YOLOv8とDAMO-YOLO
コンピュータービジョンの状況は常に進化しており、新しいアーキテクチャによってエッジデバイスや大規模なクラウドクラスターで可能なことが広がっています。この技術比較では、リアルタイム物体検出モデルの代表例であるYOLOv8とDAMO-YOLOを取り上げます。アーキテクチャ、性能指標、トレーニング手法を検討することで、MLエンジニアはデプロイパイプラインについて情報に基づいた判断を下せます。
モデルの背景と起源#
両モデルはほぼ同時期に発表されましたが、設計思想と研究目標は異なります。
YOLOv8の詳細#
- 著者: Glenn Jocher、Ayush Chaurasia、Jing Qiu
- 組織: Ultralytics
- 日付: 2023-01-10
- GitHub: Ultralytics GitHubリポジトリ
- ドキュメント: YOLOv8公式ドキュメント
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: DAMO-YOLO研究論文
- GitHub: DAMO-YOLO GitHubリポジトリ
アーキテクチャの革新#
YOLOv8:汎用性に優れたアンカーフリーデザイン#
Ultralytics YOLOv8は従来モデルから大幅に改良され、広く採用される信頼性の高いモデルになりました。アンカーフリー検出ヘッドを備え、ボックス予測数を減らして推論を高速化します。また、分類タスクと回帰タスクを分離する分離型ヘッドを採用し、より正確なバウンディングボックス予測を実現します。
さらに、YOLOv8はCIoU損失とともにDistribution Focal Loss(DFL)を実装し、特に小さな物体や遮蔽された物体の境界を正確に特定する性能を高めています。効率化されたバックボーンは、GPUとCPUの両方での実行に最適化されています。
DAMO-YOLO:アーキテクチャ探索を活用#
DAMO-YOLOは異なる手法を取り、ニューラルアーキテクチャ探索(NAS)を大きく活用してバックボーンを自動設計します。Alibabaのチームは、「MAE-NAS」を導入し、TensorRTによる高速化を前提に、レイテンシと精度の最適なトレードオフを実現する構造を探索しました。
このモデルは、効率的な特徴融合のためにRepGFPN(再パラメーター化された汎用特徴ピラミッドネットワーク)を取り入れ、検出ヘッドの計算負荷を最小限に抑える「ZeroHead」デザインを採用しています。トレーニングでは、ラベル割り当てにAlignedOTAを活用し、複雑な知識蒸留プロセスに大きく依存します。そのため、対象となる生徒モデルを監督する、より大規模な教師モデルが必要です。
DAMO-YOLOはNASと蒸留によって優れたレイテンシ指標を実現しますが、蒸留では通常、YOLOv8の単段トレーニングパイプラインより、トレーニング時に多くのCUDAメモリと計算時間が必要です。
パフォーマンスとメトリクス#
コンピュータービジョンモデルを本番環境にデプロイする際は、精度(mAP)と推論速度のバランスが重要です。以下の表は、さまざまなサイズにおける両モデルの性能を示しています。
| 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) |
|---|---|---|---|---|---|---|
| YOLOv8n | 640 | 37.3 | 80.4 | 1.47 | 3.2 | 8.7 |
| YOLOv8s | 640 | 44.9 | 128.4 | 2.66 | 11.2 | 28.6 |
| YOLOv8m | 640 | 50.2 | 234.7 | 5.86 | 25.9 | 78.9 |
| YOLOv8l | 640 | 52.9 | 375.2 | 9.06 | 43.7 | 165.1 |
| YOLOv8x | 640 | 53.9 | 479.1 | 14.37 | 68.2 | 257.8 |
| 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 |
小型モデルではDAMO-YOLOtとDAMO-YOLOsがYOLOv8nとYOLOv8sより高いmAPを達成しますが、パラメーター数は多くなります。中型以上ではYOLOv8が精度で優位です。YOLOv8n(nano)のパラメーター数はわずか320万で、DAMO-YOLOtの850万と比べて少ないため、モバイルデバイスやメモリ制限の厳しい環境に適しています。また、YOLOv8はより幅広いサイズを用意しており、クラウドのワークロード向けに、ここで最も高精度なYOLOv8xまで拡張できます。
開発者エクスペリエンスとエコシステム#
使いやすさとトレーニング効率#
ユーザー体験は、両者を分ける大きな要因の1つです。Ultralyticsエコシステムは、開発を迅速に進められるよう設計されています。カスタムYOLOv8モデルはメモリ要件が比較的低く、統合Python APIまたはコマンドラインインターフェースからトレーニングできます。
一方、DAMO-YOLOの蒸留を活用したトレーニングを再現するには、複雑な設定ファイルを扱い、教師モデルと生徒モデルを用いる複数段階の実験追跡に対応する必要がある場合がよくあります。
以下の例では、Pythonを使用してYOLOv8をトレーニングし、エクスポートします。
from ultralytics import YOLO
# 事前学習済みのYOLOv8 nanoモデルを読み込む
model = YOLO("yolov8n.pt")
# COCO8データセットでモデルをトレーニングします
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device="cpu")
# トレーニング済みモデルをONNX形式にエクスポートします
path = model.export(format="onnx")多様なビジョンタスクに対応#
DAMO-YOLOはバウンディングボックスによる物体検出専用に構築されています。一方、YOLOv8アーキテクチャは複数のタスクを標準でサポートします。モデルの重みを入れ替えるだけで、基盤となるデプロイコードを変更せずにインスタンスセグメンテーション、画像分類、姿勢推定を実行できるため、Ultralyticsモデルはマルチタスクアプリケーションにより適しています。
実際のユースケース#
YOLOv8の用途#
YOLOv8は速度、精度、デプロイの容易さを兼ね備えており、次の用途に最適です。
- スマートリテール分析: 物体追跡を行い、顧客の行動を監視したり、在庫確認を自動化したりできます。
- 農業用ロボティクス:さまざまなハードウェアで優れた性能を発揮し、作物や害虫をリアルタイムで識別します。
- 医療診断: インスタンスセグメンテーションを用いて、医療画像の異常領域を迅速かつ正確に特定できます。
- エッジデプロイ:OpenVINOやCoreMLなどの形式へのエクスポート機能を標準搭載しているため、YOLOv8はリソースが限られたデバイスに適しています。
DAMO-YOLOの用途#
DAMO-YOLOは、特に次のような特定のシナリオで有効です。
- 学術的なNAS研究: 再パラメーター化や自動アーキテクチャ設計の手法を研究するチームに適しています。
- GPUに完全依存するパイプライン: NAS向けに設計された構造がTensorRTでの実行に最適化されている、特定のNVIDIAハードウェアのみで動作するアプリケーションです。
ユースケースと推奨事項#
YOLOv8とDAMO-YOLOのどちらを選ぶかは、具体的なプロジェクト要件、デプロイの制約、エコシステムに関する優先事項によって異なります。
YOLOv8を選ぶ場合#
YOLOv8は、次のような場合に適しています。
- 汎用的なマルチタスクデプロイ: Ultralyticsエコシステム内で、検出、セグメンテーション、分類、姿勢推定に対応する実績あるモデルが必要なプロジェクトに適しています。
- 確立済みの本番システム: 安定性と十分なテストが確認されたデプロイパイプラインを備え、すでにYOLOv8アーキテクチャを基盤として構築されている本番環境。
- 広範なコミュニティとエコシステムのサポート: YOLOv8の豊富なチュートリアル、サードパーティ製ツールとの統合、活発なコミュニティリソースを活用できるアプリケーション。
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#
多くの新規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を最適なバランスで提供します。
- 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のないデバイスでは、YOLO26nのCPU推論がYOLO11nより最大43%高速であることが大きな強みになります。
- 小物体検出: ドローンによる空撮画像やIoTセンサー分析などの難しいシナリオでは、ProgLossとSTALが小さな物体の精度を向上させます。
今後を見据えて:新しいUltralyticsモデル#
YOLOv8は信頼性の高い主力モデルですが、コンピュータービジョン分野は急速に進化しているため、より新しい世代も検討する必要があります。
YOLO26: 最新世代のUltralytics YOLO26は、NMSの後処理によるレイテンシをなくす、ネイティブのエンドツーエンドNMSフリーデザイン(nms=False)を導入しています。MuSGDオプティマイザー(SGDとMuonのハイブリッド)が学習を安定させ、ProgLoss + STAL(Progressive LossとSmall-Target-Aware Label Assignment)が小物体検出を向上させます。DFLの削除(エクスポートの簡素化とエッジ/低消費電力デバイスとの互換性向上を目的にDistribution Focal Lossを削除)により、YOLO26nはYOLO11nよりCPU推論が最大43%高速になり、エッジコンピューティングに適した有力な選択肢となっています。
YOLO11: Ultralytics YOLO11はYOLOv8のアーキテクチャを改良しており、コミュニティで広く採用されています。
Ultralytics Platformを使用して、データセットに自動アノテーションを付与し、実験を追跡して、モデルをクラウドまたはエッジデバイスにデプロイすることで、モデルをプロトタイプから本番環境へ移行できます。
DAMO-YOLOはアーキテクチャ探索に関する有用な研究知見を提供しますが、Ultralyticsのモデルは、より成熟し、汎用性と開発者への使いやすさに優れたエコシステムを提供します。YOLOv8を使い続ける場合も、NMSフリーのYOLO26アーキテクチャにアップグレードする場合も、UltralyticsはリアルタイムのビジョンAIに必要な完全なツールキットを提供します。
コメント1
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。
exilebuild5423(編集済み)
Great technical comparison! DAMO-YOLO stands out with its advanced decoupled head and innovative data augmentation techniques, pushing accuracy further in specific detection tasks. However, this YOLOv8 comparison highlights how v8 offers a more balanced architecture with better ease of use, strong community support, and flexibility for multitask learning. Both models are strong contenders — the choice really depends on deployment needs and optimization priorities.