DAMO-YOLO vs YOLOv5：詳細な技術比較
適切な物体検出モデルの選択は、精度、速度、実装の容易さのバランスを取る上で重要な決定です。このページでは、Alibaba Groupの精度重視のモデルであるDAMO-YOLOと、パフォーマンスと使いやすさの卓越した融合で有名な業界標準モデルであるUltralytics YOLOv5との詳細な技術比較を提供します。アーキテクチャの違い、パフォーマンス指標、理想的なユースケースを掘り下げ、コンピュータビジョンプロジェクトに最適なモデルを選択するのにお役立てください。
DAMO-YOLO：精度重視の検出
著者: Xianzhe Xu, Yiqi Jiang, Weihua Chen, Yilun Huang, Yuan Zhang, Xiuyu Sun
所属: Alibaba Group
日付: 2022-11-23
Arxiv: https://arxiv.org/abs/2211.15444v2
GitHub: https://github.com/tinyvision/DAMO-YOLO
ドキュメント: https://github.com/tinyvision/DAMO-YOLO/blob/master/README.md
DAMO-YOLOは、Alibaba Groupが開発した物体検出モデルです。2022年後半に発表され、いくつかの新しい技術をアーキテクチャに組み込むことで、高い精度と効率的な推論の優れたバランスを実現することに重点を置いています。
アーキテクチャと主な機能
DAMO-YOLOは、検出精度の限界を押し広げるように設計された、いくつかの革新的なコンポーネントを導入しています。
- NASバックボーン: ニューラルアーキテクチャ検索（NAS）を利用して、物体検出に合わせて高度に効率化されたバックボーンネットワークを検出して実装します。
- Efficient RepGFPN: Reparameterized Gradient Feature Pyramid Network を採用しています。これは、異なるスケール間での特徴融合を改善するための高度なネックモジュールです。
- ZeroHead: 高いパフォーマンスを維持しながら、計算オーバーヘッドを最小限に抑えるように設計されたデカップリングされた検出ヘッドを備えています。
- AlignedOTA： この新しいラベル割り当て戦略であるAligned Optimal Transport Assignmentは、トレーニング中に予測と正解ラベル間の整合性を高め、精度を向上させます。
- Distillation Enhancement: モデルは知識蒸留を活用して、より大きく高性能な教師モデルからより小さな生徒モデルへ知識を伝達し、その性能を向上させます。
長所
- 高精度： DAMO-YOLOは高いmAPスコアを達成しており、特に大型モデルバリアントにおいて、優れた検出精度を示しています。
- 革新的な技術： AlignedOTAやRepGFPNのような新しい手法の統合により、標準的なアーキテクチャを超えてパフォーマンスを向上させることができます。
弱点
- 統合の複雑さ: DAMO-YOLOを既存のワークフローに統合することは、特にUltralyticsエコシステム内で提供される効率化されたエクスペリエンスと比較して、より複雑になる可能性があります。
- エコシステムのサポート： そのドキュメントとコミュニティサポートは利用可能ですが、十分に確立され、活発にメンテナンスされているYOLOv5ほど広範ではない可能性があります。
- タスクの汎用性: DAMO-YOLOは主に物体検出に重点を置いており、Ultralyticsモデルにあるようなセグメンテーションや分類などの他のタスクに対する組み込みサポートが不足している可能性があります。
ユースケース
DAMO-YOLOは、高い検出精度が最も重要な要件となる用途に最適です。
- 高精度アプリケーション: 医療画像処理や科学研究など、詳細な画像解析。
- 複雑なシナリオ： 著しく遮蔽された物体が存在する環境、またはシーンの深い理解を必要とする環境。
- 研究開発: 高度な物体検出アーキテクチャと技術を研究する研究者にとって、価値のあるツールです。
Ultralytics YOLOv5：確立された業界標準
Author: Glenn Jocher
Organization: Ultralytics
Date: 2020-06-26
GitHub: https://github.com/ultralytics/yolov5
Documentation: https://docs.ultralytics.com/models/yolov5/
Ultralytics YOLOv5は、リリース後すぐに業界のベンチマークとなり、その卓越したスピード、精度、そして驚くほどの使いやすさで高く評価されています。PyTorchで完全に開発されたYOLOv5は、CSPDarknet53 バックボーンと、効果的な特徴集約のためのPANetネックを組み合わせた堅牢なアーキテクチャを特徴としています。そのスケーラビリティは、さまざまなモデルサイズ（n、s、m、l、x）を通じて提供され、開発者は特定の計算およびパフォーマンスのニーズに合わせて最適なトレードオフを選択できます。
長所
- 卓越した速度と効率性: YOLOv5は高速な推論のために高度に最適化されており、高性能クラウドGPUからリソース制約のあるエッジデバイスまで、幅広いハードウェアでのリアルタイムアプリケーションにとって最適な選択肢となっています。
- 使いやすさ: YOLOv5の主な利点は、合理化されたユーザーエクスペリエンスです。シンプルなPythonおよびCLIインターフェース、包括的なドキュメント、および簡単なセットアッププロセスを提供します。
- 充実したエコシステム: YOLOv5は、活発な開発、大規模で役立つコミュニティ、頻繁なアップデート、およびノーコードトレーニングとMLOpsのためのUltralytics HUBのようなツールとのシームレスな統合を含む、堅牢なUltralyticsエコシステムによってサポートされています。
- パフォーマンスのバランス： 推論速度と検出精度との間で優れたトレードオフを実現しており、多様な現実世界の展開シナリオに非常に適しています。
- 多様性: YOLOv5は、物体検出だけでなく、インスタンスセグメンテーションや画像分類もサポートしており、多目的ソリューションを提供します。
- Training Efficiency: YOLOv5 は、効率的なトレーニングプロセス、すぐに利用できる事前学習済みウェイトを提供し、一般的に、多くの競合するアーキテクチャよりも必要なメモリが少なくなっています。
弱点
- 精度: 非常に高精度ですが、YOLOv5のmAPスコアは、COCOのような標準的なベンチマークにおいて、それ以降に登場した新しいモデルに上回られています。
- Anchor-Based: 事前に定義されたアンカーボックスに依存するため、アンカーフリーのアプローチと比較して、オブジェクトのアスペクト比が慣例的でないデータセットでは、追加の調整が必要になる場合があります。
ユースケース
YOLOv5は、速度、効率、およびデプロイの容易さが重要なシナリオに最適です。
- セキュリティシステム: 盗難防止や異常検知などのアプリケーション向けリアルタイム監視。
- ロボティクス： ロボットがリアルタイムで環境を認識し、インタラクトできるようにします。自律的なナビゲーションと操作に不可欠です。
- 産業オートメーション: 製造プロセスにおける品質管理と欠陥検出、リサイクル効率と生産ラインの監視を強化します。
- エッジAIデプロイメント: オンデバイス処理のために、Raspberry PiやNVIDIA Jetsonのようなリソースが限られたデバイス上で効率的にオブジェクト検出を実行します。
パフォーマンス比較
DAMO-YOLOとYOLOv5を比較すると、精度と速度の間に明確なトレードオフが見られます。DAMO-YOLOモデルは一般的に高いmAPスコアを達成し、純粋な検出精度における強みを示しています。ただし、YOLOv5モデル、特に小型のバリアントは、特にCPUハードウェア上で大幅に高速な推論速度を提供します。これにより、YOLOv5は低遅延が不可欠なリアルタイムアプリケーションにとってより実用的な選択肢となります。
| モデル | サイズ (ピクセル) |
mAPval 50-95 |
速度 CPU ONNX (ms) |
速度 T4 TensorRT10 (ms) |
params (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 |
| YOLOv5n | 640 | 28.0 | 73.6 | 1.12 | 2.6 | 7.7 |
| YOLOv5s | 640 | 37.4 | 120.7 | 1.92 | 9.1 | 24.0 |
| YOLOv5m | 640 | 45.4 | 233.9 | 4.03 | 25.1 | 64.2 |
| YOLOv5l | 640 | 49.0 | 408.4 | 6.61 | 53.2 | 135.0 |
| YOLOv5x | 640 | 50.7 | 763.2 | 11.89 | 97.2 | 246.4 |
結論
DAMO-YOLOとUltralytics YOLOv5はどちらも強力な物体検出モデルですが、異なる優先順位に対応しています。DAMO-YOLOは、可能な限り最高の精度を達成することが主な目標であり、開発者がより複雑な統合を進んで処理する場合に最適な選択肢です。
しかし、圧倒的多数の開発者と実世界のアプリケーションにとって、Ultralytics YOLOv5 は、より魅力的で実用的なソリューションとなります。速度と精度の卓越したバランスと、比類のない使いやすさが組み合わさることで、非常にアクセスしやすくなっています。適切にメンテナンスされたエコシステムは、堅牢なドキュメント、活発なコミュニティサポート、Ultralytics HUBのような強力なツールを提供し、大きなメリットをもたらします。YOLOv5 のトレーニング効率と、複数のビジョンタスクにわたる汎用性により、迅速なプロトタイピングから本番環境へのデプロイメントまで、幅広いプロジェクトに対応できる、非常に効率的で開発者にとって使いやすい選択肢となっています。
最新の進歩に関心のある方は、YOLOv8やYOLO11のような、より新しい Ultralytics モデルは YOLOv5 の強みを基盤としており、さらに優れた性能とより多くの機能を提供します。
その他のモデル比較
さらに検討を深めるには、DAMO-YOLO、YOLOv5、およびその他の関連モデルを含むこれらの比較をご検討ください。
- DAMO-YOLO vs YOLOv8
- YOLOv5 vs YOLOv7
- YOLOv5 vs YOLOv8
- YOLOv5 vs YOLOv9
- RT-DETR vs YOLOv5
- EfficientDetとYOLOv5の比較
- YOLOv10やYOLO11のような最新モデルをご覧ください。
