Ultralytics YOLO27： 加入候补名单。
Get Started

YOLOv9 与 DAMO-YOLO 对比#

计算机视觉的快速发展催生了许多针对不同部署限制和准确率要求设计的架构。其中两款值得关注的模型是YOLOv9，它以解决深层网络中的信息瓶颈而闻名；以及 DAMO-YOLO，它依靠神经架构搜索 (NAS)和高效特征金字塔。

本指南将从技术角度比较 YOLOv9 和 DAMO-YOLO，重点介绍它们的架构差异、训练方法和理想部署场景。指南还会介绍 Ultralytics 生态系统如何简化从开发到生产的流程，以及为什么新项目现在推荐使用 YOLO26 等更新的模型。

深入剖析架构#

了解驱动各个模型的核心机制，有助于解释它们在不同指标上的表现差异。

YOLOv9：可编程梯度信息#

YOLOv9 旨在直接解决数据在深层神经网络中流动时出现的信息丢失问题。

  • 作者： Chien-Yao Wang、Hong-Yuan Mark Liao
  • 机构：台湾中央研究院信息科学研究所
  • 日期： 2024 年 2 月 21 日
  • 链接：arXiv、GitHub、文档

了解有关 YOLOv9 的更多信息

YOLOv9 引入了可编程梯度信息 (PGI) 和广义高效层聚合网络 (GELAN)。PGI 确保在前向传播过程中保留关键的空间和语义信息，防止用于更新权重的梯度退化。GELAN 则通过最大限度地提高参数效率加以补充，使模型能够以比许多传统 CNN 更少的 FLOPs 实现先进的平均精度均值 (mAP)。

DAMO-YOLO：由 NAS 驱动的高效架构#

DAMO-YOLO 由阿里巴巴集团开发，采用了不同的方法，通过自动化架构搜索，在速度和准确率之间找到高效的平衡。

  • 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 年 11 月 23 日
  • 链接：arXiv、GitHub

进一步了解 DAMO-YOLO

DAMO-YOLO 依赖 MAE-NAS（最大熵神经架构搜索）骨干网络来自动生成高效的网络结构。它采用 RepGFPN（重参数化广义特征金字塔网络）进行稳健的特征融合，并采用 “ZeroHead” 设计来最大限度降低检测头的计算负担。此外，它还通过 AlignedOTA 进行标签分配，并采用知识蒸馏来提升较小模型变体的性能。

NAS 在计算机视觉中的作用

神经架构搜索 (NAS) 可以自动设计人工神经网络。虽然它能生成 DAMO-YOLO 这类高效模型，但会在模型设计中增加一个搜索阶段（DAMO-YOLO 使用无需训练的 MAE-NAS 搜索），而 YOLOv9 则采用人工设计的架构。

性能与指标对比#

选择目标检测模型时，平衡准确率、速度和计算开销至关重要。

模型尺寸
(像素)		mAPval50-95速度
CPU ONNX
(毫秒)		速度
T4 TensorRT10
（ms）		参数
(M)		FLOPs
(B)
YOLOv9t64038.3-2.32.07.7
YOLOv9s64046.8-3.547.226.7
YOLOv9m64051.4-6.4320.176.8
YOLOv9c64053.0-7.1625.5102.8
YOLOv9e64055.6-16.7758.1192.5
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

分析#

  • 准确率与参数量：YOLOv9 通常具有更好的参数与准确率比。例如，YOLOv9c 使用 25.5M 个参数达到 53.0% 的 mAP，而 DAMO-YOLOl 的 mAP 为 50.8%，但需要的参数显著更多（42.1M）。
  • 推理速度：DAMO-YOLO 的架构在 T4 GPU 上使用 TensorRT 时具有竞争力，在中等规模中略快于 YOLOv9。不过，YOLOv9 在大多数规模下参数量更少，有助于降低 GPU 内存用量。
  • 内存需求：包括 YOLOv9 在内的 Ultralytics YOLO 模型在训练和推理期间通常比复杂的 NAS 生成模型或大型 Transformer 架构占用更少内存，因此适合部署在受限的边缘硬件上。

Ultralytics 生态系统的优势#

理论指标固然重要，但实际实施往往决定项目成败。在这方面，Ultralytics Platform和更广泛的 Ultralytics 软件生态系统比 DAMO-YOLO 等独立代码仓库更具明显优势。

易用性与训练效率#

训练自定义 YOLOv9 模型所需的样板代码很少。Ultralytics Python API会处理数据增强、分布式训练和硬件优化等复杂流程。

from ultralytics import YOLO

# 加载预训练的 YOLOv9 模型
model = YOLO("yolov9c.pt")

# 在你的自定义数据集上训练模型
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# 验证模型性能
metrics = model.val()

# 导出模型以用于生产部署
model.export(format="onnx")

相比之下，使用 DAMO-YOLO 往往需要处理专属训练流水线中的固定配置文件和复杂依赖链，学习难度也更高。

跨任务的通用性#

Ultralytics 模型的一大特色是用途广泛。除了标准边界框检测外，Ultralytics 框架还支持实例分割、图像分类、姿态估计和旋转框 (OBB)检测。DAMO-YOLO 则专门针对 2D 目标检测进行了优化，若要适配其他视觉任务，需要进行大量重新开发。

导出到边缘设备

Ultralytics 通过提供单命令模型导出功能，简化了部署流程，可导出为 TensorRT、OpenVINO 和 CoreML 等格式，帮助你针对目标硬件优化性能。

用例与建议#

选择 YOLOv9 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 YOLOv9#

YOLOv9 适用于：

  • 信息瓶颈研究：研究可编程梯度信息 (PGI) 和广义高效层聚合网络 (GELAN) 架构的学术项目。
  • 梯度流优化研究：重点研究如何理解并缓解训练期间深层网络层中的信息损失。
  • 高准确率检测基准测试：需要将 YOLOv9 在 COCO 基准测试中的出色表现作为架构对比参照的场景。

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 能提供性能与开发者体验的最佳组合：

  • 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；YOLO26 的 CPU 推理速度最高可提升 43%（YOLO26n 对比 YOLO11n），具有决定性优势。
  • 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。

未来方向：迈向 YOLO26#

YOLOv9 和 DAMO-YOLO 都是重要的里程碑，但现代计算机视觉已转向原生端到端架构。对于新项目，推荐使用 YOLO26。

YOLO26 于 2026 年 1 月发布，在前代模型的基础上进一步提升了准确率并简化了部署。

YOLO26 的关键创新#

  • 端到端、无需 NMS 的设计：YOLO26 的可选一对一检测头（nms=False）彻底免除了非极大值抑制（NMS）后处理。这打造了精简且原生端到端的部署流程；这一方案由 YOLOv10 引入 YOLO 模型。
  • 移除 DFL： 移除分布焦点损失 (DFL)，简化导出流程，并提升对边缘设备和低功耗设备的兼容性。
  • CPU 推理速度最高提升 43%：移除 DFL 和 NMS 后，YOLO26n 在 CPU 上的运行速度比 YOLO11n 最多快 43%，适用于没有专用 GPU 的边缘计算场景。
  • MuSGD 优化器：YOLO26 从大语言模型训练创新中汲取灵感，采用 SGD 和 Muon 的混合方法 (MuSGD)，让训练更加稳定、收敛更快。
  • ProgLoss + STAL：渐进损失与小目标感知标签分配 (STAL) 能提升小目标检测能力，使 YOLO26 非常适合高空航空图像和物联网设备。

如果你正在为下一个项目研究 YOLO11 或 YOLOv8，不妨改用目前推荐的 Ultralytics 模型 YOLO26。

总结#

选择合适的模型取决于你的具体运行限制：

  • DAMO-YOLO 为 NAS 驱动的优化提供了有价值的见解；在 RepGFPN 架构表现出色的特定硬件配置上，它能实现有竞争力的速度。
  • 对于注重保留细粒度视觉细节的研究人员，YOLOv9 是一个绝佳选择；其 PGI 架构有助于防止深层网络中的信息丢失。
  • 对于新的企业和研究应用，推荐使用 Ultralytics YOLO26。它易于使用，采用无 NMS 架构和 MuSGD 训练优化，可靠、准确且易于部署。
贡献者
GLglenn-jocher21PDpderrenger1

评论