DAMO-YOLOとYOLOv10の比較
コンピュータービジョンにおけるリアルタイム物体検出アーキテクチャは急速に進化してきました。DAMO-YOLOとYOLOv10は、自動アーキテクチャ探索とエンドツーエンドのNMSフリー最適化という、異なる2つの設計思想を表しています。どちらも精度と速度を高めますが、基盤となる構造と最適なユースケースは大きく異なります。
DAMO-YOLO:大規模なニューラルアーキテクチャ探索#
Alibaba Groupが開発したDAMO-YOLOは、自動アーキテクチャ探索を利用して構造効率を高める検出器です。
- 著者: Xianzhe Xu、Yiqi Jiang、Weihua Chen、Yilun Huang、Yuan Zhang、Xiuyu Sun
- 日付: 2022年11月23日
- arXiv: 2211.15444v2
- GitHub:tinyvision/DAMO-YOLO
アーキテクチャの主な特徴#
DAMO-YOLOは性能とレイテンシのバランスを取るため、Neural Architecture Search(NAS)に大きく依存しています。MAE-NASと呼ばれるバックボーンは、厳しい計算予算のもとで最大エントロピーに基づく探索を行い、最適なレイヤーの深さと幅を見つけます。
スケールをまたいだ特徴融合には、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)を採用しています。この大規模なネック設計は複雑な空間階層の抽出に適しており、航空画像解析などのシナリオで役立ちます。DAMO-YOLOは、最終予測レイヤーの複雑さを大幅に軽減する簡潔な検出ヘッドZeroHeadも導入しており、トレーニング中に蒸留による強化プロセスを利用します。
DAMO-YOLOでは、多段階の知識蒸留プロセスがよく使われます。より大規模な「教師」モデルをトレーニングして小規模な「生徒」モデルを導く必要があり、これにより高いmAP(平均適合率)を得られますが、必要なGPU計算時間は大幅に増加します。
YOLOv10:NMSフリーのリアルタイム検出#
その1年半後にリリースされたYOLOv10は、推論時にNon-Maximum Suppression(NMS)を必要としない設計を採用しました。
- 著者: Ao Wang、Hui Chen、Lihao Liuほか
- 組織: 清華大学
- 日付: 2024年5月23日
- arXiv: 2405.14458
- ドキュメント: Ultralytics YOLOv10
アーキテクチャの主な特徴#
YOLOv10の際立った特徴は、NMSフリーのトレーニングを実現する一貫性のあるデュアル割り当てです。従来の検出器は、1つの物体に対して重複する複数のバウンディングボックスを予測するため、重複を除去するNMSが必要です。この後処理は、特にエッジデバイスでボトルネックになります。YOLOv10では、物体ごとに正確なバウンディングボックスを1つ自然に予測できるようにすることで、この問題を解決します。
また著者らは、効率と精度を総合的に考慮したモデル設計にも注力しました。既存アーキテクチャの計算上の冗長性を慎重に分析し、バックボーンとヘッドを最適化してFLOPsとパラメーター数を削減しました。この軽量設計により、TensorRTやOpenVINOなどの形式にエクスポートした際、YOLOv10は低レイテンシで推論できます。
性能とベンチマーク#
以下の表は、COCOデータセットにおける実測パフォーマンス指標を示しています。各列の総合的な最良値は太字で示しています。
| 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 |
| YOLOv10n | 640 | 38.5 | - | 1.84 | 2.3 | 6.7 |
| YOLOv10s | 640 | 46.3 | - | 2.49 | 7.2 | 21.6 |
| YOLOv10m | 640 | 51.1 | - | 4.74 | 15.4 | 59.1 |
| YOLOv10b | 640 | 52.5 | - | 5.74 | 19.1 | 92.0 |
| YOLOv10l | 640 | 53.2 | - | 7.28 | 24.4 | 120.3 |
| YOLOv10x | 640 | 54.4 | - | 10.70 | 29.5 | 160.4 |
DAMO-YOLOは精度面で健闘していますが、YOLOv10は同程度の規模でより高い精度を実現し、モデルの重みも大幅に小さくなっています。たとえばYOLOv10sは、DAMO-YOLOs(46.0%)をわずかに上回るmAP(46.3%)を、半分未満のパラメーター数(7.2M対16.3M)で達成します。メモリ要件が低いため、YOLOv10は組み込みシステムにも幅広く適しています。
トレーニング効率と使いやすさ#
学術研究から本番環境へ移行する際は、使いやすさが最も重要です。DAMO-YOLOの多段階蒸留プロセスと複雑なNAS設定は、エンジニアリングチームにとって学習のハードルが高くなります。
対照的にYOLOv10は、Ultralytics Pythonパッケージに完全統合されています。カスタムモデルのトレーニングに必要な定型コードは最小限です。Ultralyticsがデータ拡張、ハイパーパラメーター調整、実験追跡を自動的に処理します。
from ultralytics import YOLO
# 事前学習済みのYOLOv10 nanoモデルを読み込みます
model = YOLO("yolov10n.pt")
# 組み込みの検証機能を使ってカスタムデータセットでトレーニングします
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# 画像に対して推論を実行する
prediction = model("path/to/image.jpg")
prediction[0].show()Ultralyticsエコシステムを利用すると、開発者はわずか数行のコードで、プロトタイプから完全なエクスポート済みONNXモデルへ移行できます。従来のフレームワークで必要だった複雑な環境設定も不要です。
実際のユースケース#
- スマート小売(DAMO-YOLO): DAMO-YOLOの精度は、GPUが豊富に利用でき、リアルタイムNMSのボトルネックにも対処できる、高密度なサーバー環境での顧客行動分析に適しています。
- 自動運転車(YOLOv10): NMSフリーアーキテクチャは予測可能なレイテンシを実現し、自動運転の安全システムに不可欠な性能を提供します。
- 産業オートメーション(YOLOv10): 高速で動く組立ラインの欠陥検出には、VRAMを大量に消費せずにリアルタイム推論の速度を最大化するモデルが必要です。そのためYOLOv10は、エッジへのデプロイに有力な候補です。
ユースケースと推奨事項#
DAMO-YOLOとYOLOv10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決まります。
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。
YOLOv10を選ぶ場合#
YOLOv10は、次のような用途に推奨されます。
- NMSを使用しないリアルタイム検出: 非最大抑制を使用しないエンドツーエンド検出によって、デプロイを簡素化できるアプリケーション。
- 速度と精度のバランス: さまざまなモデルスケールで、推論速度と検出精度の優れたバランスが必要なプロジェクト。
- レイテンシーが安定している必要のあるアプリケーション: ロボティクスや自律システムなど、予測可能な推論時間が重要なデプロイシナリオ。
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GPUアクセラレーションを備えていないデバイスでは、YOLO26が最大43%高速なCPU推論(YOLO26nとYOLO11nの比較)を実現し、明確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。
次世代モデル:Ultralytics YOLO26の登場#
YOLOv10はNMSフリー検出の基礎を築きましたが、この技術は急速に進歩しています。最新のアプリケーションでは、Ultralytics YOLO26モデルが高い性能と使いやすさを兼ね備え、過去の世代の優れたアイデアを洗練させて本番環境に対応します。
YOLO26はネイティブなエンドツーエンドモード(nms=False)を備え、NMSの後処理を省略することで、エッジデバイス全般へのデプロイパイプラインを簡素化します。Distribution Focal Loss(DFL)の削除により、低消費電力のエッジAIハードウェアとの互換性も向上します。
トレーニング面では、大規模言語モデル(LLM)のトレーニング技術に着想を得たハイブリッドのMuSGDオプティマイザーを導入し、トレーニングをより安定させ、収束を高速化します。ProgLoss + STAL(プログレッシブロスと小さな対象を考慮したラベル割り当て)と組み合わせることで、YOLO26は小さな物体の認識を向上させます。これは野生生物保護やドローン運用に欠かせない機能です。
YOLO26は物体検出器にとどまりません。タスクごとの改善を実現し、インスタンスセグメンテーション、残差対数尤度推定(RLE)を用いた姿勢推定、Oriented Bounding Boxes(OBB)向けに特化した角度損失をネイティブにサポートします。YOLO26nはYOLO11nと比べてCPU推論が最大43%高速なため、俊敏なエンジニアリングチームに推奨されます。
YOLO26モデルの一元管理、アノテーション、クラウドトレーニングには、Ultralytics Platformが直感的なインターフェースを提供し、コンピュータービジョンのライフサイクル全体を効率化します。
最近のほかの進歩に関心がある開発者は、Ultralytics YOLO11や、異なるアーキテクチャのソリューションが必要なシナリオ向けのTransformerベースのRT-DETRフレームワークも評価できます。
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。