Ultralytics YOLO27:

PP-YOLOE+ と RTDETRv2#

コンピュータビジョンの分野は、特にリアルタイム物体検出の領域において、近年目覚ましい進化を遂げています。デプロイに適したアーキテクチャを選択することは、低速でメモリ負荷の高いアプリケーションになるか、高度に最適化された応答性の高いシステムになるかを左右します。この技術比較では、Baiduの2つの主要モデル、CNNベースのPP-YOLOE+とTransformerベースのRTDETRv2について検討します。両者のアーキテクチャ、パフォーマンス指標、理想的なユースケースを分析するとともに、最先端のUltralytics YOLO26プラットフォームとの比較も行います。

PP-YOLOE+：CNNパラダイムの進化#

PP-YOLOE+は、前身モデルを発展させたモデルとして開発され、従来の畳み込みニューラルネットワーク（CNN）が物体検出で実現できる可能性を広げています。YOLOシリーズの基本的な仕組みを基盤としながら、PaddlePaddleエコシステム向けの特定の最適化を導入した、高性能なアンカーフリー検出器です。

モデルの詳細:

アーキテクチャと手法#

PP-YOLOE+は、高度に最適化されたバックボーンとカスタマイズされた特徴ピラミッドネットワークを使用して、マルチスケールの特徴を効果的に集約します。アンカーフリー設計を採用しているため、アンカーボックスの生成に通常必要となるヒューリスティックな調整プロセスが簡素化されます。さらに、学習中に予測とグラウンドトゥルースボックスをより適切に対応付けるため、高度なラベル割り当て戦略をトレーニング手法に取り入れています。

強みとユースケース#

PP-YOLOE+の主な強みは、標準的なサーバーハードウェア上での堅牢なパフォーマンスと、Baiduのツールとの緊密な統合にあります。ハードウェアの制約が過度に厳しくない製造環境での静的な欠陥検出など、従来型の産業ワークフローに適しています。

PP-YOLOE+の詳細をご覧ください

エコシステムに関する考慮事項

PP-YOLOE+は高い精度を提供しますが、最新のUltralyticsパイプラインで容易に利用できるネイティブなエクスポート形式とは異なり、固有のエコシステム外にデプロイする際には追加の変換手順が必要になる場合があります。

RTDETRv2：リアルタイム検出Transformer#

純粋なCNNから発展したRTDETRv2（リアルタイム物体検出Transformer バージョン2）は、コンピュータビジョンタスクにおけるアテンションベースのメカニズムへの飛躍を示しています。Transformerのグローバルコンテキスト理解と、実環境のアプリケーションに必要な低レイテンシを両立させることを目指しています。

モデルの詳細:

アーキテクチャと手法#

RTDETRv2は、特徴抽出用のCNNバックボーンと、効率化されたTransformerエンコーダー・デコーダーを組み合わせたハイブリッドアーキテクチャを採用しています。RTDETRv2の特徴は、従来の非最大抑制（NMS）ポストプロセスを省略する、ネイティブなエンドツーエンド設計です。また、マルチスケール検出や複雑なシーンへの対応などの機能も導入しており、セルフアテンションを利用して離れた物体間の空間的関係を理解します。

強みとユースケース#

Transformerアーキテクチャにより、RTDETRv2はグローバルコンテキストの理解が重要なシナリオで非常に効果的です。ただし、Transformerモデルは通常、軽量なCNNと比べて、トレーニング時と推論時の両方で大幅に多くのCUDAメモリを必要とします。強力なGPUサーバー上で実行するクラウドベースのビデオ分析など、ハードウェアの制約がない環境に最適です。

RT-DETR についての詳細情報はこちら

パフォーマンスとメトリクスの比較#

これらのモデルを評価する際には、平均適合率（mAP）と計算コスト（FLOPsおよび推論レイテンシで測定）のトレードオフが最も重要です。以下の表では、PP-YOLOE+とRTDETRv2の各スケールにおける主要な指標を示します。

モデルサイズ
（ピクセル）		mAPval
50-95		速度
CPU ONNX
（ms）		速度
T4 TensorRT10
（ms）		パラメーター数
（M）		FLOPs
（B）
PP-YOLOE+t64039.9-2.844.8519.15
PP-YOLOE+s64043.7-2.627.9317.36
PP-YOLOE+m64049.8-5.5623.4349.91
PP-YOLOE+l64052.9-8.3652.2110.07
PP-YOLOE+x64054.7-14.398.42206.59
RTDETRv2-s64048.1-5.032060
RTDETRv2-m64051.9-7.5136100
RTDETRv2-l64053.4-9.7642136
RTDETRv2-x64054.3-15.0376259

RTDETRv2は、パラメーター数とFLOPsの増加を伴いながら高いmAPを示しますが、制約のあるエッジデバイスへのデプロイを検討する開発者は、Transformerレイヤーに伴う一般的に大きなメモリ要件によってボトルネックに直面することがよくあります。

ユースケースと推奨事項#

PP-YOLOE+とRT-DETRのどちらを選択するかは、具体的なプロジェクト要件、デプロイの制約、エコシステムの好みによって決まります。

PP-YOLOE+ を選択するケース#

PP-YOLOE+ は、次の用途に適しています。

  • PaddlePaddle エコシステムとの統合: 既存のインフラストラクチャがBaidu の PaddlePaddleフレームワークとツールで構築されている組織。
  • Paddle Lite エッジデプロイ: Paddle Lite または Paddle 推論エンジン向けに特別に最適化された推論カーネルを備えるハードウェアへのデプロイ。
  • 高精度なサーバーサイド検出: フレームワークへの依存が問題にならず、高性能 GPU サーバー上で最大限の検出精度を優先するシナリオ。

RT-DETRを選択するケース#

RT-DETRは次の用途に推奨されます。

  • Transformerベースの検出研究： NMSを使用しないエンドツーエンド物体検出のために、アテンションメカニズムやTransformerアーキテクチャを研究するプロジェクト。
  • 柔軟なレイテンシーを許容できる高精度シナリオ： 検出精度を最優先し、やや高い推論レイテンシーを許容できるアプリケーション。
  • 大きな物体の検出： 主に中型から大型の物体が存在し、Transformerのグローバルアテンションメカニズムが本質的な優位性を発揮するシーン。

Ultralytics (YOLO26)を選ぶタイミング#

ほとんどの新規プロジェクトでは、Ultralytics YOLO26が性能と開発者エクスペリエンスの最適な組み合わせを提供します。

  • NMSフリーのエッジデプロイ: Non-Maximum Suppressionの後処理を複雑にすることなく、一貫した低レイテンシー推論が必要なアプリケーション。
  • CPUのみの環境: 専用GPUアクセラレーションを持たないデバイスで、YOLO26の最大43%高速なCPU推論が決定的な優位性となる場合。
  • 小さな物体の検出: aerial drone imageryやIoTセンサー分析など、ProgLossとSTALによって微小物体の精度が大幅に向上する難しいシナリオ。

Ultralyticsの優位性: YOLO26のご紹介#

PP-YOLOE+とRTDETRv2はいずれも重要なマイルストーンですが、現代の開発者には、卓越したパフォーマンスと効率化された使いやすさを完全に両立するエコシステムが必要です。Ultralytics Platformと画期的なYOLO26モデルは、まさにそれを実現します。

2026年1月にリリースされたYOLO26は、エッジファーストのビジョンAIにおける新たな標準を確立します。従来のアーキテクチャに伴うデプロイ上の課題を巧みに解決し、速度と精度の両面で従来モデルを上回ります。

アーキテクチャのイノベーション#

YOLO26は、従来のCNNや大規模なTransformerを凌駕する、先進的な機能強化をいくつも導入しています。

  • エンドツーエンドのNMSフリー設計： RTDETRv2と同様に、YOLO26はネイティブなエンドツーエンドモデルです。非最大抑制（NMS）のポストプロセスを排除することで、レイテンシの揺らぎを抑えた、より高速でシンプルなデプロイを実現し、リアルタイムのロボティクスや自律システムに最適です。
  • CPU推論が最大43%高速： 深いアーキテクチャ最適化により、YOLO26はディスクリートGPUを搭載しないエッジデバイスで競合モデルを大幅に上回り、IoTやスマートシティアプリケーションに最適な選択肢となります。
  • MuSGDオプティマイザー： LLMトレーニングのイノベーションに着想を得たYOLO26は、SGDとMuonのハイブリッドを採用しています。これにより、より安定したトレーニング軌跡と大幅に高速な収束を実現し、GPUトレーニング時間を大きく削減します。
  • ProgLoss + STAL： これらの高度な損失関数により、小さな物体の認識が大幅に向上します。これは、PP-YOLOE+などのモデルが従来苦手としてきた領域であり、航空画像やドローンアプリケーションにとって重要です。
  • DFLの削除： Distribution Focal Lossを削除することでエクスポートプロセスが簡素化され、さまざまなエッジデバイスや低消費電力デバイスとのシームレスな互換性が確保されます。
タスクに応じた汎用性

専門特化型の物体検出器とは異なり、YOLO26は非常に汎用性が高く、インスタンスセグメンテーション、姿勢推定、分類、方向付きバウンディングボックス（OBB）に対応しています。Pose向けのRLEやOBB向けの専用角度損失など、タスクに合わせた機能強化も含まれています。

他に類を見ない使いやすさ#

RTDETRv2のような複雑なアーキテクチャを採用する際の大きな課題の1つは、学習曲線が急で、統合プロセスが分断されていることです。Ultralyticsエコシステムでは、直感的なPython APIと包括的なWebベースのプラットフォームによって、こうした複雑性を完全に抽象化しています。

カスタムデータセットをトレーニングする場合でも、簡単な推論を実行する場合でも、プロセスはシームレスです。

from ultralytics import RTDETR, YOLO

# Initialize the state-of-the-art YOLO26 model
model_yolo = YOLO("yolo26n.pt")

# Alternatively, initialize an RT-DETR model via the same simple API
model_rtdetr = RTDETR("rtdetr-l.pt")

# Run real-time inference effortlessly
results = model_yolo("https://ultralytics.com/images/zidane.jpg")
results[0].show()

# Export for edge deployment in one line
model_yolo.export(format="engine", quantize=16)

Ultralytics YOLOモデルは一般的に必要なメモリが少ないため、Transformerベースのモデルと比べて、より高速にトレーニングでき、より安価なハードウェアにデプロイできます。さらに、活発な開発と世界水準のドキュメントにより、プロダクションパイプラインの安定性が維持されます。

代替案を検討しているチームにとって、YOLO11はエコシステム内において強力にサポートされ、卓越した性能を持つ前世代モデルであり続け、レガシーハードウェア統合のための優れたベースラインを提供します。また、YOLO11 vs RT-DETRの比較についてもご覧いただくと役立つ場合があります。

まとめ#

PP-YOLOE+とRTDETRv2は、それぞれ高度なCNNパイプラインとリアルタイムTransformerの有効性を示し、コンピュータビジョンの進化に大きく貢献してきました。しかし、2026年に堅牢で汎用性が高く、高度に最適化されたコンピュータビジョンアプリケーションのデプロイを目指す組織にとって、Ultralytics YOLO26は比類のないソリューションを提供します。ネイティブなNMSフリーアーキテクチャ、大幅に高速なCPU推論、効率化されたエコシステムにより、開発者はこれまで以上に速く、アイデアの段階からスケーラブルなプロダクションへ移行できます。

貢献者
GLglenn-jocher18PDpderrenger1ONonuralpszr1

コメント