DAMO-YOLOとYOLOv6-3.0#

コンピュータービジョンの急速な進化により、産業用途向けに最適化された高度に専門化されたアーキテクチャが生まれています。その中でも、リアルタイム性能とデプロイ効率に注力する2つの有力モデルとして、DAMO-YOLOとYOLOv6-3.0が挙げられます。このページでは、デプロイの選択肢を検討するために、両者のアーキテクチャ、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の研究者によって開発されたDAMO-YOLOは、ニューラルアーキテクチャサーチ（NAS）をバックボーン設計に大きく取り入れることで、YOLOファミリーに新しいアプローチを導入しています。

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

アーキテクチャのイノベーション#

DAMO-YOLOは、MAE-NASというNAS最適化バックボーンを使用しており、特定のレイテンシ制約の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プロファイルにわたってモデルを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、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）が採用されており、マルチスケール表現が大幅に強化されています。

さらに、このモデルは「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削除することで、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。トレーニング手法では、AlignedOTA（アラインメント済み最適輸送割り当て）と堅牢な知識蒸留も活用しており、より小型の生徒モデルがより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。

DAMO-YOLOの詳細を見る

蒸留の複雑さ

知識蒸留によりDAMO-YOLOは高い精度を実現できますが、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。そのため、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コンピュート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が先駆的に開発した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ハードウェア上でスループットを最大化するため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、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、ハードウェアフレンドリーな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、Bi-directional Concatenation（BiC）モジュールがネットワークに統合されています。

もう1つの注目すべき機能は、Anchor-Aided Training（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ます。このハイブリッドアプローチにより、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が得られるため、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規模なビデオストリームを処理するための強力な選択肢となります。

YOLOv6の詳細をご覧ください

性能比較#

これらのモデルをリアルタイム推論向けに評価する際は、パラメーター数、FLOPs、精度のバランスが重要です。以下では、両者の性能を詳細に比較します。

モデル	サイズ ^{（ピクセル）}	mAP^val 50-95	速度 ^{CPU ONNX （ms）}	速度 ^{T4 TensorRT10 （ms）}	パラメーター数 ^（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は小型ティアでわずかに優れています（46.0 mAP対45.0 mAP）が、YOLOv6-3.0は優れたスケーラビリティを示し、中型および大型ティアで上回っています。また、nano構成ではパラメーター数が絶対的に最小です。

2つのモデルの選択

ハードウェア環境で大規模な自動探索を実行してバックボーンをカスタマイズできる場合、DAMO-YOLOのNASアプローチは非常に効果的です。一方、標準化されたGPUアクセラレーション（T4やA100など）に全面的に依存する場合、YOLOv6のEfficientRep構造は、多くの場合、より高い実効FPSを実現します。

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、具体的なプロジェクト要件、デプロイ制約、エコシステムの好みによって決まります。

DAMO-YOLOを選択する場合#

DAMO-YOLOが適しているのは、次のような場合です。

高スループットの動画分析: バッチサイズ1のスループットが主要な指標となる、固定されたNVIDIA GPUインフラストラクチャ上での高FPS動画ストリーム処理。
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サーチ研究: 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の研究。

YOLOv6を選択する場合#

YOLOv6は次の用途に推奨されます:

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化により、特定の対象ハードウェア上で最適化された性能が得られるシナリオ。
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動画処理において、GPU上で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)を選ぶタイミング#

ほとんどの新規プロジェクトでは、Ultralytics YOLO26が性能と開発者エクスペリエンスの最適な組み合わせを提供します。

NMSフリーのエッジデプロイ: Non-Maximum Suppressionの後処理を複雑にすることなく、一貫した低レイテンシー推論が必要なアプリケーション。
CPUのみの環境: 専用GPUアクセラレーションを持たないデバイスで、YOLO26の最大43%高速なCPU推論が決定的な優位性となる場合。
小さな物体の検出: aerial drone imageryやIoTセンサー分析など、ProgLossとSTALによって微小物体の精度が大幅に向上する難しいシナリオ。

Ultralyticsの優位性: YOLO26のご紹介#

DAMO-YOLOとYOLOv6-3.0はいずれも非常に高性能ですが、エコシステムの分断、単一タスクの制約、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、YOLO26へと結実する、はるかに優れた開発者体験を提供するUltralyticsモデルが適しています。

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メントの新しい標準であり、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フリーデザイン： YOLOv10のコンセプトを基盤として、YOLO26はNon-Maximum Suppressionのポストプロセス処理をネイティブに排除します。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低減されます。
優れた最適化： YOLO26は、SGDとMuon（大規模言語モデルに着想を得た手法）を組み合わせたハイブリッドのMuSGDオプティマイザを採用しており、非常に安定したトレーニングと高速な収束を実現します。
ハードウェアの汎用性： DFL削除（Distribution Focal Loss）を実装することで出力ヘッドを簡素化し、エッジデバイスとの互換性を高めています。実際、YOLO26はCPU推論を最大43%高速化できるため、モバイルやIoTのエッジ環境ではYOLOv6を大幅に上回ります。
精度の向上： ProgLoss + STALを活用することで、YOLO26は小物体検出を大幅に改善しており、航空画像や欠陥検査に最適な選択肢となっています。
圧倒的な汎用性: バウンディングボックスのみを実行する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、および方向付きバウンディングボックス（OBB）を含む複数のタスクをサポートします。

YOLO26

ultralytics

public26

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

7035 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は、もはやマルチステージの蒸留に伴う煩雑な作業ではありません。自動データ拡張、統合ハイパーパラメータチューニング、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移行できます。

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

クイックスタートコード例#

YOLO26のようなUltralyticsモデルでのトレーニングと推論は、非常にシンプルです。以下のPythonスクリプトでは、数行のコードだけですぐに物体のトラッキングを開始する方法を示します。

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)

まとめ#

DAMO-YOLOとYOLOv6-3.0はいずれも、産業用物体検出の限界を押し広げる素晴らしいエンジニアリング成果です。しかし、非常に専門化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制約を必要とすることが少なくありません。

完璧な性能バランス、マルチタスク機能、そして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は他に類を見ません。LLMに着想を得たオプティマイザとクリーンなNMSフリーアーキテクチャを組み合わせることで、YOLO26はAIデプロイメントを簡素化しながら、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確認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の進化を十分に把握するために、EfficientDetのような他のアーキテクチャや、過去のマイルストーンであるYOLO11と比較することも役立ちます。

貢献者

GLglenn-jocher¹⁷

作成日 2025年1月27日更新日先週