PP-YOLOE+とRTDETRv2の比較
近年、特にリアルタイム物体検出の分野で、コンピュータービジョンは急速に進化しています。デプロイに適したアーキテクチャを選ぶことは、低速でメモリーを大量に消費するアプリケーションと、最適化され応答性に優れたシステムの違いを生むことがあります。この技術比較では、Baiduの代表的な2つのモデル、CNNベースのPP-YOLOE+とTransformerベースのRTDETRv2を取り上げます。両者のアーキテクチャ、性能指標、最適なユースケースを分析し、Ultralytics YOLO26との比較も検証します。
PP-YOLOE+:CNNのパラダイムを前進させる#
PP-YOLOE+は前身モデルを発展させたもので、従来の畳み込みニューラルネットワーク(CNN)が物体検出でどこまで実現できるかを示しています。YOLOシリーズの基礎的な仕組みを踏襲しつつ、PaddlePaddleエコシステム向けの最適化を加えた、高性能なアンカーフリー検出器です。
モデルの詳細:
- 著者: PaddlePaddle Authors
- 組織: Baidu
- 日付: 2022-04-02
- arXiv: 2203.16250
- GitHub: PaddleDetectionリポジトリ
- ドキュメント: PP-YOLOE+ドキュメント
アーキテクチャと手法#
PP-YOLOE+はCSPRepResNetバックボーンとPAN形式の特徴ピラミッドネットワークを採用し、マルチスケール特徴を効果的に集約します。アンカーフリー設計により、アンカーボックス生成に通常必要となるヒューリスティックな調整をなくしています。また、トレーニングではTask Alignment Learning(TAL)を用いたラベル割り当てにより、学習中の予測とグラウンドトゥルースボックスの対応を改善します。
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で安定した性能を発揮することと、Baiduのツールと深く統合されていることです。ハードウェアの制約がそれほど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+は高い精度を実現しますが、ネイティブのエコシステム外にデプロイする場合、追加の変換手順が必要になることがあります。これは、最新のUltralyticsパイプラインで利用できるネイティブのエクスポート形式とは異なる点です。
RTDETRv2:リアルタイム検出Transformer#
純粋なCNNから一歩進み、RTDETRv2(リアルタイム物体検出Transformerバージョン2)は、リアルタイム検出にアテンション機構を導入します。Transformerのグローバルなコンテキスト理解と、実用アプリケーションに求められる低レイテンシーの両立を目指しています。
モデルの詳細:
- 著者: Wenyu Lv、Yian Zhao、Qinyao Chang、Kui Huang、Guanzhong Wang、Yi Liu
- 組織: Baidu
- 日付: 2024-07-24
- arXiv: 2407.17140
- GitHub: RTDETRv2リポジトリ
- ドキュメント: RTDETRv2のREADME
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の大きな特徴は、従来のNon-Maximum Suppression(NMS)後処理を省略する、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にも対応し、セルフアテンションを用い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はグローバルなコンテキストの理解が重要なシナリオで高い効果を発揮します。ただし、Transformerモデルは一般に、軽量なCNNと比べて学習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。高性能なGPUサーバーで実行するクラウドベースの動画分析など、ハードウェアに制約のない環境に最適です。
パフォーマンスと指標の比較#
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な指標を示します。
| 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) |
|---|---|---|---|---|---|---|
| PP-YOLOE+t | 640 | 39.9 | - | 2.84 | 4.85 | 19.15 |
| PP-YOLOE+s | 640 | 43.7 | - | 2.62 | 7.93 | 17.36 |
| PP-YOLOE+m | 640 | 49.8 | - | 5.56 | 23.43 | 49.91 |
| PP-YOLOE+l | 640 | 52.9 | - | 8.36 | 52.2 | 110.07 |
| PP-YOLOE+x | 640 | 54.7 | - | 14.3 | 98.42 | 206.59 |
| RTDETRv2-s | 640 | 48.1 | - | 5.03 | 20 | 60 |
| RTDETRv2-m | 640 | 51.9 | - | 7.51 | 36 | 100 |
| RTDETRv2-l | 640 | 53.4 | - | 9.76 | 42 | 136 |
| RTDETRv2-x | 640 | 54.3 | - | 15.03 | 76 | 259 |
RTDETRv2は高いmAPを示す一方で、パラメーター数とFLOPsが増加します。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層に一般的な大量のメモリ要件がボトルネックにな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のどちらを選ぶかは、プロジェクト固有の要件、デプロイ上の制約、エコシステムの好みによって異なります。
PP-YOLOE+を選ぶ場合#
PP-YOLOE+は、次のような用途に適しています。
- PaddlePaddleエコシステムとの統合: BaiduのPaddlePaddleフレームワークとツールを基盤とする既存インフラストラクチャを持つ組織。
- Paddle Liteによるエッジデプロイ: 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。
- サーバー側での高精度検出: フレームワークへの依存が問題にならない、強力なGPUサーバー上で検出精度を最大化することを優先するシナリオ。
RT-DETRを選ぶケース#
RT-DETRは、次の用途に推奨されます。
- Transformerベースの検出研究: NMSを使わないエンドツーエンドの物体検出に向けて、注意機構やTransformerアーキテクチャを検討するプロジェクト。
- レイテンシに柔軟性がある高精度シナリオ: 検出精度を最優先し、推論レイテンシがやや高くても許容できるアプリケーション。
- 大きなオブジェクトの検出: 主に中型から大型のオブジェクトが存在し、Transformerのグローバル注意機構が本質的な優位性をもたらすシーン。
Ultralytics (YOLO26)を選ぶ場合#
ほとんどの新規プロジェクトでは、Ultralytics YOLO26が性能と開発者体験の最適な組み合わせを提供します。
- NMSを使用しないエッジデプロイ: 非最大抑制の後処理を複雑化させずに、安定した低レイテンシー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を備えていないデバイスでは、YOLO26が最大43%高速なCPU推論(YOLO26nとYOLO11nの比較)を実現し、明確な優位性を発揮します。
- 小物体検出: ドローンによる航空画像やIoTセンサーの分析など、ProgLossとSTALによって小さな物体の精度が大幅に向上する難しいシナリオ。
Ultralyticsの強み:YOLO26の紹介#
PP-YOLOE+とRTDETRv2はいずれも重要な節目となるモデルですが、現代の開発者には、高い性能と使いやすさを両立するエコシステムが必要です。Ultralytics PlatformとYOLO26モデルは、まさにそのニーズに応えるために設計されています。
2026年1月にリリースされたYOLO26は、エッジを優先するビジョンAI向けに構築されています。旧来のアーキテクチャに伴うデプロイ上の課題に対処しながら、速度と精度の両方を向上させています。
アーキテクチャの革新#
YOLO26では、従来のCNNや大規模なTransformerに対して、複数の強化が導入されています。
- 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推論をサポートします。オプションのone-to-one head(
nms=False)によってNMSの後処理を省略し、レイテンシーの揺らぎを抑えた、より高速でシンプルなデプロイを実現します。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: アーキテクチャの最適化により、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ます。YOLO26nはCPU上でYOLO11nより最大43%高速で、IoTやスマートシティのアプリケーションに適しています。
- MuSGDオプティマイザー: LLMトレーニングの新しい手法に着想を得て、YOLO26はSGDとMuonを組み合わせたハイブリッド方式を採用しています。これによりトレーニングがより安定し、収束も高速化するため、GPUのトレーニング時間を大幅に削減できます。
- ProgLoss + STAL: 段階的な損失関数と小さなターゲットを考慮したラベル割り当てにより、小さな物体の認識精度が大幅に向上します。PP-YOLOE+のようなモデルが従来苦手としていた領域であり、航空画像やドローンのアプリケーションに欠かせません。
- DFLの削除: Distribution Focal Lossを削除することでエクスポート処理が簡素化され、さまざまなエッジデバイスや低消費電力デバイスとの互換性が向上します。
専用の物体検出器とは異なり、YOLO26は汎用性が高く、インスタンスセグメンテーション、分類、姿勢推定、Oriented Bounding Boxes (OBB)をサポートします。Pose向けのRLEやOBB向けの専用角度損失など、タスクに合わせた強化も含まれています。
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、学習コストの高さと統合プロセスの分断です。Ultralyticsエコシステムでは、直感的なPython APIとWebベースのUltralytics Platformを通じて、こうした複雑さを抽象化しています。
カスタムデータセットでトレーニングする場合も、手早く推論を実行する場合も、手順は簡単です。
from ultralytics import RTDETR, YOLO
# YOLO26モデルを初期化します
model_yolo = YOLO("yolo26n.pt")
# または、同じシンプルなAPIを使ってRT-DETRモデルを初期化します
model_rtdetr = RTDETR("rtdetr-l.pt")
# リアルタイム推論を実行します
results = model_yolo("https://ultralytics.com/images/zidane.jpg")
results[0].show()
# 1行でエッジデプロイ向けにエクスポートします
model_yolo.export(format="engine", quantize=16)Ultralytics YOLOモデルは一般に必要メモリーが少ないため、Transformerベースのモデルと比べてトレーニングを高速化でき、より低コストのハードウェアにデプロイできます。継続的な開発と充実したドキュメントにより、本番パイプラインの安定性も維持しやすくなります。
代替モデルを検討するチームにとって、YOLO11はエコシステム内で十分にサポートされている有力な前世代モデルであり、既存のハードウェア統合の確かなベースラインとなります。YOLO11とRT-DETRの比較も参考になるでしょう。
概要#
PP-YOLOE+とRTDETRv2はコンピュータービジョンの進化に大きく貢献し、高度なCNNパイプラインとリアルタイムTransformerの実用性をそれぞれ示しました。しかし、2026年に堅牢で汎用性が高く、最適化されたコンピュータービジョンアプリケーションをデプロイしたい組織には、Ultralytics YOLO26を推奨します。オプションのNMSフリー推論、大幅に高速化されたCPU推論、効率的なエコシステムにより、開発者はアイデアをすばやくスケーラブルな本番環境へ移行できます。
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。