DAMO-YOLOとRTDETRv2
コンピュータービジョンの研究から、速度、精度、計算効率のバランスを取るために設計された多くのアーキテクチャが生まれています。DAMO-YOLOとRTDETRv2は、これらの課題にそれぞれ異なるアプローチで取り組んでいます。どちらもリアルタイム推論を目指していますが、アーキテクチャの設計思想は根本的に異なります。
このガイドでは、両モデルの技術仕様、アーキテクチャ上の革新、実用例を取り上げ、Ultralytics PlatformとYOLO26がデプロイをどのように簡素化するかを説明します。
モデルの概要#
DAMO-YOLOについて#
Alibaba Groupの研究者が開発したDAMO-YOLOは、Neural Architecture Search(NAS)を多用する高速かつ高精度な物体検出手法を導入しました。従来の手作業で設計したバックボーンを、低レイテンシ向けに設計されたNAS生成構造に置き換えています。また、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)とZeroHead設計を取り入れ、特徴集約とバウンディングボックス予測を効率化しています。
主なモデル情報:
- 著者: Xianzhe Xu、Yiqi Jiang、Weihua Chen、Yilun Huang、Yuan Zhang、Xiuyu Sun
- 組織: Alibaba Group
- 日付: 2022-11-23
- arXiv: 2211.15444v2
- GitHub:tinyvision/DAMO-YOLO
- ドキュメント: DAMO-YOLOのドキュメント
RTDETRv2について#
BaiduのRTDETRv2は、リアルタイム検出Transformerの大きな進歩です。Non-Maximum Suppression(NMS)に依存する畳み込みニューラルネットワーク(CNN)検出器とは異なり、RTDETRv2は自己注意機構を用いて画像全体のグローバルなコンテキストをモデル化します。バウンディングボックスを直接出力するため、NMSの後処理を完全に省略できます。このモデルは、推論レイテンシを増やさずにベースライン精度を改善する「bag of freebies」学習戦略を導入しています。
主なモデル情報:
- 著者: Wenyu Lv、Yian Zhao、Qinyao Chang、Kui Huang、Guanzhong Wang、Yi Liu
- 組織: Baidu
- 日付: 2024-07-24
- arXiv: 2407.17140
- GitHub: RT-DETRリポジトリ
- ドキュメント: RTDETRv2のドキュメント
Transformerはより多くの計算リソースを必要としますが、グローバルなコンテキストを処理できるため、複雑なシーン理解に効果的です。これはRTDETRv2の大きな強みです。
パフォーマンス比較#
実環境へのデプロイを想定してこれらのモデルを評価する際は、平均適合率(mAP)、推論速度、メモリ使用量などの指標が重要です。RTDETRv2などのTransformerベースモデルは一般に、DAMO-YOLOなどの軽量CNNと比べ、学習と推論でより多くのCUDAメモリを必要とします。
以下の表では、各モデルの性能指標を比較しています。
| 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-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 |
| RTDETRv2-s | 640 | 48.1 | - | 5.03 | 20 | 60 |
| RTDETRv2-m | 640 | 51.9 | - | 7.51 | 36 | 100 |
| RTDETRv2-l | 640 | 53.4 | - | 9.76 | 42 | 136 |
| RTDETRv2-x | 640 | 54.3 | - | 15.03 | 76 | 259 |
最適なユースケース#
DAMO-YOLOが優れている用途: NASで最適化されたバックボーンと、小型モデル(DAMO-YOLOtなど)の少ないパラメーター数により、制約のあるハードウェアへのデプロイに適しています。ONNXなどのランタイムや、エッジコンピューティング向けの専用TensorRTエンジンを使用して組み込みデバイス向けのソリューションを構築する場合、DAMO-YOLOは応答性に優れたフレームワークを提供します。
RTDETRv2が優れている用途: サーバーグレードのGPUが利用でき、画像全体のグローバルなコンテキストが重要な場合、RTDETRv2が優れた性能を発揮します。Transformerアーキテクチャにより、NMSを使わずに重なり合うバウンディングボックスを自然に処理できるため、離れた物体間の空間的関係が重要となる、密集環境での群衆管理や複雑な物体追跡に適しています。
Ultralyticsの強み:YOLO26の紹介#
DAMO-YOLOとRTDETRv2は学術的に大きな成果を挙げていますが、これらのモデルをスケーラブルで本番環境に対応したアプリケーションへ移行するのは容易ではありません。開発者は、コードベースの分断、マルチタスク学習への対応不足、複雑なデプロイパイプラインに直面することがよくあります。
ここでUltralyticsエコシステムの強みが発揮されます。使いやすさ、十分に保守されたPython API、マルチタスクへの対応を重視することで、Ultralyticsは開発者がデバッグに費やす時間を減らし、構築により多くの時間をかけられるようにします。
最近リリースされたUltralytics YOLO26モデルは、DAMO-YOLOとRTDETRv2の両方に対する複数の改善により、これらの利点をさらに発展させています。
- エンドツーエンドのNMSフリーデザイン: YOLOv10のNMSフリー学習を発展させたYOLO26は、オプションのエンドツーエンドヘッド(
nms=False)を提供します。これによりNMSの後処理を省略できるため、従来のCNN検出器よりも高速かつシンプルにデプロイでき、RTDETRv2の直接出力の利点も実現します。 - CPU推論が最大43%高速: YOLO26nはCPU上のONNXでYOLO11nより最大43%高速に動作し、ディスクリートGPUを搭載しないエッジAIデバイス向けに最適化されています。そのため、メモリを多く消費するTransformerよりもIoTアプリケーションに適しています。
- MuSGD Optimizer: Moonshot AIのKimi K2に着想を得たこのハイブリッド手法は、SGDとMuonを組み合わせ、大規模言語モデル(LLM)の学習技術をコンピュータービジョンに取り入れることで、安定した学習と高速な収束を実現します。
- ProgLoss + STAL: 段階的損失関数と小物体を考慮したラベル割り当てにより、従来のモデルが苦手とする小物体認識が向上します。これは航空画像やドローンの用途で重要です。
- DFLの削除: Distribution Focal Lossを削除することで、エクスポート形式を簡素化し、低消費電力のエッジデバイスとの互換性を高めています。
- マルチタスクへの対応: 検出に用途が限られる競合モデルとは異なり、YOLO26には、インスタンスセグメンテーションの収束を改善するセマンティックセグメンテーション損失、姿勢推定向けの残差対数尤度推定(RLE)、回転バウンディングボックス(OBB)向けの専用角度損失など、タスク固有の改善が含まれています。
RTDETRv2などのTransformerベースモデルの学習には、大容量のCUDAメモリ割り当てが必要であり、高価なマルチGPU構成が求められることもよくあります。Ultralytics YOLOモデルは学習と推論の両方でメモリ要件が大幅に低いため、研究者や愛好家でもAI開発に取り組みやすくなります。
コード例: 統合されたUltralytics API#
Ultralyticsエコシステムの主な利点の一つは、統合されたAPIです。ワークフローを変更せずに、RT-DETRのPyTorch実装や最新のYOLOモデルを含むさまざまなモデルをロード、学習、検証できます。
from ultralytics import RTDETR, YOLO
# RT-DETRモデルを読み込む
model_rtdetr = RTDETR("rtdetr-l.pt")
# YOLO26モデルを読み込む
model_yolo = YOLO("yolo26n.pt")
# シンプルで統一されたインターフェースで画像の推論を実行します
results_rtdetr = model_rtdetr("https://ultralytics.com/images/bus.jpg")
results_yolo = model_yolo("https://ultralytics.com/images/bus.jpg")
# 検出されたオブジェクトを表示します
results_yolo[0].show()このシンプルさは、カスタムデータセットの学習やエクスポートにも及びます。Ultralytics Python packageを利用すれば、開発者は学習済みの重みをCoreMLやOpenVINOなどのデプロイ形式に、1つのコマンドでエクスポートできます。
まとめとさらなる探索#
DAMO-YOLOとRTDETRv2は、どちらもリアルタイム物体検出を前進させました。DAMO-YOLOは効率を重視して最適化された自動探索ネットワーク構造を提供し、RTDETRv2はNMSなどの従来のボトルネックを解消することで、Transformerもリアルタイム分野で競争力を持てることを示しています。
ただし、性能、充実したドキュメント、本番環境での利用しやすさのバランスを求める開発者にとって、Ultralytics YOLOモデルは引き続き有力なデフォルトの選択肢です。YOLO26では、Transformerに似たオプションのエンドツーエンド検出、大規模言語モデルに着想を得た学習効率、高速なCPU推論を、直感的で堅牢なエコシステムで利用できます。
次のプロジェクト向けにモデルを評価している場合は、EfficientDetとRT-DETRの比較を読んだり、前世代のYOLO11を調べたり、YOLOXなどの学術的なベースラインを確認したりするとよいでしょう。Ultralyticsクイックスタートガイドを確認して、さっそく開発を始めましょう。
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。