Ultralytics YOLO27：
Get Started

YOLOv10 与 DAMO-YOLO 对比#

构建现代计算机视觉流程时，选择合适的实时目标检测架构至关重要。本篇全面的技术分析将探讨 YOLOv10 和 DAMO-YOLO 的架构、性能指标和理想应用场景。这两种模型都代表了目标检测能力的重大进步，但它们采用了不同的架构路径来实现各自的目标。

无论你的项目需要部署在资源受限的边缘 AI硬件上，还是需要在云端 GPU 上达到最高准确率，了解这些架构的特点都能帮助你做出明智的选择。

探索 YOLOv10#

YOLOv10 由清华大学的研究人员推出，通过原生端到端的方法革新了 YOLO 系列，有效消除了后处理阶段对非极大值抑制（NMS）的需求。

YOLOv10 详情：

关键架构特性#

YOLOv10 的核心创新是用于无 NMS 训练的 一致双重分配策略。传统目标检测器严重依赖 NMS 来筛除重叠边界框，这会导致延迟难以预测，成为自动驾驶汽车和高速机器人等实时应用的重要瓶颈。YOLOv10 直接为每个目标预测一个最优边界框，从而实现可预测的超低延迟推理。

此外，该模型采用了以整体效率和准确率为导向的设计。该架构优化了多个组件，包括轻量级分类头和空间—通道解耦下采样，显著减少了计算冗余。因此，该架构在保持有竞争力的平均精度均值（mAP）的同时，参数量更少、FLOPs 更低。

简化导出，助力生产部署

由于 YOLOv10 从推理计算图中移除了 NMS 操作，将模型导出为 ONNX 或 TensorRT 等格式变得非常简单，因此特别适合边缘部署。

进一步了解 YOLOv10

使用示例#

YOLOv10 深度集成于 Ultralytics 生态系统中，通过 Ultralytics Python 包即可轻松使用。

from ultralytics import YOLO

# 加载预训练的 YOLOv10 nano 模型
model = YOLO("yolov10n.pt")

# 使用 COCO8 数据集训练模型
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# 对测试图像运行推理
results = model("https://ultralytics.com/images/bus.jpg")

# 将模型导出为 TensorRT 格式
model.export(format="engine", quantize=16)

探索 DAMO-YOLO#

DAMO-YOLO 由阿里巴巴集团开发，致力于通过自动化神经架构搜索（NAS）探索高效的网络结构，推动速度与准确率之间的帕累托前沿。

DAMO-YOLO 详情：

关键架构特性#

DAMO-YOLO 引入了多项面向工业应用的新技术。模型的基础是其 MAE-NAS 主干网络，通过最大熵引导搜索生成。该自动化流程能够发现严格符合预设计算预算的主干网络结构，在准确率与推理延迟之间实现良好平衡。

此外，该架构采用了 Efficient RepGFPN 颈部结构。这种特征金字塔网络旨在改善不同尺度间的特征融合，这对于航空影像分析等目标尺寸差异很大的复杂任务至关重要。为此，DAMO-YOLO 还采用了 ZeroHead，这是一种极简检测头，可大幅降低最终预测层的复杂度，节省宝贵的推理计算时间。

进一步了解 DAMO-YOLO

性能对比#

评估目标检测架构时，在推理速度、参数效率和检测准确率之间找到合适的平衡至关重要。下表对比了 YOLOv10 和 DAMO-YOLO 各自不同尺寸模型的性能。

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)
YOLOv10n64038.5-1.842.36.7
YOLOv10s64046.3-2.497.221.6
YOLOv10m64051.1-4.7415.459.1
YOLOv10b64052.5-5.7419.192.0
YOLOv10l64053.2-7.2824.4120.3
YOLOv10x64054.4-10.7029.5160.4
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

从基准测试结果可以看出，YOLOv10 的 TensorRT 延迟表现始终出色，尤其是 nano 变体，其参数量和 FLOPs 显著少于 DAMO-YOLO 的同等模型。DAMO-YOLO 的 tiny 变体 mAP 表现不错，但 YOLOv10 系列在参数效率和推理延迟方面的优势，使其更适合部署资源受限的环境。

用例与建议#

选择 YOLOv10 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 YOLOv10#

以下场景适合使用 YOLOv10：

  • 无 NMS 的实时检测：适用于需要从端到端检测中获益、无需使用非极大值抑制并能降低部署复杂度的应用。
  • 均衡权衡速度与准确率：适用于需要在不同模型规模下兼顾推理速度和检测准确率的项目。
  • 延迟稳定的应用：适用于推理时间可预测性至关重要的部署场景，例如机器人或自主系统。

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。

何时选择 Ultralytics (YOLO26)#

对于大多数新项目，Ultralytics YOLO26在性能与开发体验之间实现了最佳平衡：

  • 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。

Ultralytics 优势#

这两种模型在技术上都令人印象深刻，但为生产环境选择架构不能只看原始指标。使用原生支持Ultralytics 生态系统的模型进行开发，能为开发者和研究人员带来无可比拟的优势。

易用性与完善的生态系统#

与常常无人维护的独立学术代码库不同，Ultralytics 提供了强大且积极维护的生态系统。对于严重依赖 NAS 流程的模型，配置复杂的环境可能令人望而却步。相比之下，Ultralytics 提供标准化、直观的 Python API 和功能强大的 CLI，并配有全面的文档。这能大幅缩短自定义视觉解决方案的上市时间。

训练效率与内存需求#

训练大型模型很快就会产生高昂的计算成本。一直以来，Ultralytics YOLO 架构都以训练和推理时 CUDA 内存占用低而闻名。这种高效性让开发者能够使用消费级硬件或经济实惠的云实例训练模型，无需担心使用基于 Transformer 的模型（如 RT-DETR）时常见的内存不足错误。

实验跟踪

Ultralytics 原生集成了主流 MLOps 工具。你可以通过与 Weights & Biases、Comet 或 ClearML 的集成，轻松跟踪模型训练进度，无需编写任何额外的样板代码。

跨任务的通用性#

许多专用检测模型都有一个明显局限：用途狭窄。在 Ultralytics 生态系统中，你不必局限于目标检测。相关工具还可无缝支持多种计算机视觉任务，包括实例分割、图像分类、姿态估计和有向边界框（OBB）检测。

展望未来：YOLO26 的演进#

YOLOv10 开创了无 NMS 推理，DAMO-YOLO 展示了 NAS 的强大能力，而计算机视觉领域仍在快速发展。对于寻求顶尖解决方案的开发者，我们建议了解 Ultralytics YOLO26。

YOLO26 作为 YOLO11 的正式继任者发布，在 YOLOv10 奠定的无 NMS 基础上进行了大幅拓展。

YOLO26 的关键改进包括：

  • CPU 推理速度最高提升 43%：专为边缘计算和低功耗设备优化。
  • 移除 DFL：移除了分布焦点损失，使导出流程更简单，并增强了对不同部署目标的兼容性。
  • MuSGD 优化器：这是 SGD 与 Muon 的混合优化器，将先进的 LLM 训练稳定性和更快的收敛速度直接引入计算机视觉领域。
  • ProgLoss + STAL：显著改进的损失函数能够大幅提升小目标识别能力，这对于农业和遥感等应用场景至关重要。

借助焕然一新的 Ultralytics Platform，开发者只需点击几下，就能轻松标注、训练和部署 YOLO26 等新一代模型，确保你的计算机视觉流程始终走在前沿，并能适应未来需求。

贡献者
GLglenn-jocher17PDpderrenger2

评论