YOLOv6-3.0とDAMO-YOLO#

コンピュータビジョンの分野は常に進化しており、新しいアーキテクチャがリアルタイムの物体検出で可能な範囲を広げ続けています。この分野で注目される2つのモデルがYOLOv6-3.0とDAMO-YOLOです。両モデルは、産業用ハードウェアでの性能を最大化するために設計された、独自のアーキテクチャ上の革新を取り入れています。本ガイドでは、両モデルのアーキテクチャ、トレーニング手法、理想的なユースケースを詳しく検討しながら、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。

モデルプロファイル#

YOLOv6-3.0：産業グレードのスループット#

MeituanのVision AI Departmentによって開発された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に重点を置いています。

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 Documentation

YOLOv6-3.0は、特徴量融合を改善する双方向連結 (BiC) モジュールを導入し、Anchor-Aided Training (AAT) 戦略を採用しています。この戦略は、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、推論時には完全なアンカーフリーを維持します。EfficientRepバックボーンにより、GPUでのバッチ処理に非常に適しており、大量の動画理解データの処理に適しています。

YOLOv6について詳しく見る

DAMO-YOLO：NASによる高速かつ高精度な検出#

Alibaba Groupが開発したDAMO-YOLOは、ニューラルアーキテクチャサーチ (NAS) を活用して、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。

Authors: Xianzhe Xu、Yiqi Jiang、Weihua Chenほか
Organization: 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量融合を実現するRepGFPN (Reparameterized Generalized Feature Pyramid Network) 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設計を特徴としています。さらに、AlignedOTAによるラベル割り当てと堅牢な知識蒸留手法を取り入れ、モデルのパラメーター数を増やすことなく精度を向上させています。

DAMO-YOLOの詳細を見る

蒸留によるオーバーヘッド

DAMO-YOLOは優れた精度を実現しますが、トレーニング中に知識蒸留へ大きく依存するため、はるかに大規模な「教師」モデルが必要です。その結果、より単純なアーキテクチャと比較して、トレーニング段階で必要となるCUDAメモリが大幅に増加します。

性能比較#

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、異なる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）}	mAP^val 50-95	速度 ^{CPU ONNX （ms）}	速度 ^{T4 TensorRT10 （ms）}	パラメーター数 ^（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の最適化を利用するNVIDIA GPU上で、特にnanoおよびsmallバリアントにおいて卓越した速度を示します。一方、DAMO-YOLOのNAS最適化バックボーンは、mediumおよびlargeスケールで必要なFLOPsが少ない傾向にあり、大規模なデプロイではわずかに優れたレイテンシを実現します。

Ultralyticsの優位性：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、トレーニング中の高いメモリ要件、柔軟性のない単一タスクアーキテクチャという課題に直面することがよくあります。Ultralyticsエコシステムは、開発者に大幅に効率化されたエクスペリエンスを提供します。

YOLO26のリリースにより、UltralyticsはビジョンAIの最先端を再定義しました。2026年1月にリリースされたUltralytics YOLO26は、効率性と汎用性の限界を押し広げます。

YOLO26の主な革新#

エンドツーエンドのNMSフリー設計： YOLOv10で先駆的に導入された概念を基盤として、YOLO26は非最大抑制 (NMS) の後処理をネイティブに排除します。これによりレイテンシのばらつきが大幅に低減し、CoreMLまたはTFLiteを介したエッジデバイスへのデプロイが簡素化されます。
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、低消費電力のマイクロコントローラーやエッジハードウェアとの互換性を大幅に高めます。
CPU推論が最大43%高速化： 専用GPUハードウェアを利用できないアプリケーション向けに、YOLO26のCPU最適化は比類のない速度を実現し、GPUに大きく依存するYOLOv6などのモデルを上回ります。
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て、YOLO26はMuSGDオプティマイザー（SGDとMuonのハイブリッド）を利用し、安定したトレーニングと高速な収束を実現します。
ProgLoss + STAL： 高度な損失関数により小物体の認識性能が大幅に向上するため、YOLO26はドローン運用や遠距離ターゲットの追跡に最適です。
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内で、インスタンスセグメンテーション、姿勢推定（Residual Log-Likelihood Estimationによる）、方向付きバウンディングボックス (OBB)をすぐに利用できる形でサポートします。

YOLO26

ultralytics

public26

Newest SOTA Ultralytics models, released January 2026. Smaller, faster, and more accurate than previous versions with native end-to-end inference.

7035 models1.5 GBAug 21, 2026

yolo26x-depthyolo26l-depthyolo26m-depth+32

メモリ効率の高いトレーニング

RT-DETRのような複雑なTransformerアーキテクチャや、DAMO-YOLOのように蒸留を多用するパイプラインとは異なり、UltralyticsモデルはVRAM使用量の少なさで知られています。一般消費者向けのハードウェアでも、YOLO26モデルを簡単に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とデプロイに、何百行ものボイラープレート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

# Load the cutting-edge YOLO26 small model
model = YOLO("yolo26s.pt")

# Train the model effortlessly with built-in data handling
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Run ultra-fast inference and display results
results = model("https://ultralytics.com/images/bus.jpg")
results[0].show()

# Export seamlessly to ONNX or TensorRT
model.export(format="onnx")

理想的なユースケース#

適切なアーキテクチャの選択は、デプロイの制約に完全に依存します。

YOLOv6-3.0を使用するタイミング#

高バッチ動画分析： TensorRTを最大限に活用できるエンタープライズGPUサーバー上で、高密度の動画ストリームを処理する用途に適しています。
産業オートメーション： 品質管理による欠陥検出を実行する高速製造ラインに適しています。

DAMO-YOLOを使用するタイミング#

カスタムシリコン： 特定の独自NPUハードウェア向けに、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に適しています。
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のベンチマークに適しています。

Ultralytics YOLO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： NMSフリー設計、DFLの削除、CPU速度の43%向上により、iOS、Android、Raspberry Piとの統合において他の追随を許さない選択肢となります。
迅速なプロトタイピングから本番環境まで： Ultralytics Platformとのシームレスな統合により、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、数か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同時に検出する必要があるプロジェクトに適しています。

まとめ#

YOLOv6-3.0とDAMO-YOLOは、リアルタイム物体検出の発展に大きく貢献してきました。YOLOv6はGPU性能の最大化を洗練し、DAMO-YOLOは自動アーキテクチャサーチの力を示しました。

しかし、精度、推論速度、エコシステムの保守性を究極のバランスで実現したい開発者にとって、Ultralytics YOLOファミリーは依然として最有力の選択肢です。YOLO26で導入された画期的な最適化により、エンタープライズグレードのコンピュータビジョンアプリケーションを作成するための参入障壁は、かつてないほど低くなっています。

さらに詳しく検討するには、ドキュメント内でこれらのモデルをYOLO11や、RT-DETRのようなTransformerベースのアプローチなど、他のアーキテクチャと比較することもおすすめします。

貢献者

GLglenn-jocher¹⁶ PDpderrenger¹

作成日 2025年1月27日更新日 4 週間前