开始使用

YOLOv8 与 DAMO-YOLO

计算机视觉领域不断发展,新架构持续提升边缘设备和大型云集群的能力。本技术对比介绍两种代表性的实时目标检测模型:YOLOv8 和 DAMO-YOLO。通过考察它们的架构、性能指标和训练方法,机器学习工程师可以为部署流水线做出明智选择。

模型背景与起源#

这两款模型推出的时间相近,但源于不同的设计理念和研究目标。

YOLOv8 详情#

DAMO-YOLO 详情#

进一步了解 DAMO-YOLO

架构创新#

YOLOv8:多功能无锚框设计#

Ultralytics YOLOv8 相比前代产品有显著改进,并成为广泛采用的可靠模型。它采用无锚框检测头,减少边界框预测数量并加快推理速度。该架构使用解耦检测头,将分类和回归任务分开,从而生成更准确的边界框预测。

此外,YOLOv8 还结合 CIoU 损失使用 Distribution Focal Loss (DFL),增强模型对物体边界进行精确定位的能力,尤其适用于较小或被遮挡的目标。其精简的主干网络针对 GPU 和 CPU 执行都进行了优化。

DAMO-YOLO 采用不同方法,主要依靠神经架构搜索 (NAS)自动设计主干网络。阿里巴巴团队引入了“MAE-NAS”,旨在为 TensorRT 加速环境找到延迟与准确率权衡最优的结构。

该模型采用 RepGFPN(重参数化广义特征金字塔网络)进行高效特征融合,并使用“ZeroHead”设计来尽量降低检测头的计算负担。训练期间,它使用 AlignedOTA 进行标签分配,并高度依赖复杂的知识蒸馏流程,需要更大的教师模型来监督目标学生模型。

训练复杂度

DAMO-YOLO 通过 NAS 和蒸馏取得了出色的延迟指标,但与 YOLOv8 的单阶段训练流水线相比,蒸馏通常需要更多 CUDA 内存和训练计算时间。

性能与指标#

将计算机视觉模型部署到生产环境时,平衡准确率 (mAP) 和推理速度至关重要。下表展示了两款模型在不同尺寸下的性能。

模型尺寸
(像素)
mAPval50-95速度
CPU ONNX
(毫秒)
速度
T4 TensorRT10
(ms)
参数
(M)
FLOPs
(B)
YOLOv8n64037.380.41.473.28.7
YOLOv8s64044.9128.42.6611.228.6
YOLOv8m64050.2234.75.8625.978.9
YOLOv8l64052.9375.29.0643.7165.1
YOLOv8x64053.9479.114.3768.2257.8
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

在较小型号中,DAMO-YOLOt 和 DAMO-YOLOs 的 mAP 高于 YOLOv8n 和 YOLOv8s,但参数更多;从中型开始,YOLOv8 的准确率更高。YOLOv8n(nano)仅需 320 万个参数,而 DAMO-YOLOt 需要 850 万个,因此更适合移动设备或内存限制严格的环境。YOLOv8 还提供更广泛的尺寸选择,最大可扩展至 YOLOv8x;在此处列出的模型中,YOLOv8x 准确率最高,适用于云端工作负载。

开发者体验与生态系统#

易用性与训练效率#

最大的差异之一在于用户体验。Ultralytics 生态系统旨在提升开发效率。训练自定义 YOLOv8 模型的内存需求适中,并可通过统一的 Python API 或命令行界面完成。

相比之下,要复现 DAMO-YOLO 经过蒸馏增强的训练流程,通常需要处理复杂的配置文件,并管理多阶段师生实验跟踪。

以下示例使用 Python 训练并导出 YOLOv8:

from ultralytics import YOLO

# 加载预训练的 YOLOv8 nano 模型
model = YOLO("yolov8n.pt")

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

# 将训练好的模型导出为 ONNX 格式
path = model.export(format="onnx")

适用于各类视觉任务#

DAMO-YOLO 专为边界框目标检测构建。相比之下,YOLOv8 架构原生支持多种任务。开发者只需更换模型权重,无需更改底层部署代码库,就能执行实例分割、图像分类和姿态估计,因此 Ultralytics 模型更适合多任务应用。

实际应用场景#

YOLOv8 的适用场景#

YOLOv8 兼具速度、准确率和易部署性,非常适合以下场景:

  • 智慧零售分析: 执行目标跟踪,监控客户行为或自动进行库存检查。
  • 农业机器人:利用模型在多种硬件上的出色性能,实时识别作物或害虫。
  • 医疗诊断: 使用实例分割,快速、准确地标记医学影像中的异常。
  • 边缘部署:内置对 OpenVINO 和 CoreML 等格式的导出支持,使 YOLOv8 非常适合资源受限的设备。

DAMO-YOLO 的适用场景#

DAMO-YOLO 在特定场景中可能很有用,尤其是:

  • 学术 NAS 研究: 适用于研究重参数化或自动化架构设计方法的团队。
  • 严格受 GPU 限制的流水线:仅在特定 NVIDIA 硬件上运行的应用,其 NAS 设计结构针对 TensorRT 执行进行了优化。

用例与建议#

在 YOLOv8 和 DAMO-YOLO 之间进行选择,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 YOLOv8#

YOLOv8 适用于:

  • 多任务灵活部署:项目需要在 Ultralytics 生态系统中使用经过验证的模型来完成检测、分割、分类和姿态估计。
  • 成熟的生产系统: 已经基于 YOLOv8 架构构建、并拥有稳定且经过充分测试的部署流水线的现有生产环境。
  • 广泛的社区与生态系统支持: 能够受益于 YOLOv8 丰富教程、第三方集成和活跃社区资源的应用。

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 边缘部署:需要稳定、低延迟推理,同时不想处理非极大值抑制(NMS)后处理复杂性的应用。
  • 仅使用 CPU 的环境: 没有专用 GPU 加速的设备中,YOLO26n 的 CPU 推理速度最高比 YOLO11n 快 43%,优势显著。
  • 小目标检测:具有挑战性的场景,例如无人机航拍图像或 IoT 传感器分析。在这些场景中,ProgLoss 和 STAL 可以提升微小目标的检测精度。

展望未来:更新一代的 Ultralytics 模型#

YOLOv8 仍然是可靠的主力模型,但计算机视觉领域发展迅速,因此用户也应考虑更新一代的模型:

YOLO26:最新一代的 Ultralytics YOLO26 引入了原生的端到端无 NMS 设计(nms=False),消除了 NMS 后处理带来的延迟。MuSGD 优化器(SGD 和 Muon 的混合优化器)可稳定训练,而 ProgLoss + STAL(渐进式损失和小目标感知标签分配)可提升小目标检测效果。通过移除 DFL(移除分布焦点损失,以简化导出并提升对边缘设备和低功耗设备的兼容性),YOLO26n 的 CPU 推理速度比 YOLO11n 最多快 43%,是边缘计算的理想选择。

YOLO11:Ultralytics YOLO11 改进了 YOLOv8 架构,至今仍在社区中广泛使用。

简化工作流程

要将模型从原型推向生产环境,请使用 Ultralytics Platform 来自动标注数据集、跟踪实验,并将模型部署到云端或边缘设备。

总之,虽然 DAMO-YOLO 为架构搜索提供了有价值的研究见解,但 Ultralytics 模型拥有更成熟、更多元且更便于开发者使用的生态系统。无论你继续使用 YOLOv8,还是升级到无 NMS 的 YOLO26 架构,Ultralytics 都能提供一套完整的实时视觉 AI 工具包。

评论1

提出问题、分享结果,或帮助其他人。

  1. exilebuild5423GitHub(已编辑)

    Great technical comparison! DAMO-YOLO stands out with its advanced decoupled head and innovative data augmentation techniques, pushing accuracy further in specific detection tasks. However, this YOLOv8 comparison highlights how v8 offers a more balanced architecture with better ease of use, strong community support, and flexibility for multitask learning. Both models are strong contenders — the choice really depends on deployment needs and optimization priorities.