使其在各种边缘和云环境中成为更通用、更具可预测性的选择。

性能与指标对比

对在标准 COCO dataset 上训练的模型变体进行直接对比，揭示了其截然不同的性能配置。下表概述了精度（mAP）、速度和计算开销（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
(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

分析数据时，性能平衡明显向 YOLO26 倾斜，更适合现代应用。Nano 变体（YOLO26n）极其轻量，仅有 2.4M 参数，在 NVIDIA T4 GPU 上可提供 1.7 ms 的惊人速度。此外，YOLO26 经过专门架构优化，可提供高达 43% 的 CPU 推理加速，使其成为缺少专用 GPU 加速器的边缘设备的当之无愧的冠军。

虽然 DAMO-YOLOt 在纯 mAP 上略微超过了 YOLO26n，但其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 在精度上持续优于 DAMO-YOLO，同时保持更小的内存占用、训练期间更低的 CUDA 内存使用量以及显著更快的 TensorRT 速度。

生态系统、易用性与训练效率

机器学习模型真正的力量不仅在于其原始指标，更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 模型可以确保你能够访问高度完善、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工作流已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、针对任务的改进：

  • 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： 用于快速且轻量级的全局图像标注。

训练方法论

训练 DAMO-YOLO 通常涉及复杂的蒸馏过程，即由一个大型“教师”模型训练一个较小的“学生”模型。虽然这种技术能压榨出微小的精度提升，但它需要大量的 GPU 内存和更长的训练周期。

相反，YOLO26 的内存需求显著较低。得益于 MuSGD 优化器，YOLO26 可以在标准消费级硬件上快速高效地进行训练。以下展示了如何使用支持 PyTorch 的 Ultralytics Python API 来轻松训练 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 仍然是遗留流程的绝佳选择。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。

现实世界应用

在这些架构之间进行选择，最终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、自动化农业监控器或 机器人技术，计算资源受到严格限制。在这里，YOLO26 是明确的选择。其 43% 的 CPU 推理提速、完全无需 NMS 的流程以及极小的参数占用，使其能够流畅运行在 Raspberry Pi 等边缘设备上，且不会牺牲关键精度。

高速制造与质量控制

在快节奏的 制造自动化 产线上，检测快速移动输送带上的缺陷需要最小且确定性的延迟。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，确保能够无缝集成到高速工业机器人中。

无人机与航拍影像

从高空检测微小目标是出了名的困难。YOLO26 中 ProgLoss 和 STAL 的集成大幅提升了小目标识别能力。无论是追踪野生动物还是从无人机分析交通拥堵，YOLO26 都能持续识别出包括 DAMO-YOLO 在内的较旧架构经常错过的较小像素区域物体。

用例与建议

在 YOLO26 和 DAMO-YOLO 之间进行选择，取决于你的具体项目需求、部署约束和生态系统偏好。

何时选择 YOLO26

YOLO26 是以下场景的理想选择：

  • 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。

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。

总结

虽然 DAMO-YOLO 仍然是对特定硬件目标进行神经架构搜索能力的一项有趣研究，但 Ultralytics YOLO26 是现代 AI 从业者更出色、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 优化器以及无可挑剔且维护良好的生态系统，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先进的视觉系统。

Contributors
在 GitHub 上编辑页面 (EN)
GLglenn-jocher4

评论