DAMO-YOLOとPP-YOLOE+の比較#
競争の激しいリアルタイムコンピュータビジョンの分野では、デプロイ要件に最適なアーキテクチャを選ぶことが重要です。このガイドでは、DAMO-YOLOとPP-YOLOE+のアーキテクチャ設計、トレーニング手法、パフォーマンス指標を詳しく掘り下げ、包括的に技術比較します。また、新たにリリースされたUltralytics YOLO26などの最先端ソリューションと、これらのモデルを比較します。
モデルの概要#
どちらのフレームワークも、精度と推論速度の限界を押し広げる高度な手法を活用し、産業用途向けの有力な選択肢として2022年に登場しました。
DAMO-YOLO#
Alibaba Groupが開発したDAMO-YOLOは、レイテンシと精度のトレードオフを最適化する複数の新しい手法を導入し、自動探索技術と高度な特徴融合を積極的に活用しています。
- 著者: Xianzhe Xu、Yiqi Jiang、Weihua Chen、Yilun Huang、Yuan Zhang、Xiuyu Sun
- 組織： Alibaba Group
- 日付: 2022-11-23
- Arxiv: DAMO-YOLO: リアルタイム物体検出設計に関するレポート
- GitHub：tinyvision/DAMO-YOLO
- ドキュメント: DAMO-YOLO README
DAMO-YOLOは最大エントロピーに基づくニューラルアーキテクチャ探索（MAE-NAS）を用いて、ハードウェア効率に最適化されたバックボーンを自動設計します。また、ネック部分の特徴融合に効率的な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）を採用し、軽量な「ZeroHead」設計も備えています。さらに、トレーニング中に蒸留手法を積極的に活用し、学生モデルの表現力を高めています。
PP-YOLOE+#
BaiduのPaddlePaddleチームが開発したPP-YOLOE+は、PP-YOLOEアーキテクチャを段階的に改良したモデルです。大規模な事前学習と洗練された損失関数に重点を置き、特に独自の深層学習フレームワーク内で高いmAPを実現します。
- 著者: PaddlePaddle Authors
- 組織： Baidu
- 日付: 2022-04-02
- Arxiv: PP-YOLOE: YOLOの進化版
- GitHub: PaddlePaddle/PaddleDetection
- ドキュメント: PP-YOLOE+の設定
PP-YOLOE+は、CSPRepResNetバックボーンとET-head（効率的なタスク整合型ヘッド）を採用しています。「plus」バージョンでは、Objects365データセットを用いた強力な事前学習戦略を導入し、多様な実環境に対する汎化性能を大幅に高めています。
アーキテクチャの比較#
この2つのモデルの設計思想の違いは、最適なユースケースとハードウェア互換性に大きく影響します。
特徴融合とバックボーン#
DAMO-YOLOのMAE-NASで生成されたバックボーンはエッジデバイスに高度に特化しており、多くの場合、速度とパラメーター数の比率に優れています。ただし、これらのカスタムアーキテクチャは柔軟性に欠ける場合があり、インスタンスセグメンテーションなどの新しいタスクへの適応が複雑になることがあります。RepGFPNのネックはマルチスケールの特徴融合を改善しますが、再パラメーター化を伴うエクスポート工程が複雑になります。
PP-YOLOE+は、従来型ながら非常に効果的なCSPRepResNetを採用しています。同等の精度を得る場合、DAMO-YOLOより多くのパラメーターを必要としますが、トレーニングの安定性が高く、既存のパイプラインにも容易に統合できます。ET-headは分類と回帰を効率的に処理しますが、Non-Maximum Suppression（NMS）などの後処理が依然として必要です。
DAMO-YOLOとPP-YOLOE+はどちらも、バウンディングボックスの後処理にNMSを必要とします。推論レイテンシが重要な場合は、オプションのワンツーワンヘッド（nms=False）によるネイティブなエンドツーエンドNMSフリーデザインを備えたUltralytics YOLO26をご検討ください。この画期的なアプローチはNMSの後処理を不要にし、より高速でシンプルなデプロイパイプラインを実現します。
パフォーマンスと指標の分析#
これらのモデルを本番環境向けに評価する際は、精度（mAP）、推論速度、パラメーター数のバランスが重要です。以下に、主なバリエーションを直接比較します。
| 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 |
| PP-YOLOE+t | 640 | 39.9 | - | 2.84 | 4.85 | 19.15 |
| PP-YOLOE+s | 640 | 43.7 | - | 2.62 | 7.93 | 17.36 |
| PP-YOLOE+m | 640 | 49.8 | - | 5.56 | 23.43 | 49.91 |
| PP-YOLOE+l | 640 | 52.9 | - | 8.36 | 52.2 | 110.07 |
| PP-YOLOE+x | 640 | 54.7 | - | 14.3 | 98.42 | 206.59 |
表に示すように、DAMO-YOLOはtiny（t）およびsmall（s）スケールでより高い精度を実現し、DAMO-YOLOtはNASで最適化されたバックボーンにより、ここに示すモデルの中でT4 TensorRTのレイテンシが最も低くなっています。一方、PP-YOLOE+はmedium（m）およびlarge（l）クラスで非常に優れたスケーラビリティを示し、T4 TensorRTの速度がわずかに低下する代わりに、より高いmAPを達成します。
メモリ要件とトレーニング効率#
DAMO-YOLOは蒸留に依存しているため、小型の学生モデルをトレーニングする前に、より大きな教師モデルをトレーニングする必要があることがよくあります。そのため、CUDAメモリ要件と全体的な計算リソースが大幅に増加します。PP-YOLOE+は標準的な単段階トレーニングでこの課題を簡素化しますが、PaddlePaddleフレームワークへの依存度が高く、PyTorchに慣れたチームでは柔軟性が制限される可能性があります。
対照的に、最新のUltralytics YOLO26モデルはこうしたボトルネックを解消します。LLMトレーニングの革新に着想を得たSGDとMuonのハイブリッドである、新しいMuSGDオプティマイザーを活用することで、YOLO26は複雑な蒸留パイプラインを必要とせず、より高速な収束と非常に安定したトレーニングを実現します。さらに、YOLOモデルは一般に、RT-DETRなどのTransformerベースの検出器と比べ、トレーニング時に必要なCUDAメモリが大幅に少なくなります。
実環境での用途と適したユースケース#
DAMO-YOLOの用途#
DAMO-YOLOは、レイテンシが最大のボトルネックとなる高スループットのエッジ推論に最適です。エンジニアリングチームに複雑な蒸留や再パラメーター化のプロセスを管理する余力があれば、小型モデルは交通管理システムや基本的なドローン監視などの環境で優れた性能を発揮します。
PP-YOLOE+を使用する場面#
Baiduのエコシステムをすでに幅広く利用している場合や、大規模なサーバーデプロイを運用している場合は、PP-YOLOE+が優れた選択肢です。高いmAPを誇るため、複雑な医用画像解析や高密度な製造業の欠陥検出に適しています。
Ultralyticsの強み#
DAMO-YOLOとPP-YOLOE+はどちらも特定の用途で利点を発揮しますが、最大限の汎用性、速度、使いやすさを求める開発者には、Ultralytics Platformが一貫して選ばれています。
コンピュータビジョンのパイプラインをアップグレードする際、Ultralytics YOLO26は比類のない開発者体験を提供します。
- CPU推論が最大43%高速: Distribution Focal Loss（DFL）を完全に削除したことで、YOLO26はエッジCPUや低消費電力のIoTデバイスで非常に高速に動作します。
- 小物体検出の改善: ProgLossとSTAL損失関数を統合することで、小さな物体の認識が大幅に改善されます。これは航空画像で特に重要です。
- 幅広い汎用性: 検出に特化したPP-YOLOE+とは異なり、YOLO26はタスクに応じたアーキテクチャの改善により、姿勢推定、Oriented Bounding Boxes（OBB）、セマンティックセグメンテーションをシームレスに処理します。
結論#
DAMO-YOLOとPP-YOLOE+は、アンカーフリー物体検出の進化における重要な節目となるモデルです。DAMO-YOLOはエッジでのレイテンシを抑えるためのニューラルアーキテクチャ探索の限界を押し広げ、PP-YOLOE+は大規模な事前学習の有効性を示しました。
しかし、速度、精度、デプロイの簡便さを最適なバランスで実現したい開発者には、Ultralytics YOLO26モデルが最適です。NMSフリーのアーキテクチャ、堅牢なPython API、Weights & BiasesやTensorRTなどのツールとのシームレスな統合により、プロジェクトをプロトタイプから本番環境へ円滑に移行できます。
さっそく始めませんか。Ultralyticsクイックスタートガイドをご覧いただくか、YOLO11とDAMO-YOLOの比較でほかのモデルも比較してください。