DAMO-YOLOとEfficientDetの比較#
コンピュータビジョンの進化に伴い、多様な実環境のニーズに合わせた強力なアーキテクチャが数多く登場しています。大規模なスケーラビリティを重視するフレームワークもあれば、リアルタイム推論速度を重視するものもあります。この技術比較では、物体検出の課題に対する異なるアプローチを示す、影響力の大きい2つのモデルであるDAMO-YOLOとEfficientDetを取り上げます。それぞれのアーキテクチャを分析し、ベンチマーク性能を比較したうえで、新たにリリースされたUltralytics YOLO26が最新の本番環境へのデプロイに最適な選択肢である理由を解説します。
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。
DAMO-YOLO：ニューラルアーキテクチャサーチによる高速化#
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：
- 著者: Xianzhe Xu、Yiqi Jiang、Weihua Chen、Yilun Huang、Yuan Zhang、Xiuyu Sun
- 組織: Alibaba Group
- 日付: 2022-11-23
- Arxiv: https://arxiv.org/abs/2211.15444v2
- GitHub: https://github.com/tinyvision/DAMO-YOLO
DAMO-YOLOは、速度と精度の両方を最適化するニューラルアーキテクチャサーチ（NAS）バックボーンを中心に構築されています。RepGFPN（再パラメーター化された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設計により、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（アラインド最適輸送割り当て）と蒸留による強化の恩恵も受けており、最小のバリアントでも大規模なモデルから豊かな表現を学習できます。
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：
- 著者: Mingxing Tan、Ruoming Pang、Quoc V. Le
- 組織： Google Brain
- 日付: 2019-11-20
- Arxiv: https://arxiv.org/abs/1911.09070
- GitHub: https://github.com/google/automl/tree/master/efficientdet
EfficientDetはBiFPN（双方向特徴ピラミッドネットワーク）を導入し、マルチスケールの特徴を簡単かつ高速に融合できます。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張する従来の手法とは異なり、EfficientDetでは複合スケーリング手法を採用し、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、幅を同時に均一にスケーリングします。これにより、ハイエンドハードウェアで最先端の精度を達成しながら、リソースが限られた環境向けの小型バリアントも提供できます。
パフォーマンスと指標の比較#
これらのモデルを並べて比較すると、純粋な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パフォーマンス指標を示し、DAMO-YOLOの推論性能とEfficientDetモデルファミリーを比較しています。
| モデル | サイズ (ピクセル) | mAPval 50-95 | 速度 CPU ONNX (ms) | 速度 T4 TensorRT10 (ms) | パラメーター (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| 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 |
| EfficientDet-d0 | 640 | 34.6 | 10.2 | 3.92 | 3.9 | 2.54 |
| EfficientDet-d1 | 640 | 40.5 | 13.5 | 7.31 | 6.6 | 6.1 |
| EfficientDet-d2 | 640 | 43.0 | 17.7 | 10.92 | 8.1 | 11.0 |
| EfficientDet-d3 | 640 | 47.5 | 28.0 | 19.59 | 12.0 | 24.9 |
| EfficientDet-d4 | 640 | 49.7 | 42.8 | 33.55 | 20.7 | 55.2 |
| EfficientDet-d5 | 640 | 51.5 | 72.5 | 67.86 | 33.7 | 130.0 |
| EfficientDet-d6 | 640 | 52.6 | 92.8 | 89.29 | 51.9 | 226.0 |
| EfficientDet-d7 | 640 | 53.7 | 122.0 | 128.07 | 51.9 | 325.0 |
上記のとおり、EfficientDet-d7は全体で最も高い精度を達成しており、厳しい要件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。一方、DAMO-YOLOシリーズはGPUハードウェア上でレイテンシを大幅に抑えながら非常に競争力の高い精度を実現するため、リアルタイムのエッジデプロイにより適した候補です。
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がネイティブに最適化されている、Google Cloud Vision APIやTPUインフラと緊密に統合されたシステム。
- 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を使用しないエッジデプロイ: 非最大抑制の後処理を複雑化させずに、安定した低レイテンシー推論を必要とするアプリケーション。
- CPUのみの環境: 専用のGPUアクセラレーションを備えていないデバイスで、YOLO26の最大43%高速なCPU推論が大きな優位性を発揮します。
- 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はどちらも学術面で重要な成果ですが、実環境へのデプロイでは、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必要になることがよくあります。こうしたニーズに応えるUltralytics YOLO26は、業界の新たな標準を確立します。
2026年1月にリリースされたYOLO26は、Ultralytics YOLO11やYOLOv8を含む先行モデルの実績を基盤とし、物体検出へのアプローチにパラダイムシフトをもたらします。
YOLO26は、ネイティブのエンドツーエンドNMSフリー設計（nms=False）を採用しています。後処理時に非極大抑制（NMS）を行わないことで、長年にわたり物体検出器のボトルネックとなっていた処理を排除し、特にエッジハードウェアで、よりシンプルで大幅に高速なデプロイパイプラインを実現します。
卓越したパフォーマンスと汎用性#
YOLO26は速度を向上させるだけでなく、学習の安定性と精度を再定義します。LLMの学習におけるイノベーションに着想を得た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、収束速度を大幅に高め、学習効率を向上させます。RT-DETRのような大規模なTransformerベースの代替モデルとは異なり、YOLO26はメモリ要件を非常に低く抑えているため、一般向けハードウェアでも学習できます。
さらにYOLO26はProgLoss + STALを取り入れ、小物体の認識性能を大幅に向上させています。これはドローン空撮画像やロボティクスなどのユースケースで重要です。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、前世代と比べてCPU推論を最大43%高速化しています。
エコシステムと使いやすさ#
EfficientDetのようなモデルにおける大きな課題の一つは、複雑な統合作業です。それに対して、Ultralytics Platformは、十分に保守されたエンドツーエンドのエコシステムを提供します。統一されたAPIを使用することで、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。
Ultralytics Pythonパッケージを使ったYOLO26の学習と推論の実行方法は次のとおりです。
from ultralytics import YOLO
# 最先端の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の比較から、ニューラルアーキテクチャサーチと複合スケーリングのトレードオフについて優れた知見が得られます。一方、現代の開発者には、学術研究と実運用の現実との隔たりを埋めるツールが求められています。
使いやすさ、活発なオープンソースコミュニティ、速度と精度の妥協のないバランスを重視する開発者にとって、Ultralytics YOLO26が最適な選択肢です。NMSフリーのアーキテクチャ、低い学習オーバーヘッド、包括的なUltralyticsエコシステムとのシームレスな統合により、次のコンピュータービジョンプロジェクトに最適なフレームワークとなります。