YOLOv7 vs. DAMO-YOLO：详细技术对比
选择合适的物体检测模型是任何计算机视觉项目中的关键一步。该决策通常需要在准确性、速度和计算成本之间进行权衡。本页详细比较了 YOLOv7 和 DAMO-YOLO，这两个强大的模型都为实时物体检测做出了重大贡献。我们将探讨它们的架构差异、性能指标和理想用例，以帮助您根据您的特定需求做出明智的选择。
YOLOv7：高精度和速度
YOLOv7 作为 YOLO 系列的一个重大进步而推出，通过优化训练效率和推理速度，且不增加计算成本，为实时对象检测器树立了新标准。
作者： Chien-Yao Wang、Alexey Bochkovskiy 和 Hong-Yuan Mark Liao
组织： 台湾中研院资讯科学研究所
日期： 2022-07-06
Arxiv： https://arxiv.org/abs/2207.02696
GitHub： https://github.com/WongKinYiu/yolov7
文档： https://docs.ultralytics.com/models/yolov7/
架构和主要特性
YOLOv7 引入了几项架构创新，以实现其最先进的性能。一个关键组件是模型 backbone 中的扩展高效层聚合网络 (E-ELAN)，它增强了网络在不破坏梯度路径的情况下学习各种特征的能力。该模型还采用了专为基于连接的架构量身定制的先进模型缩放技术。
它最重要的贡献之一是“可训练的免费技巧包”的概念，指的是在不增加推理成本的情况下提高准确性的训练策略。这些包括使用辅助头进行更深层次的监督和由粗到精的引导式训练。这些技术在YOLOv7 论文中有详细介绍，使模型能够在标准基准测试中取得令人印象深刻的结果。
性能和用例
YOLOv7 在发布时，展现了速度和准确性之间的卓越平衡。它在需要快速检测和高精度的场景中表现出色，例如实时视频分析、自动驾驶系统和高分辨率工业检测。例如，在智慧城市应用中，YOLOv7 可用于高级交通管理或为安全系统中的即时威胁检测提供支持。
优势
- 卓越的精度-速度权衡： 提供了 mAP 和推理速度的强大组合，使其在实时任务中非常有效。
- 高效训练： 利用先进的训练策略来提高性能，而不会增加推理期间的计算需求。
- 经验证的性能： 在MS COCO等标准数据集上建立了完善且有据可查的结果。
弱点
- 架构复杂性： E-ELAN和各种训练技术的结合可能难以理解和修改。
- 资源密集型训练： 虽然推理速度很快，但训练较大的 YOLOv7 模型需要大量的 GPU 资源。
- 多功能性有限： 主要设计用于 目标检测，具有社区驱动的针对其他任务的扩展，这与具有集成多任务功能的新模型不同。
DAMO-YOLO：边缘计算的速度和效率
DAMO-YOLO 由阿里巴巴集团开发，是一种目标检测模型，旨在在各种硬件上实现最佳性能，尤其侧重于 边缘设备 的速度和效率。
作者： Xianzhe Xu、Yiqi Jiang、Weihua Chen、Yilun Huang、Yuan Zhang 和 Xiuyu Sun
组织： 阿里巴巴集团
日期： 2022-11-23
Arxiv： https://arxiv.org/abs/2211.15444
GitHub： https://github.com/tinyvision/DAMO-YOLO
架构和主要特性
DAMO-YOLO 引入了几种新颖技术来实现其令人印象深刻的速度。它利用通过 神经架构搜索 (NAS) 生成的骨干网络，从而产生一种称为 GiraffeNet 的高效特征提取器。网络的颈部是一个高效的 RepGFPN，它平衡了特征融合能力和低计算成本。
一个突出的特点是 ZeroHead，它是一个简化的检测头，分类和回归的参数为零，从而显著降低了计算开销。此外，DAMO-YOLO 采用 AlignedOTA 进行动态标签分配，并使用知识蒸馏来提高其较小模型的性能，使其既快速又准确。
性能和用例
DAMO-YOLO 的主要优势在于其卓越的推理速度，尤其是其较小的变体 (DAMO-YOLO-T/S)。这使其成为对低延迟有严格要求的应用程序的首选，例如移动应用程序的设备上处理、工业自动化 中的实时监控和机器人技术。其可扩展性使开发人员能够选择适合其特定硬件约束的模型，从强大的云服务器到资源受限的边缘平台。
优势
- 卓越的推理速度： 较小的模型是目前最快的对象检测器之一，非常适合低延迟需求。
- 可扩展的架构： 提供一系列模型（Tiny、Small、Medium、Large），以适应不同的计算预算。
- 创新设计： 融入了 NAS 驱动的主干网络、高效的颈部网络和无参数头部等前沿理念。
弱点
- 更大模型的精度： 虽然具有竞争力，但最大的 DAMO-YOLO 模型可能无法达到 YOLOv7 高端变体的峰值精度。
- 生态系统与支持： 作为一个研究驱动型项目，它可能不具备与商业支持的框架相同的全面文档、社区支持或集成工具。
正面交锋对比：YOLOv7 vs. DAMO-YOLO
在直接比较这两个模型时，主要区别在于它们的设计理念。YOLOv7 在精度方面突破了实时检测器的可能性界限，利用复杂的训练策略来最大限度地提高 mAP。相比之下，DAMO-YOLO 优先考虑架构效率和原始推理速度，使其较小的模型速度非常快，但与更大、更复杂的模型相比，通常会牺牲几个点的精度。
| 模型 | 尺寸 (像素) |
mAPval 50-95 |
速度 CPU ONNX (毫秒) |
速度 T4 TensorRT10 (毫秒) |
参数 (M) |
FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv7l | 640 | 51.4 | - | 6.84 | 36.9 | 104.7 |
| YOLOv7x | 640 | 53.1 | - | 11.57 | 71.3 | 189.9 |
| DAMO-YOLOt | 640 | 42.0 | - | 2.32 | 8.5 | 18.1 |
| DAMO-YOLOs | 640 | 46.0 | - | 3.45 | 16.3 | 37.8 |
| DAMO-YOLOm | 640 | 49.2 | - | 5.09 | 28.2 | 61.8 |
| DAMO-YOLOl | 640 | 50.8 | - | 7.18 | 42.1 | 97.3 |
为什么 Ultralytics YOLO 模型是更好的选择
虽然 YOLOv7 和 DAMO-YOLO 都是强大的模型，但对于寻求更现代、集成和用户友好体验的开发者和研究人员，应考虑 Ultralytics YOLO 生态系统，包括流行的模型，如 Ultralytics YOLOv8 和最新的 Ultralytics YOLO11。这些模型提供了几个关键优势：
- 易用性： Ultralytics 模型在设计时充分考虑了简化的用户体验，具有简单的 Python API 和 CLI。这由丰富的 文档 和大量的 指南 提供支持，从而可以轻松上手。
- 完善的生态系统： 受益于积极的开发、强大的开源社区，以及与 Ultralytics HUB 等工具的无缝集成，实现从训练到部署的端到端 MLOps。
- 性能平衡： Ultralytics 模型在速度和准确性之间实现了出色的平衡，使其适用于各种实际场景。
- 内存效率： Ultralytics YOLO 模型经过优化，可实现高效的内存使用，与其他架构相比，通常需要更少的 CUDA 内存来进行训练和推理。
- 多功能性： YOLOv8 和 YOLO11 等模型是真正的多任务解决方案，在单个统一框架内支持检测、分割、分类、姿势估计和旋转框检测 (OBB)。
- 训练效率： 受益于高效的训练过程、随时可用的预训练权重以及更快的收敛时间。
结论
DAMO-YOLO 和 YOLOv7 都代表了目标检测领域的重大进步。DAMO-YOLO 在推理速度方面表现出色，尤其是其较小的变体，使其成为边缘设备或优先考虑低延迟的应用的有力竞争者。YOLOv7 在保持良好的实时性能的同时，突破了精度的界限，特别适用于实现尽可能高的 mAP 至关重要的场景。
然而，开发人员也可以考虑 Ultralytics 生态系统 中的模型，例如 YOLOv8 或最新的 YOLO11。这些模型通常在性能、易用性、丰富的文档、高效的训练、更低的内存要求以及在由维护良好的生态系统和活跃社区支持下，在多个视觉任务中的通用性之间提供卓越的平衡。
探索其他模型
对 DAMO-YOLO 和 YOLOv7 感兴趣的用户也可能会发现 Ultralytics 生态系统中的这些模型具有参考价值：
- Ultralytics YOLOv5：一种非常流行且高效的模型，以其速度和易于部署而闻名。探索 YOLOv5 文档。
- Ultralytics YOLOv8：一种多功能的先进模型，在检测、分割、姿势和分类任务中提供出色的性能。 浏览 YOLOv8 文档。
- YOLOv9：引入了 PGI 和 GELAN 等创新，以提高准确性和效率。查看 YOLOv9 文档。
- YOLOv10: 专注于无 NMS 端到端检测，以减少延迟。 比较 YOLOv10 与 DAMO-YOLO。
- RT-DETR：一种基于 Transformer 的实时检测模型。 比较 RT-DETR 与 DAMO-YOLO。
