DAMO-YOLOとPP-YOLOE+の比較
デプロイに適したアーキテクチャの選択は、リアルタイムコンピュータービジョンにおける重要な判断です。このガイドでは、DAMO-YOLOとPP-YOLOE+のアーキテクチャ設計、学習方法、性能指標を技術的に比較します。また、2026年1月にリリースされたUltralytics YOLO26と両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2022年に産業用途向けの代替モデルとして登場し、精度と推論速度を高めるために異なる技術を採用しています。
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、Maximum Entropy Neural Architecture Search(MAE-NAS)を使用して、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、ネックの特徴融合に効率的なRepGFPN(再パラメーター化汎用特徴ピラミッドネットワーク)を採用し、軽量な「ZeroHead」設計も備えています。学習中の知識蒸留によって、生徒モデルの表現能力も高めています。
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(Efficient Task-aligned head)を採用しています。「plus」バージョンではObjects365データセットを使った事前学習が追加され、多様な実環境への汎化性能が向上しています。
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、最適な用途とハードウェア互換性に影響します。
特徴融合とバックボーン#
DAMO-YOLOのMAE-NAS生成バックボーンはエッジデバイス向けに設計されており、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、こうしたカスタムアーキテクチャは柔軟性に欠け、新しいタスクであるインスタンスセグメンテーションなどへの適応が複雑になることがあります。RepGFPNネックは多尺度の特徴融合を改善しますが、エクスポート時の再パラメーター化が複雑になります。
PP-YOLOE+は、より従来的ながらも効果的なCSPRepResNetを採用しています。同程度の精度を得るためにDAMO-YOLOより多くのパラメーターを必要としますが、学習が安定しており、既存のパイプラインに統合しやすい構造です。ET-headは分類と回帰を効率的に処理しますが、Non-Maximum Suppression(NMS)などの後処理が引き続き必要です。
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が必要です。推論レイテンシが重要な場合は、オプションの1対1ヘッド(nms=False)を通じてネイティブのNMSフリーのエンドツーエンド設計を備えたUltralytics YOLO26をご検討ください。このアプローチではNMSの後処理をなくし、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) | mAPval50-95 | 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 |
表が示すように、DAMO-YOLOはtiny(t)とsmall(s)のスケールでより高い精度を達成します。また、NAS最適化バックボーンのおかげで、DAMO-YOLOtはここに示すすべてのモデルの中でT4 TensorRTレイテンシが最も低くなっています。一方、PP-YOLOE+はmedium(m)とlarge(l)のモデルで良好にスケーリングし、T4 TensorRTの速度がわずかに低下する代わりに、より高いmAPスコアを達成します。
メモリ要件とトレーニング効率#
DAMO-YOLOは蒸留に依存するため、小さな生徒モデルを学習する前に、はるかに大きな教師モデルを学習する必要があることがよくあります。そのため、CUDAメモリ要件と総計算予算が大幅に増加します。PP-YOLOE+は標準的な単段階学習でこの問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に慣れたチームの柔軟性を制限する可能性があります。
一方、最新のUltralytics YOLO26モデルは、こうしたボトルネックを回避します。新しいMuSGD Optimizerは、LLMの学習に着想を得たSGDとMuonのハイブリッドであり、複雑な蒸留パイプラインを必要とせずに高速な収束と安定した学習を実現します。また、YOLOモデルは一般に、RT-DETRなどのTransformerベースの検出器と比べて、学習中に必要なCUDAメモリが大幅に少なくて済みます。
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、レイテンシが主なボトルネックとなる高スループットのエッジ推論に適しています。小型バリアントは、エンジニアリングチームに複雑な蒸留処理と再パラメーター化処理を管理する余力がある場合、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#
PP-YOLOE+は、すでにBaiduのエコシステムを利用している場合や、大規模なサーバーデプロイを実行している場合に適しています。高いmAPにより、複雑な医療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+にはそれぞれ固有の利点がありますが、汎用性、速度、使いやすさを求める開発者は、Ultralytics Platformでモデルをトレーニングしてデプロイできます。
コンピュータービジョンのパイプラインをアップグレードする際、Ultralytics YOLO26は開発者向けに合理化されたエクスペリエンスを提供します。
- CPU推論が最大43%高速化: Distribution Focal Loss(DFL)を完全に削除したことで、YOLO26nはCPU上でYOLO11nより最大43%高速に動作し、エッジCPUや低消費電力のIoTデバイスに適しています。
- 小物体検出の向上: ProgLossの目的関数とSTALのラベル割り当てにより、小物体認識が向上します。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はタスク固有のアーキテクチャ改善により、姿勢推定、回転バウンディングボックス(OBB)、セマンティックセグメンテーションにも対応します。
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。
ただし、速度、精度、デプロイの簡便さを最適なバランスで求める開発者には、Ultralytics YOLO26モデルをおすすめします。NMS不要のアーキテクチャ、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スムーズに移行できます。
さっそく始めてみませんか?Ultralyticsクイックスタートガイドを確認するか、YOLO11とDAMO-YOLOの比較で他のモデルも比較してください。
コメント
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。