Meet YOLO26: next-gen vision AI.

Link to this sectionYOLOv7 与 DAMO-YOLO#

实时目标检测领域在持续演进，研究人员和工程师们一直致力于在速度和精度之间寻找最优平衡。在这篇技术对比中，我们将深入探讨 2022 年出现的两个著名架构：YOLOv7 和 DAMO-YOLO。这两种模型都为计算机视觉社区引入了新颖的概念，解决了模型训练、架构设计和部署方面的不同挑战。

Link to this section模型背景与技术细节#

在深入研究它们的架构之前，了解这两个模型的起源至关重要。两者均由领先的研究团队开发，并引入了先进的方法论来突破实时目标检测的界限。

Link to this sectionYOLOv7 详情#

作为 YOLO 家族的延续，YOLOv7 引入了可训练的“免费赠品（bag-of-freebies）”概念，在不增加推理成本的情况下显著提高了精度。

了解更多关于 YOLOv7 的信息

Link to this sectionDAMO-YOLO 详情#

DAMO-YOLO 由阿里巴巴集团的研究人员创建，重点关注神经架构搜索（NAS）和先进的知识蒸馏，旨在为各种硬件构建高效模型。

了解更多关于 DAMO-YOLO 的信息

Link to this section架构创新#

Link to this sectionYOLOv7：梯度路径分析与重参数化#

YOLOv7 高度关注扩展高效层聚合网络（E-ELAN）。作者通过分析网络的梯度路径设计了 E-ELAN，确保网络能够持续学习而不会削弱原始梯度路径。此外，YOLOv7 在推理过程中有效地利用了模型重参数化，通过无缝融合层来减少 FLOPs 并缩短执行时间。这使其非常适合在现代 GPU 上进行 实时推理。

Link to this sectionDAMO-YOLO：神经架构搜索与 RepGFPN#

DAMO-YOLO 的不同之处在于它在延迟约束下大量利用了神经架构搜索（NAS）。它使用一种名为 MAE-NAS 的框架，为移动设备或特定边缘加速器等特定硬件寻找最优骨干网。在颈部结构上，它引入了高效的 RepGFPN（重参数化广义特征金字塔网络），并采用 ZeroHead 设计，以最大限度地降低预测头的计算负担。

蒸馏差异

YOLOv7 依赖于强大的内在架构优化，而 DAMO-YOLO 则很大程度上依赖于复杂的多阶段知识蒸馏过程。它需要训练一个大型教师模型来将知识蒸馏给较小的学生模型，这在训练阶段可能会产生较高的计算成本。

Link to this section性能与指标对比#

在比较这些模型时，查看 mAP（平均精度均值）、推理速度和模型复杂度至关重要。

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)
YOLOv7l64051.4-6.8436.9104.7
YOLOv7x64053.1-11.5771.3189.9
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

上表展示了 YOLOv7 在高精度领域（YOLOv7x）的可扩展性，而 DAMO-YOLO 则为受限环境提供了高度优化的轻量级模型。

Link to this section训练效率和内存需求#

这两种架构的主要区别在于它们的训练方法。DAMO-YOLO 对蒸馏的依赖意味着从头训练新模型或在 自定义计算机视觉数据集 上进行微调时，通常需要更多的显存和 GPU 计算 时间。

相比之下，集成到 Ultralytics 生态系统中的模型（如 YOLOv7 及后续版本）针对 内存需求 进行了深度优化。它们允许开发者在消费级硬件上使用更大的批大小，而不会遇到内存溢出错误，从而简化了 实验跟踪 和迭代过程。

Link to this sectionUltralytics 的优势#

虽然 YOLOv7 和 DAMO-YOLO 都提供了令人瞩目的特性，但在 Ultralytics 生态系统 中部署模型可提供无与伦比的开发者体验。

  • 易用性： Ultralytics Python 包提供了一个统一且简单的 API。你只需几行代码即可快速切换模型架构、启动 训练循环 或运行 推理。
  • 维护良好的生态系统： Ultralytics 提供频繁的更新，确保与最新的 PyTorch 版本和 CUDA 驱动程序保持原生兼容。它还简化了将模型导出为 ONNX、TensorRT 和 OpenVINO 等格式的过程。
  • 通用性： 与严格作为目标检测器的 DAMO-YOLO 不同，Ultralytics 生态系统原生支持多种任务。Ultralytics 系列模型可以执行标准边界框检测、姿态估计、实例分割 和 旋转边界框 (OBB)。

Link to this section代码示例：快速入门#

以下是使用 Ultralytics 模型加载、训练和运行推理的简便方法：

from ultralytics import YOLO

# Load a pre-trained YOLOv7 model (or newer models like yolo26n.pt)
model = YOLO("yolov7.pt")

# Train the model on the COCO8 dataset with automated hyperparameter handling
results = model.train(data="coco8.yaml", epochs=50, imgsz=640)

# Run inference on an image
predictions = model("https://ultralytics.com/images/bus.jpg")

# Export to ONNX format for deployment
model.export(format="onnx")
导出模型

使用 Ultralytics，将训练好的权重导出为各种硬件加速格式（如 TensorRT 或 CoreML）只需通过导出命令中的一个参数即可完成，节省了配置复杂脚本的时间。

Link to this section下一代：YOLO26#

虽然 YOLOv7 仍然是一个强大的传统架构，但该领域进步神速。对于新部署，推荐使用 Ultralytics YOLO26（2026 年 1 月发布），它在几乎所有指标上都优于前几代产品。

  • 端到端无 NMS 设计： YOLO26 率先在 YOLOv10 中得到应用，它原生去除了非极大值抑制 (NMS) 后处理。这确保了机器人和自动驾驶技术所需的确定性、超低延迟推理。
  • MuSGD 优化器： 受先进大语言模型训练技术（如 Moonshot AI 的 Kimi K2）启发，这种混合优化器融合了 SGD 和 Muon，从而在不同数据集上实现高度稳定的训练和更快的收敛速度。
  • CPU 推理速度提升高达 43%： 通过战略性地移除分布焦点损失 (DFL)，YOLO26 显著提升了在边缘计算平台和 CPU 上的性能。
  • ProgLoss + STAL： 这些先进的损失函数在检测小目标方面取得了显著改进，使 YOLO26 非常适合 航空影像 和详细监控任务。

了解更多关于 YOLO26 的信息

Link to this section理想使用场景#

Link to this section何时选择 DAMO-YOLO#

  • NAS 学术研究： 如果你的组织致力于研究神经架构搜索方法论。
  • 特定硬件上的超强延迟限制： 如果你有资源进行详尽的 NAS 搜索，为定制 AI 加速器芯片寻找量身定制的骨干网。

Link to this section何时选择 YOLOv7#

  • 现有的 GPU 流水线： 针对那些在高端 NVIDIA 硬件上围绕 YOLOv7 特定的 E-ELAN 架构进行了深度优化的传统生产流水线的团队。

Link to this section为什么要迁移到现代 Ultralytics 模型（YOLO11 / YOLO26）#

对于绝大多数企业应用——从 零售分析 和 智能制造 到医疗保健——现代 Ultralytics 模型是无与伦比的。与 Ultralytics 平台 的集成提供了一个完整的 ML 流水线，具有易用性、卓越的文档、强大的社区支持和多任务通用性。无论是在 Raspberry Pi 上跟踪库存还是在云端运行繁重的分析，像 YOLO26 这样的模型都为计算机视觉的未来提供了理想的性能平衡。

贡献者
GLglenn-jocher12PDpderrenger1

评论