在 GitHub 上编辑页面 (EN)

YOLOv8 与 DAMO-YOLO：目标检测模型综合技术对比

计算机视觉领域在不断演进，全新的架构持续突破着边缘设备和大型云集群的能力极限。在这篇技术深度解析中，我们将对比两款出色的实时目标检测模型：YOLOv8 和 DAMO-YOLO。通过研究它们的架构、性能指标和训练方法，ML 工程师可以为其部署工作流做出明智的决策。

模型背景与起源

这两款模型几乎在同一时期推出，但源于不同的设计理念和研究目标。

YOLOv8 详情

了解更多关于 YOLOv8 的信息

DAMO-YOLO 详情

了解更多关于 DAMO-YOLO 的信息

架构创新

YOLOv8：多功能的无锚框 (Anchor-Free) 设计

Ultralytics YOLOv8 在前代基础上进行了重大改进，巩固了其作为高度可靠的业界领先模型地位。它采用了无锚框检测头，减少了框预测数量并加快了推理速度。该架构利用了解耦头，将物体性（objectness）、分类和回归任务分离，从而实现更精确的边界框预测。

此外，YOLOv8 还实现了 Distribution Focal Loss (DFL) 和 CIoU 损失，增强了模型对物体边界（特别是针对较小或被遮挡目标）的精准定位能力。其精简的主干网络针对 GPU 和 CPU 执行均进行了高度优化。

DAMO-YOLO：由架构搜索驱动

DAMO-YOLO 采取了不同的方案，严重依赖神经架构搜索 (NAS) 来自动设计其主干网络。阿里巴巴团队引入了“MAE-NAS”来寻找在 TensorRT 加速下能提供最优延迟与精度权衡的结构。

该模型集成了 RepGFPN（重参数化广义特征金字塔网络）以实现高效的特征融合，并采用“ZeroHead”设计来最小化检测头的计算负担。在训练过程中，它利用 AlignedOTA 进行标签分配，并高度依赖复杂的知识蒸馏过程，需要更大的教师模型来指导目标学生模型。

训练复杂度

尽管 DAMO-YOLO 通过 NAS 和蒸馏实现了惊人的延迟指标，但与 YOLOv8 高度优化的单阶段训练流程相比，这在训练过程中需要显著更多的 CUDA 内存和计算时间。

性能与指标

在将计算机视觉模型投入生产环境时，平衡精度 (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)		mAPval
50-95		速度
CPU ONNX
(ms)		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
YOLOv8l64052.9375.29.0643.7165.2
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

YOLOv8 展示了卓越的性能平衡。YOLOv8n (nano) 模型仅需 320 万个参数，而 DAMO-YOLOt 则需要 850 万个参数，这使得它在移动设备或对内存要求严格的环境中具有巨大的优势。此外，YOLOv8 提供了更广泛的尺寸选择，可向上扩展至精度极高的 YOLOv8x，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

最大的差异化因素之一是用户体验。Ultralytics 生态系统专为提升开发者效率而设计。训练自定义 YOLOv8 模型所需的内存占用极低，且可以通过统一的 Python API 或命令行界面执行。

相反，复现 DAMO-YOLO 的蒸馏增强型训练往往需要处理复杂的配置文件，并应对多阶段的教师-学生 实验跟踪。

以下是使用 Python 训练、验证和导出 YOLOv8 的简单示例：

from ultralytics import YOLO

# Load a pre-trained YOLOv8 nano model
model = YOLO("yolov8n.pt")

# Train the model on the COCO8 dataset
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device="cpu")

# Export the trained model to ONNX format
path = model.export(format="onnx")

视觉任务的多功能性

DAMO-YOLO 专为边界框物体检测而构建。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，即可执行 实例分割、图像分类 和 姿态估计，而无需更改底层部署代码库。这种多功能性使得 Ultralytics 模型在复杂应用中更加实用。

实际应用场景

何时使用 YOLOv8

YOLOv8 在速度、精度和易部署性方面的结合，使其成为以下场景的理想选择：

  • 智慧零售分析： 执行 物体追踪 以监控客户行为或自动化库存检查。
  • 农业机器人： 利用其在不同硬件上的强大性能，实时识别农作物或病虫害。
  • 医疗诊断： 使用实例分割快速准确地映射医学图像中的异常情况。
  • 边缘部署： 与 OpenVINO 和 CoreML 等导出格式的无缝集成，使 YOLOv8 能够在受限设备上大放异彩。

何时使用 DAMO-YOLO

DAMO-YOLO 在特定的小众场景中可能是有益的，特别是：

  • 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。
  • 严格的 GPU 限制流程： 应用于完全在特定 NVIDIA 硬件上运行的场景，且 NAS 结构已针对 TensorRT 执行限制进行了深度优化。

用例与建议

选择 YOLOv8 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 YOLOv8

YOLOv8 是以下场景的有力选择：

  • 多任务通用部署： 需要在 Ultralytics 生态系统内使用经过验证的模型进行 检测、分割、分类 和 姿态估计 的项目。
  • 已建立的生产系统： 已经基于 YOLOv8 架构构建且拥有稳定、经过充分测试的部署流水线的现有生产环境。
  • 广泛的社区和生态系统支持： 能从 YOLOv8 丰富的教程、第三方集成和活跃的社区资源中受益的应用。

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。

何时选择 Ultralytics (YOLO26)

对于大多数新项目，Ultralytics YOLO26 提供了性能与开发者体验的最佳结合：

  • 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。

展望未来：更新的 Ultralytics 模型

尽管 YOLOv8 仍然是一款高度可靠的中坚力量，但计算机视觉领域发展迅速。用户也应考虑探索更新一代的模型：

YOLO26： 最新一代的 Ultralytics YOLO26 代表了范式的转变。它引入了原生的 端到端无 NMS 设计，彻底消除了与非极大值抑制后处理相关的延迟瓶颈。得益于全新的 MuSGD 优化器（SGD 和 Muon 的混合体）以及专业的 ProgLoss + STAL 损失函数，YOLO26 实现了非常稳定的训练效果，并大幅提升了小物体识别能力。通过 DFL 移除（移除分布焦点损失以简化导出并提升对边缘/低功耗设备的兼容性），架构上的改进实现了比前几代产品快达 43% 的 CPU 推理速度，使其成为现代边缘计算的最终选择。

YOLO11： 另一个出色的替代方案，Ultralytics YOLO11 在 YOLOv8 的基础上提供了架构上的增量优化，并且仍然是社区中强大且被广泛采用的模型。

优化你的工作流

准备好将模型从原型投入生产了吗？利用 Ultralytics 平台 自动标注数据集、跟踪实验，并将模型无缝部署到云端或边缘设备。

总而言之，虽然 DAMO-YOLO 在架构搜索方面提供了有趣的学术见解，但 Ultralytics 模型提供了更加成熟、多功能且对开发者友好的生态系统。无论你是坚持使用经过验证且稳定的 YOLOv8，还是升级到速度极快且无需 NMS 的 YOLO26 架构，Ultralytics 套件始终是实时视觉 AI 的首选。

Contributors
在 GitHub 上编辑页面 (EN)
GLglenn-jocher12

评论