EfficientDetとDAMO-YOLO
スケーラブルなコンピューター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定は、デプロイの実現可能性と検出精度の両方に影響する重要な判断です。このガイドでは、よく知られた2つのアーキテクチャ、EfficientDetとDAMO-YOLOを技術的に比較します。
どちらのモデルも物体検出に大きな革新をもたらしましたが、その後、ビジョンAIはより統合されたエコシステムへと移行しています。この分析では、これらの旧世代ネットワークの中核的な仕組みを取り上げ、Ultralytics PlatformやUltralytics YOLO26のような最新のソリューションが本番環境で広く利用される理由を説明します。
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用いてさまざまな入力特徴の重要度を捉え、高速なマルチスケール特徴融合を実現します。これをEfficientNetのバックボーンと組み合わせることで、予測可能にスケーリングできるD0からD7までのモデルファミリーを実現しています。
強みと弱み#
EfficientDetの主な強みは、パラメーター効率の高さです。固定された計算予算内で平均適合率(mAP)を最大化する必要があるタスクでは、複合スケーリング手法の予測可能性が大きな利点になります。しかし、EfficientDetはスクラッチからのトレーニングが複雑で、ハイパーパラメーター調整にも多くの時間を要することがよくあります。特定のTensorFlowオペレーションへの依存度も高いため、最新YOLOモデルが備えるシンプルなエクスポート機能と比べて、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向けの効率的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はいくつかの新しい技術を導入しています。NASで生成したMAE-NASというバックボーン、ネック部分の効率的な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。また、ラベル割り当てにはAlignedOTAを使用し、小型モデルの性能向上には知識蒸留を多用しています。
強みと弱み#
DAMO-YOLOはGPU推論速度に優れており、TensorRTを使用したNVIDIAアーキテクチャへのデプロイ向けに設計されています。大規模なヘッド構造を取り除くことで、低レイテンシーの予測を実現します。しかし、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に手動でデバッグや微調整を行うのが難しくなる場合があります。多用途な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、姿勢推定や回転バウンディングボックス(OBB)検出などの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) | mAPval50-95 | 速度 CPU ONNX (ms) | 速度 T4 TensorRT10 (ms) | パラメーター (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| EfficientDet-d0 | 512 | 34.6 | - | 3.92 | 3.9 | 2.54 |
| EfficientDet-d1 | 640 | 40.5 | - | 7.31 | 6.6 | 6.1 |
| EfficientDet-d2 | 768 | 43.0 | - | 10.92 | 8.1 | 11.0 |
| EfficientDet-d3 | 896 | 47.5 | - | 19.59 | 12.0 | 24.9 |
| EfficientDet-d4 | 1024 | 49.7 | - | 33.55 | 20.7 | 55.2 |
| EfficientDet-d5 | 1280 | 51.5 | - | 67.86 | 33.7 | 130.0 |
| EfficientDet-d6 | 1280 | 52.6 | - | 89.29 | 51.9 | 226.0 |
| EfficientDet-d7 | 1536 | 53.7 | - | 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は最高の精度を実現しますが、膨大な計算能力を必要とするため、エッジAIには適していません。DAMO-YOLOはTensorRTで高速に動作しますが、同等の精度を得るには、下位クラスのEfficientDetモデルよりも多くのパラメーターを必要とするのが一般的です。
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のリファレンス実装がTPUでの学習をサポートする、Google Cloud TPUインフラストラクチャ上のTensorFlowベースシステム。
- 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#
ほとんどの新規プロジェクトでは、Ultralytics YOLO26が性能と開発者体験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(NMS)の後処理を複雑にすることなく、安定した低レイテンシ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: 旧世代モデルを超える進化#
EfficientDetとDAMO-YOLOは学術的に価値のある知見をもたらしましたが、現代の開発者には、高い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。ここでUltralyticsエコシステムが際立ちます。
使いやすさとエコシステム#
独立した、強くカスタマイズされた研究リポジトリのモデルをデプロイすると、統合作業が複雑にな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、統合された保守性の高いエコシステムを提供します。トレーニングにGoogle Colabを使用する場合も、モバイル推論向けにCoreMLへエクスポートする場合も、パイプラインの実行に必要なのは数行のコードだけです。
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のご紹介#
EfficientDetやDAMO-YOLOを評価している開発者にとって、Ultralytics YOLO26は自然な次の選択肢です。2026年1月にリリースされたYOLO26は、いくつかの新機能を導入しています。
- エンドツーエンドNMSフリーデザイン: YOLOv10のNMSフリートレーニングを基盤に、YOLO26のネイティブなワンツーワンヘッド(
nms=False)は、後処理でのNMSを不要にします。これにより、デプロイアーキテクチャがシンプルになり、さまざまなハードウェアで一貫したレイテンシーを実現します。 - CPU推論が最大43%高速: DAMO-YOLOが想定していない高性能GPUのないエッジ環境向けに、YOLO26は標準的なCPUでの動作に最適化されています。YOLO26nはYOLO11nより最大43%高速に動作します。
- MuSGD Optimizer: LLMトレーニングの技術をコンピュータービジョンに取り入れ、YOLO26はMoonshot AIに着想を得たMuSGDオプティマイザーを採用しています。EfficientDetのようにトレーニング設定の影響を受けやすい手法と比べて、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、Raspberry Piなどの低消費電力エッジデバイスとの互換性が向上します。
- ProgLoss + STAL: 段階的な損失関数と小さなターゲットを考慮したラベル割り当て戦略により、小物体認識が大幅に向上します。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モデルや大規模に融合されたNASネットワークとは異なり、Ultralyticsのモデルはメモリ効率に優れています。トレーニング時のCUDAメモリ使用量が大幅に少なく、一般向けハードウェアで迅速に反復開発を進められます。
EfficientDetとDAMO-YOLOはバウンディングボックス検出に限られますが、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サポートしています。既存の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、信頼性が高く広くデプロイされている、検討に値する選択肢です。
結論#
適切なビジョンアーキテクチャを選ぶ際は、理論上の性能と実際のデプロイ環境とのバランスを考慮する必要があります。EfficientDetは体系的なスケーリング手法を提供し、DAMO-YOLOは高い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、最新機能を重視するチームには、Ultralyticsのモデルがより適した選択肢です。NMSフリー推論やMuSGD最適化などの革新を組み合わせることで、YOLO26はコンピュータービジョンプロジェクトに、高性能で保守しやすく効率的な基盤を提供します。
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。