DAMO-YOLOとYOLOv6-3.0
コンピュータービジョンの研究から、産業用途に合わせた専用アーキテクチャが数多く生まれています。リアルタイム性能とデプロイ効率を重視するモデルとして、DAMO-YOLOとYOLOv6-3.0が挙げられます。このページでは、アーキテクチャ、性能指標、学習方法を技術的に比較し、どちらを選ぶべきか判断するための情報を提供します。
DAMO-YOLO:ニューラルアーキテクチャサーチと物体検出の融合#
Alibaba Groupの研究者が開発したDAMO-YOLOは、Neural Architecture Search(NAS)をバックボーン設計に取り入れ、YOLOファミリーに新しいアプローチを導入しました。
- 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
アーキテクチャの革新#
DAMO-YOLOは、MAE-NASというNAS最適化バックボーンを採用しています。これは特定のレイテンシ制約のもとで効率的なネットワーク構造を自動探索します。そのため、異なるハードウェア構成に合わせてモデルを効率よくスケーリングできます。特徴融合を改善するため、アーキテクチャにはEfficient RepGFPN(再パラメーター化汎用特徴ピラミッドネットワーク)が採用され、多尺度表現が大幅に強化されています。
このモデルは「ZeroHead」設計も導入しています。検出ヘッドの複雑なマルチブランチ構造を取り除くことで、計算オーバーヘッドを削減しながら空間情報をより効果的に保持します。学習ではAlignedOTA(Aligned Optimal Transport Assignment)と知識蒸留も使用し、小型の生徒モデルが大規模な教師ネットワークから学習できるようにしています。
知識蒸留によってDAMO-YOLOは高精度を実現できますが、複数段階の学習パイプラインが必要です。そのため、標準的な単段階モデルの学習と比べて必要なGPU計算リソースが大幅に増加します。
YOLOv6-3.0:産業用途のスループットを最大化#
Meituan Vision AI Departmentが開発したYOLOv6-3.0は、産業用物体検出器として明確に位置付けられており、NVIDIAハードウェアでスループットを最大化するよう設計されています。
- 著者: Chuyi Li、Lulu Li、Yifei Geng、Hongliang Jiang、Meng Cheng、Bo Zhang、Zaidan Ke、Xiaoming Xu、Xiangxiang Chu
- 組織: Meituan
- 日付: 2023-01-13
- arXiv: 2301.05586
- GitHub: meituan/YOLOv6
主な機能と改良点#
YOLOv6-3.0はハードウェアに適したEfficientRepバックボーンを基盤としており、最新のGPU上でTensorRTなどの最適化を使用すると非常に高速です。v3.0では、さまざまなサイズの物体の位置特定を改善するため、双方向連結(BiC)モジュールがネットワークに組み込まれています。
もう一つの注目すべき機能は、Anchor-Aided Training(AAT)戦略です。AATは、学習時にはアンカーベースの検出器の安定性を、推論時にはアンカーフリー設計の速度を組み合わせます。このハイブリッド手法は、デプロイ時のレイテンシを犠牲にすることなく良好に収束するため、スマートシティ分析や自動チェックアウトシステムで大量の動画を処理する用途に適しています。
パフォーマンス比較#
リアルタイム推論向けにこれらのモデルを評価する際は、パラメーター数、FLOPs、mAP精度のバランスが重要です。以下の表では、性能を比較しています。
| 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 |
| YOLOv6-3.0n | 640 | 37.5 | - | 1.17 | 4.7 | 11.4 |
| YOLOv6-3.0s | 640 | 45.0 | - | 2.66 | 18.5 | 45.3 |
| YOLOv6-3.0m | 640 | 50.0 | - | 5.28 | 34.9 | 85.8 |
| YOLOv6-3.0l | 640 | 52.8 | - | 8.95 | 59.6 | 150.7 |
DAMO-YOLOは小型モデルでわずかに優位(46.0 mAP対45.0 mAP)ですが、YOLOv6-3.0はより良くスケーリングし、中型と大型のモデルで優れた結果を示します。また、nano構成ではパラメーター数が最も少なくなっています。
バックボーンをカスタマイズするために大規模な自動探索を実行できるハードウェア環境であれば、DAMO-YOLOのNASアプローチが効果的です。一方、T4やA100などの標準的なGPUアクセラレーションに全面的に依存する場合、YOLOv6のEfficientRep構造はより高い実測FPSにつながることがよくあります。
ユースケースと推奨事項#
DAMO-YOLOとYOLOv6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異なります。
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。
YOLOv6を選ぶ場合#
YOLOv6は、次のような場合に推奨されます。
- 産業用ハードウェアを考慮したデプロイ: モデルのハードウェアを考慮した設計と効率的な再パラメーター化によって、特定のターゲットハードウェア上で最適な性能が得られるシナリオです。
- 高速な1ステージ検出: 制御された環境でのリアルタイム動画処理において、GPU上での生の推論速度を重視するアプリケーションです。
- Meituanエコシステムとの統合: すでにMeituanの技術スタックとデプロイインフラストラクチャを利用しているチーム。
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。
Ultralyticsの強み:YOLO26の紹介#
DAMO-YOLOとYOLOv6-3.0はいずれも高性能ですが、エコシステムが分断されており、単一タスクの制約や複雑なデプロイパイプラインがあります。現代のエンジニアリングチームには、YOLO26をはじめとするUltralyticsモデルが、開発者にとって大幅に優れた開発体験を提供します。
2026年1月にリリースされたYOLO26は、エッジとクラウドの両方へのデプロイ向けに設計されており、メモリ要件と計算効率を最適化しています。
YOLO26を選ぶ理由#
- エンドツーエンドのNMSフリーデザイン: YOLOv10のコンセプトを発展させたYOLO26は、オプションの1対1ヘッド(
nms=False)を通じて、ネイティブのエンドツーエンド推論に対応しています。これにより、Non-Maximum Suppression(NMS)の後処理を省略できます。デプロイコードがシンプルになり、エッジデバイス間の推論レイテンシのばらつきも小さくなります。 - 最適化の改善: YOLO26は、SGDとMuonを組み合わせたMuSGD Optimizerを採用しています。大規模言語モデルの学習に着想を得たこの最適化手法により、安定した学習と高速な収束を実現します。
- ハードウェアへの幅広い対応: DFLの削除(Distribution Focal Loss)により出力ヘッドが簡素化され、エッジデバイスとの互換性が向上します。YOLO26nはYOLO11nよりCPU推論が最大43%高速で、モバイルやIoTエッジ環境ではYOLOv6よりも適しています。
- 精度の向上: ProgLoss + STALによりYOLO26は小物体検出が向上しており、航空画像や欠陥検査に適しています。
- マルチタスクへの対応: バウンディングボックスのみを予測する産業用モデルとは異なり、YOLO26ファミリーはインスタンスセグメンテーション、画像分類、姿勢推定、回転バウンディングボックス(OBB)など、複数のタスクに対応しています。
エコシステムの使いやすさ#
Ultralytics Platformは機械学習のライフサイクル全体をカバーします。モデルの学習に複数段階の蒸留パイプラインは必要ありません。自動データ拡張、統合されたハイパーパラメーター調整、ONNX、OpenVINO、CoreMLなどの形式へのワンクリックエクスポートを利用し、データセットから本番環境まで迅速に進められます。
Ultralyticsモデルはメモリ効率にも優れており、RT-DETRのようなTransformerアーキテクチャで必要となる大容量のVRAMを回避できます。
クイックスタートのコード例#
YOLO26などのUltralyticsモデルでは、学習と推論の実行が簡単です。次のPythonスクリプトでは、わずか数行のコードで学習、推論の実行、エクスポートを行う方法を示します。
from ultralytics import YOLO
# 効率性に優れたYOLO26ナノモデルを読み込みます
model = YOLO("yolo26n.pt")
# カスタムデータセットでモデルをトレーニングします
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# サンプル画像で推論を実行する
prediction = model("https://ultralytics.com/images/bus.jpg")
# 最大のGPUスループットを実現するためにTensorRTへエクスポート
model.export(format="engine", dynamic=True)結論#
DAMO-YOLOとYOLOv6-3.0はいずれも、産業用物体検出を進歩させた優れたエンジニアリング成果です。ただし、どちらも用途が限定されたツールであり、複雑なセットアップや厳しいハードウェア要件を伴うことがよくあります。
高い性能バランス、マルチタスク機能、そして活発に保守されているエコシステムを必要とする開発者や研究者には、UltralyticsのYOLO26を推奨します。大規模言語モデルに着想を得た最適化手法と、NMSフリー推論に対応するシンプルなアーキテクチャを組み合わせることで、YOLO26はエッジとクラウドの両環境で高精度を実現しながら、AIのデプロイを簡素化します。
新しいコンピュータービジョンプロジェクト向けにモデルを評価している場合は、まずUltralytics YOLOエコシステムの機能を確認してください。リアルタイムビジョンAIの進化を十分に理解するために、EfficientDetなどのほかのアーキテクチャや、過去の節目となったYOLO11と比較するのも有用です。
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。