YOLOv5 と DAMO-YOLO の比較#
リアルタイムコンピュータビジョンの分野は絶えず進化しており、研究者やエンジニアは精度、速度、使いやすさの完璧なバランスを追求しています。この歩みを形作ってきた2つの卓越したモデルが、Ultralytics YOLOv5 とAlibabaの DAMO-YOLO です。
本ガイドでは、次期プロジェクトに最適なモデルを選択するために、それぞれのアーキテクチャ、パフォーマンス指標、トレーニング手法について詳細な技術分析を提供します。
モデルの背景#
技術的な詳細を掘り下げる前に、これらの影響力のあるビジョンモデルそれぞれの起源と、根底にある主要な設計哲学を理解することが重要です。
Ultralytics YOLOv5#
Glenn JocherとUltralyticsのチームによって開発されたYOLOv5は、リリース以来業界標準となっています。PyTorchフレームワークをベースにネイティブ構築されており、優れた開発者体験と、導入後すぐに使える堅牢なデプロイ機能を優先しています。
- 作成者: Glenn Jocher
- 組織: Ultralytics
- 日付: 2020-06-26
- GitHub: https://github.com/ultralytics/yolov5
- ドキュメント: Ultralytics YOLOv5 ドキュメント
DAMO-YOLO#
Alibaba Groupの研究者によって作成されたDAMO-YOLOは、ニューラルアーキテクチャ探索（NAS）と高度な蒸留手法に重点を置いています。ハードウェア固有のパフォーマンスの理論的限界を押し広げ、極限のチューニングを必要とする研究環境やエッジ環境に強力に適応します。
- 著者: Xianzhe Xu, Yiqi Jiang, Weihua Chen, Yilun Huang, Yuan Zhang, and Xiuyu Sun
- Organization: Alibaba Group
- 日付: 2022-11-23
- Arxiv: https://arxiv.org/abs/2211.15444v2
- GitHub: https://github.com/tinyvision/DAMO-YOLO
アーキテクチャの革新#
両モデルとも独自の構造概念を活用してリアルタイム性能を達成していますが、そのアプローチは大きく異なります。
YOLOv5：安定性と汎用性#
YOLOv5は、Modified CSP（Cross Stage Partial）バックボーンとPANet（Path Aggregation Network）ネックを組み合わせて使用しています。この構造は非常に効率的で、トレーニングおよび推論中のCUDAメモリ使用量を最小限に抑えます。
YOLOv5の最大の強みの1つは、多様なタスクへの適応性です。バウンディングボックスの予測にとどまらず、画像セグメンテーションや画像分類用の専用アーキテクチャを提供しており、開発者は単一のまとまりのあるフレームワークを中心にビジョンパイプラインを標準化できます。
DAMO-YOLO：自動アーキテクチャ探索#
DAMO-YOLOの核となる革新は、MAE-NASバックボーンです。マルチオブジェクティブ進化的探索を用いることで、Alibabaチームは検出精度と推論速度のバランスを動的にとるバックボーンを発見しました。
さらに、特徴量フュージョンを向上させる Efficient RepGFPN ネックを備えており、衛星画像解析でよく見られる複雑なスケール変動に非常に有益です。その ZeroHead 設計は最終的な予測レイヤーを簡素化してレイテンシを削減しますが、この複雑な構造生成によりアーキテクチャが硬直し、カスタムアプリケーション向けに変更しにくくなる場合があります。
Transformerベースのアーキテクチャは、高いVRAM消費量に悩まされることがよくあります。YOLOv5とDAMO-YOLOはどちらも効率的な畳み込み設計を利用してメモリフットプリントを低く抑えていますが、Ultralyticsモデルは民生用GPU向けに特に最適化されており、独立した研究者やスタートアップにとって非常にアクセスしやすくなっています。
パフォーマンスとメトリクス#
リアルタイム物体検出器を評価するには、mAP（平均適合率）、推論速度、およびモデルサイズパラメータのマトリックスを確認する必要があります。
| 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 (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv5n | 640 | 28.0 | 73.6 | 1.12 | 2.6 | 7.7 |
| YOLOv5s | 640 | 37.4 | 120.7 | 1.92 | 9.1 | 24.0 |
| YOLOv5m | 640 | 45.4 | 233.9 | 4.03 | 25.1 | 64.2 |
| YOLOv5l | 640 | 49.0 | 408.4 | 6.61 | 53.2 | 135.0 |
| YOLOv5x | 640 | 50.7 | 763.2 | 11.89 | 97.2 | 246.4 |
| 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 |
DAMO-YOLOが特定のパラメータ数で非常に競争力のあるmAPスコアを達成する一方で、YOLOv5は一貫して優れたTensorRT速度と、ナノおよびスモール構成における驚異的に低いパラメータ数を示します。このパフォーマンスのバランスにより、YOLOv5は多様なエッジデプロイシナリオにおいて効率的に動作します。
学習効率とエコシステム#
モデルの理論上の精度は、実用的な実装可能性があって初めて価値を持ちます。ここで両モデルは大きく分岐します。
蒸留の複雑さ#
DAMO-YOLOは、マルチステージのトレーニング手法に大きく依存しています。AlignedOTAと呼ばれる教師・生徒知識蒸留手法を実装しています。これは生徒モデルから最大のパフォーマンスを引き出しますが、最初に大規模な教師モデルをトレーニングする必要があります。これにより、計算時間、エネルギーコスト、必要なハードウェアが大幅に増加し、機敏なMLチームにとってのボトルネックとなります。
Ultralyticsの利点：使いやすさ#
対照的に、Ultralyticsエコシステムは、直感的なAPIとトレーニング効率の高さで世界的に定評があります。活発な開発と膨大なオープンソースコミュニティに支えられ、開発者はシームレスにモデルのトレーニング、検証、デプロイを行うことができます。
from ultralytics import YOLO
# Load a pretrained YOLOv5 model
model = YOLO("yolov5s.pt")
# Train on a custom dataset effortlessly
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# Export to ONNX format for deployment
model.export(format="onnx")また、UltralyticsはWeights & BiasesやComet MLなどのツールを通じた実験トラッキングの組み込みサポートを提供し、摩擦のないワークフローを実現します。
実際のユースケース#
- YOLOv5 は、ペースの速い本番環境で優れた性能を発揮します。その簡単なエクスポート性により、スマートリテールアナリティクス、高速な製造不良検出、およびCoreMLを介したモバイルアプリケーションへの統合の最有力候補となっています。
- DAMO-YOLOは、厳格な学術的ベンチマークや、特定の固定ハードウェアターゲットに向けてわずかなmAP改善を引き出すことを目的とした、長時間の蒸留トレーニングを実行するための膨大な計算リソースが利用可能なシナリオに非常に適しています。
ユースケースと推奨事項#
YOLOv5とDAMO-YOLOのどちらを選択するかは、特定のプロジェクト要件、デプロイ制約、およびエコシステムの優先事項によって決まります。
YOLOv5を選択すべき場合#
YOLOv5は次の場合に強力な選択肢となります：
- 実証済みの本番システム： YOLOv5の長期にわたる安定性の実績、広範なドキュメント、および膨大なコミュニティサポートが重視される既存のデプロイ環境。
- リソースが制限されたトレーニング： GPUリソースが限られており、YOLOv5の効率的なトレーニングパイプラインと低いメモリ要件が有利に働く環境。
- 豊富なエクスポートフォーマットのサポート: ONNX、TensorRT、CoreML、TFLiteを含む多くのフォーマットにわたるデプロイを必要とするプロジェクト。
DAMO-YOLOを選択すべきケース#
DAMO-YOLOは以下の場合に推奨されます：
- 高スループットビデオ解析: 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の高FPSビデオストリーム処理。
- 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の厳格なGPUレイテンシ制約があるシナリオ。
- Neural Architecture Searchの研究: 自動化されたアーキテクチャ探索 (MAE-NAS) や効率的な再パラメータ化バックボーンが検出パフォーマンスに与える影響の研究。
Ultralytics (YOLO26) を選択すべき時#
ほとんどの新しい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の最高の組み合わせを提供します。
- NMSフリーのエッジ展開： Non-Maximum Suppression後処理の複雑さを伴わずに、一貫した低レイテンシの推論が求められるアプリケーション。
- CPUのみの環境： GPUアクセラレーションを利用できないデバイスにおいて、YOLO26の最大43%高速なCPU推論が決定的な利点となる場合。
- 小物体検出: ProgLossとSTALにより極小オブジェクトの精度が大幅に向上する、空中ドローン画像やIoTセンサー分析などの困難なシナリオ。
次の進化：YOLO26#
新しいプロジェクトを開始する場合は、未来に目を向けることを強くお勧めします。Ultralytics YOLO26は、YOLOv5の驚異的な基盤の上に構築されており、最先端のビジョンAIを再定義する革命的な進歩を取り入れています。
広く評価されてリリースされたYOLO26は、ネイティブなエンドツーエンドモデルです。エンドツーエンドNMSフリー設計を採用しており、Non-Maximum Suppressionの後処理を完全に排除することで、大幅に高速でシンプルなデプロイを実現します。
YOLO26の主な革新点は以下の通りです。
- MuSGDオプティマイザー： LLMトレーニングの革新に触発されたこのSGDとMuonのハイブリッドは、非常に安定したトレーニングと迅速な収束を保証します。
- 最大43%高速なCPU推論： エッジコンピューティング向けに大幅に最適化されており、専用GPUなしで動作するIoTデバイスに最適です。
- ProgLoss + STAL: 小さなオブジェクトの認識を劇的に改善する高度な損失関数であり、空撮ドローン画像やロボット工学にとって極めて重要です。
- タスク固有の改善: 指向性バウンディングボックス（OBB）用の特殊な角度損失から、正確な姿勢推定（Pose estimation）のためのResidual Log-Likelihood Estimation（RLE）に至るまで、YOLO26は複雑なドメインを容易に処理します。
結論#
YOLOv5とDAMO-YOLOはどちらも、物体検出の歴史にその名を刻んでいます。DAMO-YOLOは、ニューラルアーキテクチャ探索と蒸留に関する興味深い研究対象であり続けています。しかし、十分に維持されたエコシステム、使いやすさ、そして迅速な生産への道のりを優先する組織にとって、Ultralyticsのモデルは比類のない存在です。
Ultralyticsプラットフォームを活用して、YOLO26などの次世代モデルのアノテーション、トレーニング、デプロイを行い、コンピュータビジョンパイプラインを将来性があり、高速で、驚異的に正確なものにすることを強くお勧めします。