YOLOv9 vs. DAMO-YOLO：技术比较
选择合适的物体检测模型是一个至关重要的决定，它需要在准确性、推理速度和计算效率之间取得平衡。本页详细比较了两个强大的模型：以架构创新而闻名的 YOLOv9 和以速度著称的 DAMO-YOLO。我们将探讨它们的架构、性能指标和理想用例，以帮助您为 计算机视觉 项目选择最佳模型。
YOLOv9：通过可编程梯度信息进行高级学习
YOLOv9 代表了对象检测领域的重大飞跃，解决了深度神经网络中信息丢失的根本挑战。它与 Ultralytics 生态系统的集成使其不仅功能强大，而且非常易于访问。
作者: Chien-Yao Wang 和 Hong-Yuan Mark Liao
组织: 台湾中研院资讯所
日期: 2024-02-21
Arxiv: https://arxiv.org/abs/2402.13616
GitHub: https://github.com/WongKinYiu/yolov9
文档: https://docs.ultralytics.com/models/yolov9/
架构和主要特性
YOLOv9 引入了两个突破性的概念：可编程梯度信息（PGI）和广义高效层聚合网络（GELAN）。PGI 旨在为损失函数保留完整的输入信息，从而缓解通常会降低深度网络性能的信息瓶颈问题。GELAN 是一种新型、高效的网络架构，可优化参数利用率和计算成本。
当在Ultralytics框架内实施时，YOLOv9的先进架构与一套为开发人员设计的功能相结合：
- 易用性： 凭借简单的 Python API 和 CLI，以及丰富的文档，提供精简的用户体验。
- 完善的生态系统： 受益于积极的开发、强大的社区支持、频繁的更新以及与 Ultralytics HUB 等工具的集成，实现无需代码的训练和部署。
- 训练效率： 提供高效的训练流程，并具有易于获得的预训练权重，并且通常比许多竞争模型需要更低的内存。
- 多功能性： 虽然最初的论文侧重于 目标检测，但该代码仓库暗示具备 实例分割 和全景分割的能力，这与 Ultralytics 模型的多任务性质相一致。
优势
- 最先进的精度： 在 COCO 数据集上实现了领先的 mAP 分数，通常优于类似规模的其他模型。
- 卓越的参数效率： 与许多竞争对手相比，GELAN 架构使 YOLOv9 能够以更少的参数和 FLOPs 提供高精度。
- 信息保持： PGI 有效地解决了信息丢失问题，从而能够更准确地训练更深层、更复杂的模型。
- 稳健且受支持： 集成到 Ultralytics 生态系统中，确保可靠性、持续改进以及对大量资源的访问。
弱点
- 较新的模型： 作为一个最近发布的版本，社区贡献的部署示例的数量可能仍在增长，但 Ultralytics 框架迅速加速了它的采用。
- 大型模型的资源需求： 最大的变体YOLOv9-E虽然精度很高，但需要大量的计算资源来进行训练。
DAMO-YOLO：通过神经架构搜索实现速度和准确性
DAMO-YOLO 是由阿里巴巴集团开发的一种快速而精确的目标检测模型。它利用了几种现代技术，以在速度和性能之间实现出色的平衡，尤其是在 GPU 硬件上。
作者： Xianzhe Xu、Yiqi Jiang、Weihua Chen、Yilun Huang、Yuan Zhang 和 Xiuyu Sun
组织： Alibaba Group
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 的架构是先进技术相结合的成果：
- 神经架构搜索 (NAS)： 采用 NAS 生成高效的主干网络 (TinyNAS)。
- 高效 Neck 设计： 使用高效的 RepGFPN（广义特征金字塔网络）进行特征融合。
- ZeroHead: 一种简化的、计算量小的检测头。
- AlignedOTA: 一种改进的标签分配策略，旨在实现更有效的训练。
- 蒸馏： 使用知识蒸馏来增强较小模型的性能。
优势
- 推理速度快： DAMO-YOLO针对GPU上的快速推理进行了高度优化，使其成为实时推理场景的有力候选者。
- 强大的性能： 提供了具有竞争力的速度-精度权衡，尤其是对于其较小的变体。
- 创新技术： 融入了 NAS 和高级标签分配等现代方法，以突破性能界限。
- 无锚框： 作为一个无锚框检测器，它通过消除调整锚框的需求来简化检测流程。
弱点
- 任务特异性： 主要设计用于目标检测，缺乏 Ultralytics 模型中发现的用于分割、姿势估计或分类等其他任务的内置通用性。
- 生态系统与支持： 作为一个研究驱动型项目，它缺乏 Ultralytics 模型所具有的全面生态系统、广泛的文档和积极的社区支持。 这会使集成和故障排除更具挑战性。
- 更高的参数数量： 与 YOLOv9 相比，DAMO-YOLO 模型通常具有更多的参数和 FLOPs，以实现相似或更低的精度水平。
性能分析：YOLOv9 vs. DAMO-YOLO
在性能对比时，YOLOv9 在精度和参数效率方面都表现出明显的优势。最大的模型 YOLOv9-E 在 COCO 上以 55.6% 的 mAP 树立了新的技术水平基准。在所有模型尺寸中，YOLOv9 始终使用比其 DAMO-YOLO 同类产品更少的参数，并且在许多情况下，使用更少的 FLOPs 来实现更高的精度。
虽然 DAMO-YOLO 模型在 NVIDIA T4 GPU 上表现出非常快的推理速度，但 YOLOv9 仍然具有很强的竞争力，尤其是在考虑到其卓越的精度和效率时。例如，YOLOv9-C 比 DAMO-YOLO-L 稍快，同时精度更高（53.0 vs. 50.8 mAP），并且使用的参数更少（25.3M vs. 42.1M）。
| 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) |
|---|---|---|---|---|---|---|
| YOLOv9t | 640 | 38.3 | - | 2.3 | 2.0 | 7.7 |
| YOLOv9s | 640 | 46.8 | - | 3.54 | 7.1 | 26.4 |
| YOLOv9m | 640 | 51.4 | - | 6.43 | 20.0 | 76.3 |
| YOLOv9c | 640 | 53.0 | - | 7.16 | 25.3 | 102.1 |
| YOLOv9e | 640 | 55.6 | - | 16.77 | 57.3 | 189.0 |
| 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 |
理想用例
YOLOv9
对于精度和效率至关重要的应用，YOLOv9 是理想的选择。它能够以更少的参数提供最先进的结果，使其非常适合：
- 高精度系统： 在自动驾驶、医学图像分析和工业质量控制中的应用。
- 资源受限部署： 较小的 YOLOv9 变体非常适合 边缘 AI 设备，在这些设备中，计算资源有限，但仍需要高性能。
- 多任务解决方案： 可能会扩展到包括分割或其他视觉任务的项目，可以从 Ultralytics 生态系统提供的通用基础中受益。
- 研究与开发： 其创新架构为研究人员探索深度学习的新领域提供了强大的基线。
DAMO-YOLO
DAMO-YOLO 在最大化 GPU 吞吐量是主要目标且应用严格专注于目标检测的场景中表现出色。
- 高吞吐量视频分析： 基于云的服务，可以同时处理大量的视频流。
- 实时GPU应用： 在这些系统中，GPU上的原始推理速度是最关键的指标，并且可以接受在准确性方面进行细微的权衡。
结论：为什么 YOLOv9 是推荐选择
虽然 DAMO-YOLO 是一款强大的目标检测器，具有令人印象深刻的 GPU 速度，但 对于绝大多数开发者和研究人员而言，Ultralytics YOLOv9 都是更优和更实用的选择。
YOLOv9 不仅实现了更高的精度，而且还提高了参数效率。这意味着模型更小、计算成本更低且更易于部署。然而，真正的区别因素是 Ultralytics 生态系统。通过选择 YOLOv9，您可以访问一个维护良好、完全集成的平台，该平台简化了 MLOps 生命周期的每个步骤——从数据注释和训练到部署和监控。顶级性能、易用性、多任务通用性和强大的支持相结合，使 YOLOv9 成为构建高级计算机视觉应用程序的最有效和最可靠的解决方案。
探索其他模型
如果您有兴趣了解 DAMO-YOLO 与其他先进模型的比较，请查看我们文档中的其他对比：
- YOLOv8 vs. DAMO-YOLO
- YOLO11 vs DAMO-YOLO
- RT-DETR vs. DAMO-YOLO
- YOLOX 与 DAMO-YOLO 对比
- YOLOv10 vs. DAMO-YOLO
