Ultralytics YOLO27：

YOLOX 与 DAMO-YOLO#

实时目标检测的发展经历了众多范式转变，从基于锚框到无锚框架构，从手动设计骨干网络到自动化神经架构搜索（NAS）。在这篇全面的技术对比中，我们将分析这一发展历程中的两个重要里程碑：YOLOX 和 DAMO-YOLO。我们将探讨它们的架构创新、训练方法和性能权衡，同时重点介绍现代 Ultralytics YOLO26 如何为现代开发者提供无与伦比的替代方案。

YOLOX：开创无锚框范式#

YOLOX 于 2021 年 7 月 18 日由 Zheng Ge、Songtao Liu、Feng Wang、Zeming Li 和 Jian Sun 在 Megvii 发布。它成功将无锚框设计引入 YOLO 系列，成为一个关键转折点。正如其详细的 ArXiv 技术报告所述，YOLOX 旨在弥合学术研究与工业部署之间的差距。

关键架构创新#

YOLOX 引入了多项核心结构变化，大幅改进了前代模型：

  • 无锚框机制： YOLOX 直接预测目标中心及其边界框尺寸，减少了设计启发式规则的数量，并简化了复杂的锚框聚类过程。这使其能够高度适应各种计算机视觉场景。
  • 解耦检测头： 传统 YOLO 模型使用一个同时负责分类和回归的耦合检测头。YOLOX 采用解耦检测头，分别处理分类和定位，从而更快收敛并提升精度。
  • SimOTA 标签分配： 采用简化版的最优传输分配（OTA）动态分配正样本，从而缩短训练时间并解决中心点分配中的歧义问题。
YOLOX 的影响

YOLOX 的解耦检测头设计深刻影响了后续几代目标检测器，成为许多现代模型的标准特性。

了解有关 YOLOX 的更多信息

DAMO-YOLO：大规模自动化架构搜索#

DAMO-YOLO 由 Xianzhe Xu 及其在 Alibaba Group 的研究团队开发，于 2022 年 11 月 23 日发布。正如其 ArXiv 论文中所述，该模型大量利用神经架构搜索（NAS），推动速度与精度之间的 Pareto 前沿。

关键架构创新#

DAMO-YOLO 的策略建立在高效结构自动化设计之上：

  • MAE-NAS 主干网络：通过最大熵引导搜索，DAMO-YOLO 发现了针对特定延迟预算定制的高效主干网络，特别是在导出到诸如 TensorRT 这样的框架时。
  • 高效 RepGFPN： 这是一种重型颈部结构，可显著增强不同空间分辨率之间的特征融合，对于航空影像分析和检测不同尺度的目标非常有益。
  • ZeroHead： 一种简化的预测头，在不牺牲模型整体平均精度均值（mAP）的情况下，削减计算冗余。
  • AlignedOTA 与蒸馏： 结合先进的标签分配和教师-学生知识蒸馏，最大限度地发挥更小型学生模型的性能。

了解有关 DAMO-YOLO 的更多信息

性能与指标对比#

比较这两个模型时，我们必须关注它们的参数量、所需 FLOPs 和延迟特征。下面是 YOLOX 与 DAMO-YOLO 在多个规模下的基准数据对比。

模型尺寸
（像素）		mAPval
50-95		速度
CPU ONNX
（毫秒）		速度
T4 TensorRT10
（毫秒）		参数量
（M）		FLOPs
（B）
YOLOXnano41625.8--0.911.08
YOLOXtiny41632.8--5.066.45
YOLOXs64040.5-2.569.026.8
YOLOXm64046.9-5.4325.373.8
YOLOXl64049.7-9.0454.2155.6
YOLOXx64051.1-16.199.1281.9
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

虽然两个模型都取得了令人印象深刻的结果，但也存在一些限制。YOLOX 需要仔细调优其解耦检测头，而 DAMO-YOLO 高度依赖蒸馏，因此在自定义数据集上重新训练需要大量资源，并且需要海量的 GPU 显存。

使用场景与建议#

在 YOLOX 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 YOLOX#

YOLOX 适合以下场景：

  • 无锚框检测研究： 使用 YOLOX 简洁的无锚框架构作为基线，试验新的检测头或损失函数的学术研究。
  • 超轻量级边缘设备： 部署到微控制器或传统移动硬件上时，YOLOX-Nano 变体极小的体积（0.91M 个参数）至关重要。
  • SimOTA 标签分配研究： 研究基于最优传输的标签分配策略及其对训练收敛影响的项目。

何时选择 DAMO-YOLO#

以下场景推荐使用 DAMO-YOLO：

  • 高吞吐量视频分析： 在固定的 NVIDIA GPU 基础设施上处理高 FPS 视频流，其中批量大小为 1 时的吞吐量是首要指标。
  • 工业制造产线： 在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 在性能和开发者体验之间提供了最佳组合：

  • 无 NMS 边缘部署： 适用于需要稳定、低延迟推理，同时又不希望引入非极大值抑制后处理复杂性的应用。
  • 仅使用 CPU 的环境： 适用于没有专用 GPU 加速的设备，此时 YOLO26 最高提升 43% 的 CPU 推理速度将带来决定性优势。
  • 小目标检测： 适用于航空无人机影像或 IoT 传感器分析等具有挑战性的场景，在这些场景中，ProgLoss 和 STAL 能显著提升微小目标的准确率。

Ultralytics 的优势：推出 YOLO26#

虽然 YOLOX 和 DAMO-YOLO 代表了重要的历史里程碑，但现代开发者需要一种将业界领先的精度与无与伦比的易用性相结合的解决方案。这正是 Ultralytics YOLO26 改变现状的地方。YOLO26 于 2026 年 1 月发布，在 无 NMS 模型的基础上进一步发展，实现速度、精度和开发者体验之间的终极平衡。

为什么选择 YOLO26？#

集成式 Ultralytics 生态系统通过提供以下功能，胜过碎片化的学术代码仓库：

  • 端到端无 NMS 设计： YOLO26 在推理过程中原生消除非极大值抑制（NMS）。这带来了极快且可预测的延迟，对于边缘部署和自动驾驶车辆至关重要。
  • 移除 DFL： 通过移除分布焦点损失，YOLO26 简化了向边缘设备的导出流程，大幅降低了轻量级应用的内存需求。
  • MuSGD 优化器： YOLO26 借鉴 LLM 训练创新，采用 SGD 与 Muon 相结合的混合优化器，确保极其稳定的训练和超快收敛。
  • CPU 推理速度最高提升 43%： 得益于深度结构优化，YOLO26 无需昂贵的 GPU 硬件即可在 CPU 上实现极高的运行速度。
  • 高级损失函数： ProgLoss + STAL 的集成大幅提升了小目标识别能力，使其非常适合无人机巡检和 IoT 监控等任务。
  • 多功能性： 与严格限定为检测器的 DAMO-YOLO 不同，YOLO26 在统一框架中原生支持实例分割、姿态估计、图像分类和有向边界框（OBB）任务。
立即开始构建

借助 Ultralytics Python API，你无需手动配置复杂的蒸馏流水线，也无需编写数百行 C++ 代码来部署模型。

from ultralytics import YOLO

# Load the cutting-edge YOLO26 nano model
model = YOLO("yolo26n.pt")

# Train the model effortlessly on a custom dataset
train_results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Run ultra-fast, NMS-free inference
results = model("https://ultralytics.com/images/bus.jpg")

# Export to ONNX or OpenVINO with a single command
model.export(format="openvino")

其他值得考虑的模型#

计算机视觉生态系统十分庞大。根据你的具体限制条件，你还可以探索 Ultralytics 生态系统全面支持的其他架构：

  • YOLO11： YOLO26 功能强大的前代模型，以其在零售分析和制造业质量控制中的稳健性而闻名。
  • YOLOv8： 一款传奇且高度稳定的无锚框模型，推动了边缘部署的广泛普及。
  • RT-DETR： 由 Baidu 开发的实时检测 Transformer，为高度受益于全局注意力机制的任务提供了出色的替代方案，但训练时需要更高的内存。

结论#

YOLOX 和 DAMO-YOLO 都为深度学习的发展贡献了重要理念——YOLOX 验证了解耦、无锚框方法，而 DAMO-YOLO 展示了自动化架构搜索的强大能力。然而，在实际生产环境中，它们原始研究代码库的复杂性可能会拖慢敏捷团队的开发速度。

借助全面的 Ultralytics Platform，开发者可以绕过这些障碍。凭借 YOLO26 的端到端设计、更快的 CPU 速度以及丰富的文档，实现业界领先的视觉 AI 比以往任何时候都更加容易。无论你是在构建智慧城市基础设施、医疗诊断系统还是先进机器人，Ultralytics 都能为你提供从原始数据到可靠实际部署的最高效路径。

贡献者
GLglenn-jocher16PDpderrenger2

评论