はじめる

DAMO-YOLOとEfficientDetの比較

コンピュータービジョンの研究では、さまざまな実環境のニーズに合わせた多くのアーキテクチャが生み出されてきました。スケーラビリティを重視するフレームワークもあれば、リアルタイム推論の速度を重視するものもあります。この比較では、物体検出に異なるアプローチを取る影響力のある2つのモデル、DAMO-YOLOとEfficientDetを取り上げます。アーキテクチャを検証し、ベンチマーク性能を比較するとともに、Ultralytics YOLO26が最新の本番デプロイに適している理由を説明します。

アーキテクチャの概要#

どちらのモデルも効率と精度のトレードオフに対処するために設計されていますが、目標を達成する仕組みは根本的に異なります。

リアルタイム検出の限界を押し広げるために開発されたDAMO-YOLOは、自動検索技術を活用して、低レイテンシ環境に適した高効率なネットワークを構築します。

DAMO-YOLOの詳細:

DAMO-YOLOは、速度と精度の両方を最適化するNeural Architecture Search(NAS)バックボーンを中心に構築されています。RepGFPN(再パラメーター化汎用特徴ピラミッドネットワーク)を導入し、高い推論速度を維持しながら特徴融合を強化します。さらに、ZeroHead設計によって、検出ヘッドに通常伴う計算オーバーヘッドを最小限に抑えます。また、AlignedOTA(Aligned Optimal Transport Assignment)によるラベル割り当てと知識蒸留を使用するため、最小のバリアントでも大型モデルから豊かな表現を学習できます。

DAMO-YOLOの詳細を見る

EfficientDet:複合スケーリングによるスケーラビリティ#

速度を最優先するアプローチとは対照的に、EfficientDetはさまざまな計算予算に応じた体系的なスケーラビリティに重点を置いています。

EfficientDetの詳細:

EfficientDetはBiFPN(双方向特徴ピラミッドネットワーク)を導入し、高速なマルチスケール特徴融合を可能にします。レイヤーやチャネルを任意に追加してアーキテクチャを拡大する従来の手法とは異なり、EfficientDetは複合スケーリング手法を用いて、バックボーン、特徴ネットワーク、ボックス/クラス予測ネットワークの解像度、深さ、幅を同時に均等に拡大します。その結果、リリース当時のハイエンドハードウェアで最先端の精度を達成しつつ、制約のある環境向けに小型バリアントも提供できました。

EfficientDetの詳細はこちら

パフォーマンスと指標の比較#

両者を並べて比較すると、精度と推論速度のトレードオフが明確になります。以下の表では主要な性能指標を示し、DAMO-YOLOの推論性能をEfficientDetのモデルファミリーと比較しています。

モデルサイズ
(ピクセル)
mAPval50-95速度
CPU ONNX
(ms)
速度
T4 TensorRT10
(ms)
パラメーター
(M)
FLOPs
(B)
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
EfficientDet-d051234.6-3.923.92.54
EfficientDet-d164040.5-7.316.66.1
EfficientDet-d276843.0-10.928.111.0
EfficientDet-d389647.5-19.5912.024.9
EfficientDet-d4102449.7-33.5520.755.2
EfficientDet-d5128051.5-67.8633.7130.0
EfficientDet-d6128052.6-89.2951.9226.0
EfficientDet-d7153653.7-128.0751.9325.0

EfficientDet-d7は全体で最高の精度を達成し、高い性能が求められるクラウドベースのアプリケーションに適しています。DAMO-YOLOシリーズはGPUハードウェアで大幅に低いレイテンシを実現しながら競争力のある精度を提供するため、リアルタイムのエッジデプロイにより適しています。

ユースケースと推奨事項#

DAMO-YOLOとEfficientDetのどちらを選ぶかは、プロジェクト固有の要件、デプロイ上の制約、エコシステムに関する好みによって異なります。

DAMO-YOLOを選ぶケース#

DAMO-YOLOが適しているケース:

  • 高スループットの動画分析: バッチサイズ1でのスループットが主要な指標となる、固定のNVIDIA GPUインフラストラクチャ上で高FPSの動画ストリームを処理する用途。
  • 産業用製造ライン: 組み立てラインでのリアルタイム品質検査など、専用ハードウェア上でGPUレイテンシに厳しい制約があるシナリオ。
  • ニューラルアーキテクチャ探索の研究: 自動アーキテクチャ探索 (MAE-NAS) と、効率的に再パラメーター化されたバックボーンが検出性能に与える影響を研究する用途。

EfficientDetを選ぶタイミング#

EfficientDetは次のような用途に推奨されます。

  • Google CloudとTPUパイプライン: EfficientDetのリファレンス実装がTPUでの学習をサポートする、Google Cloud TPUインフラストラクチャ上のTensorFlowベースシステム。
  • 複合スケーリングの研究: ネットワークの深さ、幅、解像度をバランスよくスケーリングする効果の研究に焦点を当てた学術的なベンチマーク。
  • LiteRTによるモバイルデプロイ: Androidまたは組み込みLinuxデバイス向けに、LiteRT(旧称TensorFlow Lite)形式へのエクスポートが特に必要なプロジェクト。

Ultralytics (YOLO26)を選ぶ場合#

多くの新規プロジェクトにおいて、Ultralytics YOLO26はパフォーマンスと開発者体験を最適なバランスで提供します。

  • NMSフリーのエッジデプロイ: Non-Maximum Suppression(NMS)の後処理を複雑にすることなく、安定した低レイテンシ推論を必要とするアプリケーション。
  • CPUのみの環境: 専用GPUアクセラレーションを備えていないデバイスでは、YOLO26nのCPU推論がYOLO11nより最大43%高速であることが明確な利点になります。
  • 小物体検出: ドローンによる航空画像やIoTセンサーの分析など、ProgLossとSTALによって小さな物体の精度が大幅に向上する難しいシナリオ。

最新の代替モデル: Ultralytics YOLO26#

DAMO-YOLOとEfficientDetは学術的に重要なマイルストーンですが、実環境へのデプロイでは、多くの場合、よりバランスが取れ、機能が豊富で、開発者に使いやすいアプローチが求められます。Ultralytics YOLO26は、まさにそのために設計されています。

2026年1月にリリースされたYOLO26は、Ultralytics YOLO11やYOLOv8など、これまでのモデルを基盤とし、物体検出モデルのトレーニングとデプロイを簡素化します。

エンドツーエンドのシンプルさ

YOLO26はネイティブのエンドツーエンドNMS不要設計(nms=False)を採用しています。物体検出器のデプロイに長らく存在していたボトルネックである後処理のNon-Maximum Suppression(NMS)を取り除くことで、特にエッジハードウェアで、よりシンプルで高速なデプロイパイプラインを実現します。

性能と汎用性#

YOLO26は、速度だけでなくトレーニングの安定性と精度も向上させます。LLMのトレーニングに着想を得たSGDとMuonのハイブリッドであるMuSGDオプティマイザーを導入し、収束の高速化とトレーニング効率の向上を実現します。RT-DETRなどのより重いTransformerベースの代替モデルとは異なり、YOLO26はメモリー要件が低いため、一般向けハードウェアでもトレーニングできます。

YOLO26には、小物体認識を向上させるProgLoss + STALも組み込まれており、ドローン航空画像やロボティクスなどのユースケースに役立ちます。低消費電力デバイス向けに最適化するため、YOLO26ではDistribution Focal Loss(DFL)を削除し、YOLO26nはYOLO11nと比較してCPU推論が最大43%高速化しています。

エコシステムと使いやすさ#

EfficientDetなどのモデルを利用する際の大きな課題の1つは、複雑な統合作業です。一方、Ultralytics Platformは、整備の行き届いたエンドツーエンドのエコシステムを提供します。統合APIにより、ユーザーは検出、インスタンスセグメンテーション、画像分類、姿勢推定、回転バウンディングボックス(OBB)を簡単に切り替えられます。

YOLO26のトレーニングと推論の実行は、Ultralytics Pythonパッケージを使えば数行のコードで行えます。

from ultralytics import YOLO

# YOLO26 nanoモデルを読み込みます
model = YOLO("yolo26n.pt")

# メモリ使用量を最小限に抑えながら、カスタムデータセットでモデルを学習します
results = model.train(data="coco8.yaml", epochs=50, imgsz=640)

# 超高速のNMSフリー推論を実行します
predictions = model.predict("https://ultralytics.com/images/bus.jpg", nms=False)

結論#

DAMO-YOLOとEfficientDetを比較すると、Neural Architecture Searchと複合スケーリングのトレードオフが明らかになりますが、本番環境での作業には、学術研究とデプロイの隔たりを埋めるツールも必要です。

使いやすさ、活発なオープンソースコミュニティ、速度と精度の優れたバランスを重視する開発者には、Ultralytics YOLO26をおすすめします。NMS不要のアーキテクチャ、低いトレーニングオーバーヘッド、Ultralyticsエコシステムとの統合により、次のコンピュータービジョンプロジェクトの実用的な基盤となります。

コントリビューター

コメント2

質問したり、結果を共有したり、ほかの人をサポートしたりできます。

  1. UltralyticsAssistantGitHubUltralytics

    👋 Hello, thank you for starting this discussion and for your interest in Ultralytics 🚀! For more details on model comparisons and best practices, we recommend checking out the Docs where you’ll find further insights on different architectures, metrics, and use cases.

    If this is a 🐛 Bug Report, please provide a minimum reproducible example to help us investigate.

    If you have a custom training ❓ Question, please include all relevant information such as dataset examples, training logs, and verify you are following our Tips for Best Training Results.

    Join our vibrant community! For real-time chat, visit Discord 🎧. For more in-depth discussions, check out Discourse, or join our Subreddit to connect with fellow users.

    Upgrade

    Please upgrade to the latest ultralytics package and all requirements in a Python>=3.8 environment with PyTorch>=1.8 to ensure you’re using the most up-to-date features:

    pip install -U ultralytics

    Environments

    YOLO runs in the following up-to-date verified environments (all dependencies including CUDA/CUDNN, Python, and PyTorch preinstalled):

    Status

    Ultralytics CI

    If this badge is green, all Ultralytics CI tests are currently passing. CI tests verify correct operation of all YOLO Modes and Tasks on macOS, Windows, and Ubuntu every 24 hours and on every commit.

    This is an automated response to help guide you. An Ultralytics engineer will also review your discussion and assist you soon! 😊

    1. Glenn JocherUltralytics(編集済み)

      Welcome to the discussion about DAMO-YOLO vs. EfficientDet! This is a great place to ask questions or share your experiences with either model.

      The comparison highlights how DAMO-YOLO generally achieves higher mAP with faster TensorRT speeds, while EfficientDet offers strong CPU performance and parameter efficiency. For most users seeking a balance of performance, ease of use and versatility, Ultralytics models like YOLO26 provide significant advantages with our well-maintained ecosystem.

      If you have specific questions about implementation details, performance in certain scenarios, or need guidance choosing between these architectures for your specific use case, please drop them here. The Ultralytics team regularly monitors these discussions and is happy to provide insights.