DAMO-YOLOとYOLOv6-3.0#

コンピュータービジョンは急速に進化し、産業用途に特化したアーキテクチャが数多く生まれています。その中でも、リアルタイム性能とデプロイ効率を重視する2つの有力モデルが、DAMO-YOLOとYOLOv6-3.0です。このページでは、デプロイ方法の選択に役立つよう、両モデルのアーキテクチャ、性能指標、トレーニング手法を詳しく比較します。

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、バックボーンの設計にニューラルアーキテクチャサーチ（NAS）を大幅に取り入れ、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、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。MAE-NASは、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、さまざまなハードウェア環境に合わせてモデルを効率よくスケーリングできます。特徴量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）を採用し、マルチスケール表現を大幅に強化しています。

さらに、このモデルでは「ZeroHead」設計を導入しています。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、空間情報をより効果的に保持しながら、計算オーバーヘッドを削減します。また、トレーニング手法ではAlignedOTA（アラインド最適輸送割り当て）と堅牢な知識蒸留を活用し、小型の生徒モデルが大型の教師ネットワークから学習できるようにしています。

DAMO-YOLOの詳細を見る

蒸留の複雑さ

知識蒸留によってDAMO-YOLOの高精度化が実現しますが、複数段階のトレーニング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トレーニングと比べて、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が先駆けて開発したYOLOv6-3.0は、産業用途の物体検出モデル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ため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、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、ハードウェアとの親和性が高いEfficientRepバックボーンを基盤としており、最新のGPUでTensorRTなどの最適化を活用すると、非常に高速に動作します。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）モジュールをネットワークに統合しています。

もう1つの特長は、アンカー支援トレーニング（AAT）戦略です。AATは、トレーニング中のアンカーベース検出器の安定性と、アンカーフリー設計の推論速度を組み合わせています。このハイブリッドなアプローチにより、デプロイ時のレイテンシを犠牲にすることなく優れた収束性能を実現します。そのため、スマートシティ分析や自動精算システムで大量の動画ストリームを処理する際に有力な選択肢となります。

YOLOv6の詳細はこちら

パフォーマンス比較#

リアルタイム推論にこれらのモデルを評価する場合、パラメーター数、FLOPs、精度のバランスが重要です。以下では、両モデルの性能を詳しく比較します。

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れています（46.0 mAP対45.0 mAP）が、YOLOv6-3.0は中型と大型のモデルで上回るなど、優れたスケーラビリティを示しています。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。

2つのモデルから選ぶ

ハードウェア環境に余裕があり、バックボーンをカスタマイズするための大規模な自動探索を実行できる場合、DAMO-YOLOのNASアプローチは非常に効果的です。一方、T4やA100など、標準化されたGPUアクセラレーションに全面的に依存する場合は、YOLOv6のEfficientRep構造により、より高い実測FPSが得られ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です。

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: 専用のGPUアクセラレーションを備えていないデバイスで、YOLO26の最大43%高速なCPU推論が大き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はどちらも高い能力を備えていますが、エコシステムの分断、単一タスクへの制限、複雑なデプロイパイプラインという課題があります。現代のエンジニアリングチームには、画期的なYOLO26へと結実したUltralyticsモデルが、はるかに優れた開発者体験を提供します。

2026年1月にリリースされたYOLO26は、エッジおよびクラウドデプロイの新たな標準であり、メモリ要件と計算効率を大幅に最適化しています。

YOLO26を選ぶ理由#

エンドツーエンドのNMSフリー設計：YOLOv10のコンセプトを発展させたYOLO26は、オプションのワンツーワンヘッド（nms=False）により、Non-Maximum Suppressionによる後処理を省略するネイティブなエンドツーエンド推論に対応しています。これにより、デプロイコードが大幅に簡素化され、あらゆるエッジデバイスで推論レイテンシのばらつきが抑えられます。
優れた最適化：YOLO26は、SGDとMuonを組み合わせたハイブリッド方式で、大規模言語モデルに着想を得たMuSGD Optimizerを採用しています。これにより、トレーニングの安定性が高まり、収束も速くなります。
幅広いハードウェアへの対応: DFL（分布焦点損失）の除去を実装することで出力ヘッドが簡素化され、エッジデバイスとの互換性が高まります。実際、YOLO26はCPU推論が最大43%高速であり、モバイルやIoTのエッジ環境ではYOLOv6を大きく上回ります。
精度の向上: ProgLoss + STALを活用することで、YOLO26は小さなオブジェクトの検出性能が大幅に向上しており、航空画像や欠陥検査に最適な選択肢です。
比類のない汎用性：バウンディングボックスの検出に特化した産業用モデルとは異なり、YOLO26ファミリーは画像分類、インスタンスセグメンテーション、姿勢推定、方向付き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。

YOLO26

ultralytics

public26

Newest SOTA Ultralytics models, released January 2026. Smaller, faster, and more accurate than previous versions with native end-to-end inference.

7235 models1.5 GBAug 21, 2026

yolo26x-depthyolo26l-depthyolo26m-depth+32

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で複数段階の蒸留に悩まされることはありません。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により、データセットから本番環境まで数週間ではなく数時間で進められます。

さらに、Ultralyticsモデルはメモリ効率にも優れており、RT-DETRなどのTransformerアーキテクチャで問題となる大容量VRAMのボトルネックを回避できます。

クイックスタートのコード例#

YOLO26のようなUltralyticsモデルを使ったトレーニングと推論は、非常にシンプルです。次のPythonスクリプトでは、わずか数行のコードですぐにトレーニング、推論、エクスポートを実行する方法を示します。

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シームレスに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、産業用物体検出の限界を押し広げる優れたエンジニアリングの成果です。しかし、これらは高度に特化したツールであり、複雑なセットアップや厳しいハードウェア制約が必要になることがよくあります。

性能のバランス、マルチタスク機能、積極的に保守されているエコシステムを求める開発者や研究者にとって、UltralyticsのYOLO26は比類のない選択肢です。LLMに着想を得たオプティマイザーと、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最先端の精度を実現しながら、AI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、Ultralytics YOLOエコシステムの機能をぜひご検討ください。また、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などの他のアーキテクチャや、過去の重要なモデルであるYOLO11との比較も役立ちます。

コントリビューター

GLglenn-jocher¹⁸

作成日 2025年1月27日更新日先週

Get Started