DAMO-YOLO vs YOLOv6-3.0#

コンピュータビジョンの急速な進化により、産業用途向けに高度に特化したアーキテクチャが誕生しました。その中でも、リアルタイム性能とデプロイの効率性に焦点を当てた DAMO-YOLO と YOLOv6-3.0 という2つの強力なモデルが注目されています。本ページでは、デプロイメントの選択を支援するために、両者のアーキテクチャ、性能指標、および学習手法について詳細な技術的比較を提供します。

DAMO-YOLO: ニューラルアーキテクチャ探索と物体検出の融合#

Alibaba Groupの研究者によって開発されたDAMO-YOLOは、バックボーン設計にニューラルアーキテクチャ探索（NAS）を大きく組み込むことで、YOLOファミリーに新しいアプローチをもたらしました。

著者: Xianzhe Xu, Yiqi Jiang, Weihua Chen, Yilun Huang, Yuan Zhang, and Xiuyu Sun
Organization: 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で最適化されたバックボーンを利用しており、特定のレイテンシ制約下で最適なネットワーク構造を自動的に探索します。これにより、モデルはさまざまなハードウェアプロファイルに合わせて効率的にスケーリングできます。特徴融合を改善するために、このアーキテクチャはEfficient RepGFPN（再パラメータ化された一般化特徴ピラミッドネットワーク）を採用しており、マルチスケール表現を大幅に強化しています。

さらに、このモデルには「ZeroHead」設計が導入されています。検出ヘッドの複雑なマルチブランチ構造を削除することで、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。学習手法においても、AlignedOTA（Aligned Optimal Transport Assignment）や堅牢な知識蒸留を活用しており、より小さな学生モデルが重い教師ネットワークから学習することを可能にしています。

DAMO-YOLOの詳細はこちら

蒸留の複雑性

知識蒸留によってDAMO-YOLOは高い精度を実現していますが、マルチステージのトレーニングパイプラインが必要です。これにより、標準的なシングルステージモデルのトレーニングと比較して、必要なGPU computeが大幅に増加します。

YOLOv6-3.0: 産業スループットの最大化#

Meituan Vision AI Departmentによって開発されたYOLOv6-3.0は、産業用オブジェクト検出器として明示的に位置づけられており、NVIDIAハードウェアでのスループットを最大化するように特別に設計されています。

著者: Chuyi Li, Lulu Li, Yifei Geng, Hongliang Jiang, Meng Cheng, Bo Zhang, Zaidan Ke, Xiaoming Xu, and Xiangxiang Chu
組織: Meituan
日付: 2023-01-13
Arxiv: 2301.05586
GitHub: meituan/YOLOv6

主な機能と拡張#

YOLOv6-3.0はハードウェアフレンドリーなEfficientRepバックボーンをベースに構築されており、最新のGPU上でTensorRTなどの最適化を活用する際に圧倒的な高速性を発揮します。v3.0イテレーションでは、さまざまなオブジェクトサイズのローカライゼーションを改善するために、ネットワークに双方向連結（Bi-directional Concatenation: BiC）モジュールが統合されています。

もう1つの際立った特徴は、アンカー支援トレーニング（Anchor-Aided Training: AAT）戦略です。AATは、トレーニング中のanchor-based detectorsの安定性と、アンカーフリーデザインの推論速度を組み合わせたものです。このハイブリッドアプローチにより、デプロイのレイテンシを犠牲にすることなく優れた収束性が得られるため、スマートシティの分析や自動レジシステムにおける大規模なビデオストリーム処理にとって強力な選択肢となります。

YOLOv6の詳細はこちら

パフォーマンスの比較#

real-time inferenceのためにこれらのモデルを評価する場合、パラメータ、FLOPs、精度のバランスを取ることが重要です。以下に、そのパフォーマンスを比較する詳細な評価を示します。

モデル	サイズ ^{(ピクセル)}	mAP^val 50-95	速度 ^{CPU ONNX (ms)}	速度 ^{T4 TensorRT10 (ms)}	パラメータ ^(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はスモール構成でわずかに優位性を示しますが（46.0 mAP vs 45.0 mAP）、YOLOv6-3.0は優れたスケーラビリティを実証しており、ミディアムおよびラージ構成で勝利を収めつつ、ナノ構成では絶対的に最小のパラメータ数を維持しています。

どちらを選択すべきか

ハードウェア環境でバックボーンをカスタマイズするための高度な自動探索が可能な場合は、DAMO-YOLOのNASアプローチが非常に効果的です。しかし、標準化されたGPUアクセラレーション（T4やA100など）に完全に依存している場合、YOLOv6のEfficientRep構造はより高い生FPSを実現す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のどちらを選択するかは、特定のプロジェクト要件、デプロイ制約、およびエコシステムの好みに依存します。

DAMO-YOLOを選択すべきケース#

DAMO-YOLOは以下のような場合に強力な選択肢となります。

高スループットビデオ解析: 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の高FPSビデオストリーム処理。
産業用製造ライン: 組立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の厳格なGPUレイテンシ制約があるシナリオ。
Neural Architecture Searchの研究: 自動化されたアーキテクチャ探索 (MAE-NAS) や効率的な再パラメータ化バックボーンが検出パフォーマンスに与える影響の研究。

YOLOv6を選択すべき時#

YOLOv6が推奨されるケース:

産業用ハードウェア対応の展開： モデルのハードウェア認識設計と効率的な再パラメータ化が、特定のターゲットハードウェア上で最適化されたパフォーマンスを提供するシナリオ。
高速なシングルステージ検出： 管理された環境でのリアルタイムビデオ処理において、GPU上の生の推論速度を優先するアプリケーション。
Meituanエコシステムの統合: すでにMeituanの技術スタックおよびデプロイインフラストラクチャ内で作業しているチーム。

Ultralytics (YOLO26) を選択すべき時#

ほとんどの新しい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の最高の組み合わせを提供します。

NMSフリーのエッジ展開： Non-Maximum Suppression後処理の複雑さを伴わずに、一貫した低レイテンシの推論が求められるアプリケーション。
CPUのみの環境： GPUアクセラレーションを利用できないデバイスにおいて、YOLO26の最大43%高速なCPU推論が決定的な利点となる場合。
小物体検出: ProgLossとSTALにより極小オブジェクトの精度が大幅に向上する、空中ドローン画像やIoTセンサー分析などの困難なシナリオ。

Ultralyticsの優位性：YOLO26の紹介#

DAMO-YOLOとYOLOv6-3.0はどちらも非常に高性能ですが、エコシステムの断片化、単一タスクの制限、複雑なデプロイパイプラインという課題を抱えています。現代のエンジニアリングチームにとって、Ultralytics modelsは大幅に優れた開発者エクスペリエンスを提供し、画期的なYOLO26へと結実しています。

2026年1月にリリースされたYOLO26は、エッジおよびクラウドデプロイの新しい標準を表しており、memory requirementsと計算効率を大幅に最適化しています。

なぜYOLO26を選ぶのか？#

エンドツーエンドのNMSフリー設計: YOLOv10のコンセプトを基に、YOLO26は非最大値抑制（NMS）の後処理をネイティブで排除しています。これにより、デプロイコードが大幅に簡素化され、すべてのエッジデバイスで推論レイテンシのばらつきが軽減されます。
優れた最適化: YOLO26は、SGDとMuon（大規模言語モデルに触発されたもの）のハイブリッドである MuSGD Optimizer を採用しており、非常に安定した学習とより速い収束を実現します。
ハードウェアの汎用性: DFL Removal（Distribution Focal Loss）を実装することで出力ヘッドが簡素化され、エッジデバイスの互換性が向上しました。実際、YOLO26は 最大43%高速なCPU推論 を達成しており、モバイルやIoTエッジ環境においてYOLOv6を遥かに凌駕します。
精度の向上: ProgLoss + STALを活用することで、YOLO26はsmall object detectionにおいて劇的な精度向上を実現し、aerial imageryや欠陥検査に最適な選択肢となっています。
比類のない汎用性: バウンディングボックスしか処理できない産業用モデルとは異なり、YOLO26ファミリは、Image Classification、Instance Segmentation、Pose Estimation、Oriented Bounding Boxes (OBB)を含むマルチモーダルタスクをサポートしています。

YOLO26の詳細はこちら

シームレスなエコシステム体験#

Ultralytics Platformは機械学習のライフサイクル全体を変革します。モデルのトレーニングは、もはやマルチステージの蒸留による頭痛の種ではありません。自動データ拡張、統合されたハイパーパラメータチューニング、ONNX、OpenVINO、CoreMLなどのフォーマットへのワンクリックエクスポート機能により、数週間ではなくわずか数時間でデータセットから本番環境へ移行できます。

さらに、Ultralyticsモデルはmemory efficiencyに優れていることで知られており、RT-DETRのようなトランスフォーマーアーキテクチャを悩ませる大規模なVRAMのボトルネックを回避します。

クイックスタートコード例#

YOLO26のようなUltralyticsモデルによる学習と推論は非常にシンプルです。以下のPythonスクリプトは、わずか数行のコードでオブジェクトトラッキングを開始する方法を示しています：

from ultralytics import YOLO

# Load the highly efficient, NMS-free YOLO26 nano model
model = YOLO("yolo26n.pt")

# Train the model on your custom dataset seamlessly
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Run inference on a sample image
prediction = model("https://ultralytics.com/images/bus.jpg")

# Export to TensorRT for maximum GPU throughput
model.export(format="engine", dynamic=True)

結論#

DAMO-YOLOとYOLOv6-3.0はどちらも産業用物体検出の境界を押し広げる印象的なエンジニアリングの成果です。しかし、これらは複雑なセットアップや厳格なハードウェア制約を必要とすることが多い、高度に専門化されたツールです。

完璧なパフォーマンスバランス、マルチタスク機能、そして積極的にwell-maintained ecosystemを求める開発者や研究者にとって、UltralyticsのYOLO26に並ぶものはありません。LLMにインスパイアされたオプティマイザとクリーンなNMSフリーのアーキテクチャを融合させることで、YOLO26はAI deploymentを簡素化しつつ、エッジおよびクラウド環境全体で最先端の精度を実現します。

新しいコンピュータビジョンプロジェクトに向けてモデルを評価している場合は、Ultralytics YOLOエコシステムの機能を探索することを強くお勧めします。また、リアルタイムビジョンAIの進化を完全に把握するために、EfficientDetなどの他のアーキテクチャやYOLO11などのこれまでのマイルストーンと比較することも有益です。

貢献者

GLglenn-jocher¹⁶

作成日 2025年1月27日更新日 2 週間前