YOLOv6-3.0とDAMO-YOLO
コンピュータービジョンの分野は絶えず進化しており、新しいアーキテクチャによってリアルタイムの物体検出の速度と精度が向上しています。この分野で注目されるモデルが、YOLOv6-3.0とDAMO-YOLOです。どちらも産業用ハードウェアで性能を最大化する独自のアーキテクチャ上の革新を導入しています。このガイドでは、両モデルのアーキテクチャ、トレーニング手法、最適なユースケースを包括的に技術比較し、YOLO26などのUltralyticsモデルがもたらす次世代の利点も紹介します。
モデルの概要#
YOLOv6-3.0: 産業グレードのスループット#
MeituanのVision AI部門が開発したYOLOv6-3.0は、高スループットの産業用途向けに特化して設計されています。NVIDIA GPUなどのハードウェアアクセラレーターでの性能最大化を重視しています。
- 著者: Chuyi Li、Lulu Li、Yifei Gengほか
- 組織: Meituan
- 日付: 2023-01-13
- arXiv: 2301.05586
- GitHub: meituan/YOLOv6
- ドキュメント: Ultralytics YOLOv6のドキュメント
YOLOv6-3.0は、特徴融合を改善する双方向連結 (BiC) モジュールと、アンカー支援トレーニング (AAT) 戦略を導入しています。この戦略では、トレーニング中にアンカーベース検出器とアンカーフリー検出器の利点を組み合わせながら、推論時は完全なアンカーフリーを維持します。EfficientRepバックボーンはGPUバッチ処理に適した高いハードウェア親和性を備えており、大規模な動画理解のワークロードに適しています。
DAMO-YOLO:NASによる高速・高精度化#
Alibaba Groupが開発したDAMO-YOLOは、ニューラルアーキテクチャ探索 (NAS) を使用して、リアルタイム推論に最も効率的なバックボーン構造を自動的に探索します。
- 著者:Xianzhe Xu、Yiqi Jiang、Weihua Chenほか
- 組織: Alibaba Group
- 日付: 2022-11-23
- arXiv: 2211.15444v2
- GitHub:tinyvision/DAMO-YOLO
DAMO-YOLOは、効率的なマルチスケール特徴融合を実現するRepGFPN(再パラメーター化汎用特徴ピラミッドネットワーク)と、検出ヘッドの計算オーバーヘッドを大幅に削減するZeroHeadデザインが特徴です。また、モデルのパラメーター数を増やすことなく精度を高めるため、AlignedOTAによるラベル割り当てと知識蒸留の手法も採用しています。
DAMO-YOLOは優れた精度を達成しますが、トレーニング中の知識蒸留への依存度が高いため、はるかに大規模な「教師」モデルが必要です。そのため、よりシンプルなアーキテクチャと比べて、トレーニングフェーズで必要となるCUDAメモリが大幅に増加します。
パフォーマンス比較#
物体検出モデルを評価する際は、平均適合率(mAP)と推論速度のバランスが重要です。以下では、さまざまなモデルスケールにおけるYOLOv6-3.0とDAMO-YOLOを詳しく比較します。
| 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) |
|---|---|---|---|---|---|---|
| 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-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 |
YOLOv6-3.0は、TensorRTの最適化を活用するNVIDIA GPU上で優れた速度を示し、特にnanoおよびsmallのバリアントでその性能を発揮します。一方、DAMO-YOLOのNAS最適化バックボーンは、中規模および大規模モデルでFLOPsが少なくなる傾向があり、大規模なデプロイではレイテンシがわずかに優れます。
Ultralyticsの強み:YOLO26の登場#
YOLOv6-3.0とDAMO-YOLOは強力なツールですが、開発者は複雑なデプロイパイプライン、トレーニング時の高いメモリ要件、柔軟性に欠けるシングルタスクアーキテクチャに直面することがよくあります。Ultralyticsエコシステムは、より効率的な開発者体験を提供します。
YOLO26はUltralyticsの最新モデルです。2026年1月にリリースされたUltralytics YOLO26は、効率性と汎用性の両方を向上させています。
YOLO26の主な革新#
- エンドツーエンドのNMSフリーデザイン: YOLOv10がYOLOモデルに導入したNMSフリー学習を基盤として、YOLO26のオプションのワン・ツー・ワンヘッド(
nms=False)は、非極大抑制(NMS)の後処理を排除します。これによりレイテンシのばらつきを抑え、CoreMLやLiteRTを介したエッジデバイスへのデプロイを簡素化します。 - DFLの削除: Distribution Focal Lossを削除することで、YOLO26はエクスポートプロセスを簡素化し、低消費電力のエッジハードウェアとの互換性を高めます。
- CPU推論が最大43%高速: 専用GPUハードウェアを利用できないアプリケーションでは、YOLO26nはYOLO11nよりもCPU上で最大43%高速に動作します。
- MuSGDオプティマイザー: Moonshot AIのKimi K2などのLLMトレーニング手法に着想を得たYOLO26は、安定したトレーニングと高速な収束を実現するため、SGDとMuonを組み合わせたハイブリッドオプティマイザーであるMuSGDを使用します。
- ProgLoss + STAL: プログレッシブロス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、小さな物体の認識が向上し、ドローン運用や遠方のターゲット追跡に役立ちます。
- マルチタスクの汎用性: 検出器に特化したDAMO-YOLOとは異なり、YOLO26は単一の統合APIで、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、残差対数尤度推定による姿勢推定、方向付きバウンディングボックス (OBB)をすぐに利用できます。
RT-DETRのような複雑なTransformerアーキテクチャや、蒸留処理を多用するDAMO-YOLOのパイプラインとは異なり、UltralyticsのモデルはVRAM使用量の少なさで知られています。一般向けのハードウェアでYOLO26モデルをトレーニングできます。
効率化されたPythonワークフロー#
最先端モデルのトレーニングやデプロイに、何百行もの定型コードは必要ありません。Ultralytics Pythonパッケージは、機械学習のライフサイクルを簡素化します。
from ultralytics import YOLO
# YOLO26のsmallモデルを読み込みます
model = YOLO("yolo26s.pt")
# 組み込みのデータ処理機能でモデルをトレーニングします
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# 超高速推論を実行して結果を表示する
results = model("https://ultralytics.com/images/bus.jpg")
results[0].show()
# ONNXまたはTensorRTにエクスポートします
model.export(format="onnx")最適なユースケース#
適切なアーキテクチャは、デプロイ時の制約によって異なります。
YOLOv6-3.0を使う場面#
- 大規模バッチの動画分析: TensorRTを最大限に活用できるエンタープライズGPUサーバーで、高密度の動画ストリームを処理する用途に最適です。
- 産業オートメーション: 高速な製造ラインでの品質管理における欠陥検出。
DAMO-YOLOの用途#
- カスタムシリコン: 特定の独自NPUハードウェアに対応するニューラルアーキテクチャサーチのマッピングを研究する用途。
- 学術研究: リアルタイムネットワーク向けの新しい知識蒸留手法をベンチマークする用途。
Ultralytics YOLO26を使用するタイミング#
- エッジおよびモバイルへのデプロイ: オプションのNMSフリーヘッド、DFLの削除、最大43%高速なCPU推論(YOLO26nとYOLO11nの比較)により、iOS、Android、Raspberry Piへのデプロイに適しています。
- 迅速なプロトタイピングから本番環境へ: Ultralytics Platformとの統合により、チームはデータセットのアノテーションからグローバルなクラウドデプロイまでを、数カ月ではなく数日で実現できます。
- 複雑なビジョンパイプライン: バウンディングボックス、人間の姿勢キーポイント、精密なセグメンテーションマスクを組み合わせるプロジェクトに適しています。
結論#
YOLOv6-3.0とDAMO-YOLOは、リアルタイム物体検出の研究に大きく貢献してきました。YOLOv6はGPUの能力を最大限に引き出す技術を洗練させ、DAMO-YOLOは自動アーキテクチャサーチの威力を示しました。
精度、推論速度、エコシステムの保守性をバランスよく求める開発者にとって、Ultralytics YOLOファミリーは有力な選択肢です。YOLO26で導入された最適化により、本番環境のコンピュータービジョンアプリケーションを始めるハードルがさらに下がります。
さらに詳しく知りたい場合は、ドキュメントでYOLO11や、RT-DETRのようなTransformerベースの手法など、ほかのアーキテクチャとモデルを比較することもできます。
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。