YOLO26とDAMO-YOLOの比較
コンピュータービジョンモデルの選択では、推論速度、精度、デプロイの容易さのバランスを取る必要があります。このページでは、Ultralytics YOLO26とDAMO-YOLOを比較します。どちらもリアルタイム物体検出を対象としていますが、設計思想と想定されるユースケースは異なります。
アーキテクチャの革新と設計#
Ultralytics YOLO26:エッジファーストのビジョンAI#
UltralyticsのGlenn JocherとJing Qiuが開発し、2026年1月14日にリリースされたYOLO26は、Ultralytics YOLOの系譜における最新モデルであり、新規プロジェクトに推奨される選択肢です。エッジコンピューティング向けに設計され、LLMの学習における最適化手法を取り入れています。
YOLO26の主なアーキテクチャ機能は次のとおりです。
- エンドツーエンドのNMSフリーデザイン: YOLOモデルにYOLOv10が導入したNMSフリートレーニングを基盤に、YOLO26はネイティブなエンドツーエンド推論をサポートします。オプションのone-to-oneヘッド(
nms=False)はNon-Maximum Suppression(NMS)の後処理を省略するため、レイテンシーの予測可能性が高まり、デプロイパイプラインが簡素化されます。 - DFLの削除: Distribution Focal Lossを削除することで、モデルグラフが簡素化されます。その結果、ONNXやTensorRTなどのデプロイ用フレームワークへのエクスポートが大幅に容易になり、低消費電力のエッジデバイスとの互換性も向上します。
- MuSGDオプティマイザー: Moonshot AIのKimi K2に着想を得た確率的勾配降下法(SGD)とMuonのハイブリッド手法は、LLMの学習におけるイノベーションをコンピュータービジョンに取り入れ、学習の安定性と収束速度を向上させます。
- ProgLoss + STAL: Progressive LossとSmall-Target-Aware Label Assignment(STAL)は小物体認識を向上させます。これは、ドローンを利用した航空画像解析やロボティクスのパイプラインで重要です。
DAMO-YOLO:大規模なニューラルアーキテクチャ探索#
Alibaba GroupのXianzhe Xu、Yiqi Jiang、Weihua Chen、Yilun Huang、Yuan Zhang、Xiuyu Sunが開発したDAMO-YOLO(2022年11月23日リリース)は、アーキテクチャの自動探索に重点を置いています。arXiv論文で詳述されているこの研究では、ニューラルアーキテクチャサーチ(NAS)を使用し、厳しいレイテンシ予算内でバックボーンを見つけます。
DAMO-YOLOの主なアーキテクチャ機能は次のとおりです。
- MAE-NASバックボーン: 最大エントロピーを指針とする探索を用いて、精度と対象デプロイ環境での速度のバランスを取るバックボーンを自動設計します。
- Efficient RepGFPN: 複雑な視覚シーンに対応できるよう、スケール間の特徴融合を改善する、大規模なネック設計です。
- ZeroHead: 最終的な予測レイヤーでの計算オーバーヘッドを最小限に抑えるために設計された、軽量な検出ヘッドです。
DAMO-YOLOのNAS主導型アーキテクチャは、事前に定義された特定のハードウェア制約に適しています。一方、YOLO26のオプションのNMSフリーデザインとDFLの削除は、エッジ環境とクラウド環境の両方で、より移植性が高く予測しやすい選択肢となります。
パフォーマンスと指標の比較#
標準のCOCOデータセットでトレーニングしたモデルバリアントを直接比較すると、それぞれ異なるパフォーマンス特性が明らかになります。以下の表では、精度(mAP)、速度、計算リソース(パラメーター数とFLOPs)のトレードオフを示します。
| 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) |
|---|---|---|---|---|---|---|
| YOLO26n | 640 | 40.9 | 38.9 | 1.7 | 2.4 | 5.5 |
| YOLO26s | 640 | 48.6 | 87.2 | 2.5 | 9.5 | 20.9 |
| YOLO26m | 640 | 53.1 | 220.0 | 4.7 | 20.4 | 68.4 |
| YOLO26l | 640 | 55.0 | 286.2 | 6.2 | 24.8 | 86.8 |
| YOLO26x | 640 | 57.5 | 525.8 | 11.8 | 55.7 | 194.4 |
| 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 |
パフォーマンス分析#
YOLO26nは2.4M個のパラメーターを持ち、TensorRTを使用したNVIDIA T4 GPUで1.7 msで動作します。また、YOLO26nはYOLO11nよりCPUで最大43%高速に動作するため、専用GPUアクセラレーターを搭載していないエッジデバイスに適しています。
DAMO-YOLOtはmAPでYOLO26nを上回ります(42.0対40.9)が、パラメーター数は約3.5倍(8.5M)です。s、m、lサイズでは、YOLO26はDAMO-YOLOより高精度で(たとえばlモデルではmAPが55.0対50.8)、パラメーター数が少なく、TensorRT速度も速く、学習時のCUDAメモリ使用量も通常は少なくなります。
エコシステム、使いやすさ、トレーニング効率#
モデルの価値は、開発者や研究者がどれだけ簡単に学習、デプロイ、保守できるかにも左右されます。
Ultralyticsの強み#
Ultralyticsモデルには、適切にメンテナンスされた開発者向けエコシステムが付属します。データ拡張、ハイパーパラメーター調整、実験トラッキングを含むワークフローを、簡単なコマンドで実行できます。
YOLO26はより汎用性にも優れています。物体検出に特化したDAMO-YOLOとは異なり、YOLO26は物体検出、インスタンスセグメンテーション、セマンティックセグメンテーション、深度推定、分類、姿勢推定、OBB検出に対応し、次のようなタスク固有の改善も備えています。
- インスタンスセグメンテーション: セマンティックセグメンテーション損失とマルチスケールprotoモジュールを使用します。
- 姿勢推定: Residual Log-Likelihood Estimation(RLE)を使用します。
- Oriented Bounding Box(OBB): 境界の問題を解決するために、専用の角度損失を使用します。
- 画像分類: 画像全体に対する高速かつ軽量なラベル付けを実現します。
トレーニング手法#
DAMO-YOLOの学習では、大規模な「教師」モデルが小規模な「生徒」モデルを学習させる知識蒸留のプロセスを伴うことがよくあります。精度は向上しますが、より多くのGPUメモリと長い学習サイクルが必要です。
YOLO26は教師モデルを使わずに学習し、通常は必要なメモリも少ないため、MuSGDオプティマイザーを使用して一般向けハードウェア上で効率よく学習できます。PyTorchを基盤とするUltralytics Python APIを使用してYOLO26モデルを学習する方法は次のとおりです。
from ultralytics import YOLO
# ネイティブなエンドツーエンド対応のYOLO26 nanoモデルを初期化します
model = YOLO("yolo26n.pt")
# カスタムデータセットでトレーニングします
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=0)
# 最適化されたNMS不要モデルをエクスポートします
model.export(format="onnx", nms=False)実際の用途#
適切な選択は、デプロイ環境によって異なります。
エッジAIとIoTデバイス#
スマート小売カメラ、自動農業モニター、ロボティクスでは、コンピューティングリソースが厳しく制限されています。このような場合は、YOLO26がより適しています。CPU推論の高速化、オプションのNMSフリーヘッド、少ないパラメーター数により、精度を維持しながら、Raspberry Piなどのエッジデバイスで実行できます。
高速製造と品質管理#
製造自動化ラインで高速に動くコンベヤーベルト上の欠陥を検出するには、最小限かつ決定論的なレイテンシが必要です。DAMO-YOLOは特定のGPU構成で優れた性能を発揮しますが、NMS後処理によるレイテンシの変動は、ロボットアクチュエーターの同期を乱す可能性があります。NMSフリーヘッド(nms=False)を有効にしたYOLO26は、フレーム処理時間を一定に保つため、高速な産業用ロボティクスへの統合が容易になります。
ドローンと航空画像#
高高度から小さな対象物を検出するのは困難です。YOLO26のProgLossとSTALは小物体認識を向上させるため、対象物が数ピクセルしか映らないUAVからの野生動物の追跡や交通渋滞の分析に役立ちます。
ユースケースと推奨事項#
YOLO26とDAMO-YOLO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決まります。
YOLO26を選ぶ場合#
YOLO26は、次のような用途に適しています。
- 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-Only Environments: 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の最大43%高速なCPU推論(YOLO26n対YOLO11n)が大きな優位性をもたらします。
- 小物体検出: ドローンによる航空画像やIoTセンサー分析など、ProgLossとSTALによって小物体の精度が向上する難易度の高いシナリオに適しています。
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。
結論#
DAMO-YOLOは特定のハードウェアを対象とするニューラルアーキテクチャサーチの優れた研究例ですが、ほとんどの実務者にとって、よりバランスの取れた選択肢はUltralytics YOLO26です。オプションのNMSフリー推論、低いメモリ要件、MuSGDオプティマイザー、適切にメンテナンスされたエコシステムにより、開発者はビジョンシステムを迅速かつ確実に構築、デプロイできます。
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。