EfficientDetとDAMO-YOLO#
スケーラブルなコンピュータビジョンパイプラインを構築する際、適切なモデルアーキテクチャの選択は重要な判断です。これは、デプロイの実現可能性と検出精度の両方に影響します。このガイドでは、ビジュアル認識分野でよく知られた2つのアーキテクチャ、EfficientDetとDAMO-YOLOを詳細かつ技術的に比較します。
どちらのモデルも物体検出分野に大きな革新をもたらしましたが、ビジョンAIの急速な進歩によって、より統合されたエコシステムへの道が開かれました。この分析では、従来型ネットワークの中核的な仕組みを検討するとともに、Ultralytics PlatformやUltralytics YOLO26のような最新ソリューションが、本番環境の業界標準となった理由を説明します。
EfficientDet：スケーラブルで効率的な物体検出#
Googleの研究者によって発表されたEfficientDetは、高い効率性を維持しながらモデルアーキテクチャを体系的にスケーリングできるよう設計されました。ネットワークの深さ、幅、入力解像度を複合的にスケーリングすることで、これを実現しています。
EfficientDetの詳細：
- 著者: Mingxing Tan、Ruoming Pang、Quoc V. Le
- 組織： Google Brain
- 日付: 2019-11-20
- Arxiv： 1911.09070
- GitHub： google/automl
アーキテクチャの革新#
EfficientDetの主な貢献は、双方向特徴ピラミッドネットワーク（BiFPN）です。従来のFPNとは異なり、BiFPNは学習可能な重みを使って異なる入力特徴の重要度を捉え、マルチスケール特徴を簡単かつ高速に融合します。これをEfficientNetのバックボーンと組み合わせることで、予測可能なスケーリングが可能なモデル群（D0からD7）が実現します。
強みと弱み#
EfficientDetの最大の強みは、パラメーター効率です。厳しい制約のあるクラウド環境で平均適合率（mAP）を最大化する必要があるタスクでは、その複合スケーリング手法の予測可能性が非常に役立ちます。しかし、EfficientDetはスクラッチからのトレーニングが非常に複雑で、多くの場合、大規模なハイパーパラメーター調整が必要です。さらに、特定のTensorFlowオペレーションに大きく依存しているため、最新のYOLOモデルに備わる効率的なエクスポート機能と比べ、ONNXやTensorRTを介したエッジデプロイへの移行が煩雑になります。
DAMO-YOLO：自動アーキテクチャ探索の実践#
DAMO-YOLOは、ニューラルアーキテクチャ探索（NAS）を利用してリアルタイム推論に最適なネットワーク構造を自動設計する、独自のアプローチを採用しています。
DAMO-YOLOの詳細：
- 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はいくつかの新技術を導入しています。NASで生成されたMAE-NASというバックボーン、ネック向けの効率的なRepGFPN、そして検出ヘッドの計算コストを大幅に削減するZeroHead設計を採用しています。さらに、ラベル割り当てにはAlignedOTAを用い、小型バリアントの性能向上には知識蒸留による強化を積極的に活用しています。
強みと弱み#
DAMO-YOLOは、TensorRTを使用してNVIDIAアーキテクチャにデプロイすることを想定して設計されており、GPU推論速度に優れています。負荷の大きいヘッド構造を取り除くことで、低レイテンシの予測を実現します。一方、自動アーキテクチャ探索によってモデル構造が不透明になり、カスタムエッジデバイス向けの手動デバッグや微調整が難しくなることがあります。汎用性の高いUltralytics YOLO11とは異なり、DAMO-YOLOは主に標準的なバウンディングボックス検出に特化しており、姿勢推定や方向付きバウンディングボックス（OBB）検出などの高度なタスクを標準でネイティブサポートしていません。
パフォーマンス比較#
モデルを選択するには、実測に基づくトレードオフを理解することが不可欠です。以下の表では、重要な性能指標について、EfficientDetファミリーとDAMO-YOLOシリーズを比較します。
| モデル | サイズ (ピクセル) | mAPval 50-95 | 速度 CPU ONNX (ms) | 速度 T4 TensorRT10 (ms) | パラメーター (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| EfficientDet-d0 | 640 | 34.6 | 10.2 | 3.92 | 3.9 | 2.54 |
| EfficientDet-d1 | 640 | 40.5 | 13.5 | 7.31 | 6.6 | 6.1 |
| EfficientDet-d2 | 640 | 43.0 | 17.7 | 10.92 | 8.1 | 11.0 |
| EfficientDet-d3 | 640 | 47.5 | 28.0 | 19.59 | 12.0 | 24.9 |
| EfficientDet-d4 | 640 | 49.7 | 42.8 | 33.55 | 20.7 | 55.2 |
| EfficientDet-d5 | 640 | 51.5 | 72.5 | 67.86 | 33.7 | 130.0 |
| EfficientDet-d6 | 640 | 52.6 | 92.8 | 89.29 | 51.9 | 226.0 |
| EfficientDet-d7 | 640 | 53.7 | 122.0 | 128.07 | 51.9 | 325.0 |
| 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 |
EfficientDet-d7は理論上最も高い精度を達成しますが、膨大な計算能力を必要とするため、エッジAIには適しません。DAMO-YOLOは優れたTensorRT速度を発揮しますが、同等の精度を達成するには、一般に下位のEfficientDetモデルより多くのパラメーターが必要です。
ユースケースと推奨事項#
EfficientDetとDAMO-YOLOのどちらを選ぶかは、具体的なプロジェクト要件、デプロイ上の制約、エコシステムの好みによって異なります。
EfficientDetを選ぶタイミング#
EfficientDetが適しているのは、次のような場合です。
- Google CloudとTPUパイプライン: EfficientDetがネイティブに最適化されている、Google Cloud Vision APIやTPUインフラと緊密に統合されたシステム。
- 複合スケーリングの研究: ネットワークの深さ、幅、解像度をバランスよくスケーリングする効果の研究に焦点を当てた学術的なベンチマーク。
- LiteRTによるモバイルデプロイ: Androidまたは組み込みLinuxデバイス向けに、LiteRT（旧称TensorFlow Lite）形式へのエクスポートが特に必要なプロジェクト。
DAMO-YOLOを選ぶケース#
DAMO-YOLOは、次の用途に適しています。
- 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。
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: 旧世代モデルを超える進化#
EfficientDetとDAMO-YOLOは学術的に有益な知見をもたらしますが、現代の開発者には、最先端の性能と開発者にとっての使いやすさを両立するフレームワークが必要です。Ultralyticsエコシステムは、その強みを発揮します。
比類のない使いやすさとエコシステム#
個別に管理された、独自のカスタマイズが多い研究リポジトリからモデルをデプロイすると、統合で大きな問題が生じることがよくあります。Ultralyticsは、豊富なドキュメントとPythonらしいAPIを備えた、統合的で保守の行き届いたエコシステムを提供します。トレーニングにGoogle Colabを使う場合でも、モバイル推論向けにCoreMLへエクスポートする場合でも、パイプラインは数行のコードで実行できます。
from ultralytics import YOLO
# 特におすすめのYOLO26 nano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簡単にトレーニングします
model.train(data="coco8.yaml", epochs=50, imgsz=640)
# トレーニング済みモデルを本番環境向けにONNXへエクスポートします
model.export(format="onnx")YOLO26の革新#
EfficientDetやDAMO-YOLOを評価している開発者にとって、Ultralytics YOLO26は進化の最終到達点です。2026年初頭にリリースされたYOLO26は、パラダイムを変える次の機能を導入しています。
- エンドツーエンドのNMSフリー設計: YOLOv10が先駆けとなったこの設計では、YOLO26のネイティブな1対1ヘッド（
nms=False）がNon-Maximum Suppression（NMS）の後処理を不要にします。その結果、デプロイアーキテクチャが大幅に簡素化され、多様なハードウェアで安定したレイテンシを実現します。 - CPU推論が最大43%高速: 大規模なGPUを利用できないエッジ環境など、DAMO-YOLOが苦戦する場面に向けてYOLO26は高度に最適化されており、一般的なCPUで大幅な高速化を実現します。
- MuSGD Optimizer: LLMの革新とコンピュータビジョンの橋渡しをするため、YOLO26にはMuSGD Optimizer（Moonshot AIに着想を得たもの）が採用されています。EfficientDetの不安定なトレーニングループと比べて、非常に安定したトレーニングと迅速な収束を実現します。
- DFLの削除: Distribution Focal Lossを削除することでエクスポートプロセスが簡素化され、低消費電力のマイクロコントローラーやRaspberry Piデバイスとの優れた互換性が実現します。
- ProgLoss + STAL: これらの高度な損失関数は、小さな物体の認識性能を大幅に向上させます。これは、従来のアーキテクチャが苦手としてきた領域です。
メモリ効率とタスクの汎用性#
Transformerモデルや高度に融合されたNASネットワークとは異なり、Ultralyticsモデルは厳格なメモリ効率を特徴としています。トレーニング時のCUDAメモリ消費量が非常に少ないため、一般向けハードウェアでも迅速に反復できます。
さらに、EfficientDetとDAMO-YOLOがバウンディングボックスに用途を限定される一方、Ultralyticsは同じ直感的なフレームワーク内でインスタンスセグメンテーションと画像分類をネイティブにサポートします。古いプロジェクトを保守しているユーザーにとっては、Ultralytics YOLOv8も、広くデプロイされている非常に堅牢な代替モデルとして検討する価値があります。
結論#
適切なビジョンアーキテクチャを選ぶには、理論上の性能とデプロイの現実を比較検討する必要があります。EfficientDetは数学的に洗練されたスケーリング手法を提供し、DAMO-YOLOは優れたGPU速度を実現します。しかし、迅速な開発、信頼性の高いデプロイ、最先端機能を優先するチームにとって、Ultralyticsモデルは明らかに優れた選択肢です。NMSフリー推論やMuSGD最適化などの革新を組み合わせたYOLO26は、現在利用できる最も高性能で保守しやすく効率的な基盤の上に、コンピュータビジョンプロジェクトを構築できるようにします。