YOLO Vision 2026:

PP-YOLOE+ と RTDETRv2 の比較#

コンピュータビジョンの分野は近年、特にリアルタイム物体検出の領域において劇的な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、動作が重くメモリを消費するアプリケーションにするか、高度に最適化された応答性の高いシステムにするかの分かれ目となります。この技術比較では、Baiduによる2つの主要なモデル、CNNベースのPP-YOLOE+とTransformerベースのRTDETRv2を取り上げます。それらのアーキテクチャ、パフォーマンス指標、最適なユースケースを分析し、最先端のUltralytics YOLO26プラットフォームと比較します。

PP-YOLOE+: CNNパラダイムの進化#

先行モデルの反復として開発されたPP-YOLOE+は、従来の畳み込みニューラルネットワーク（CNN）が物体検出において達成可能な領域を押し広げました。これは、YOLOシリーズの基盤となるメカニズムを継承しつつ、PaddlePaddleエコシステム向けに特定の最適化を導入した、非常に高性能なアンカーフリー（anchor-free）検出器です。

モデル詳細：

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、マルチスケールの特徴を効果的に集約するためのカスタムされた特徴ピラミッドネットワーク（feature pyramid network）に依存しています。アンカーフリー設計を採用しているため、通常はアンカーボックス生成に必要なヒューリスティックな調整プロセスが簡素化されています。さらに、その学習手法には、学習フェーズにおいて予測とGround Truthボックスをより適切にマッチングさせるための高度なラベル割り当て戦略が含まれています。

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における堅牢なパフォーマンスと、Baiduのツールとの深い統合にあります。ハードウェアの制約が過度に厳しくない製造現場での静的なdefect detectionなど、従来の産業用ワークフローに適しています。

PP-YOLOE+の詳細はこちら

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、ネイティブなエコシステム外で展開する場合、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、追加の変換ステップが必要になることがあります。

RTDETRv2: リアルタイム検出Transformer#

純粋なCNNから離れ、RTDETRv2（Real-Time Detection Transformer version 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象徴しています。これは、Transformerのグローバルな文脈理解能力と、実世界のアプリケーションに必要な低レイテンシを両立させようとするものです。

モデル詳細：

アーキテクチャと手法#

RTDETRv2はハイブリッドアーキテクチャを活用しており、特徴抽出のためのCNNバックボーンと、合理化されたTransformerエンコーダ・デコーダを組み合わせています。RTDETRv2の決定的な特徴は、従来型の非最大値抑制（NMS）後処理をバイパス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といった機能も導入されており、自己アテンション（self-attention）を利用して、離れた物体間の空間的な関係性を理解します。

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不可欠なシナリオで非常に高い効果を発揮します。しかし、Transformerモデルは通常、軽量なCNNと比較して、トレーニング時および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サーバー上で実行されるクラウドベースのvideo analyticsなど、ハードウェアの制約がない環境に最適です。

RTDETRの詳細はこちら

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、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）のトレードオフは極めて重要です。以下の表は、PP-YOLOE+とRTDETRv2の様々なスケールにおける主要な指標をまとめたものです。

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
(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は高いmAPを示す一方で、パラメータ数とFLOPsの増加という代償を伴います。制約のあるエッジデバイスへの導入を目指す開発者は、Transformer層特有の大きなメモリ要件により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の選択は、特定のプロジェクトの要件、導入の制約、およびエコシステムの好みによって決まります。

PP-YOLOE+ を選ぶべき場面#

PP-YOLOE+ は以下の場合に強力な選択肢となります：

  • PaddlePaddleエコシステムの統合: Baidu's PaddlePaddleのフレームワークとツール上に構築された既存のインフラストラクチャを持つ組織。
  • Paddle Lite エッジデプロイメント: Paddle Lite または Paddle 推論エンジン専用に高度に最適化された推論カーネルを備えたハードウェアへのデプロイ。
  • 高精度サーバーサイド検出: フレームワークの依存関係が懸念事項とならない、強力な GPU サーバー上での最大の検出精度を優先するシナリオ。

RT-DETRを選択すべき時#

RT-DETRが推奨される場合:

  • Transformerベースの検出研究： NMSなしのエンドツーエンド物体検出に向けたアテンションメカニズムやTransformerアーキテクチャを探求するプロジェクト。
  • 高い精度が求められ、レイテンシに柔軟性があるシナリオ： 検出精度が最優先され、多少推論レイテンシが高くても許容されるアプリケーション。
  • 大きな物体の検出： 主に中規模から大規模な物体が中心となるシーンで、Transformerのグローバルアテンションメカニズムが自然な利点となる場合。

Ultralytics (YOLO26) を選択すべき時#

ほとんどの新しい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の最高の組み合わせを提供します。

  • NMSフリーのエッジ展開： Non-Maximum Suppression後処理の複雑さを伴わずに、一貫した低レイテンシの推論が求められるアプリケーション。
  • CPUのみの環境： GPUアクセラレーションを利用できないデバイスにおいて、YOLO26の最大43%高速なCPU推論が決定的な利点となる場合。
  • 小物体検出: ProgLossとSTALにより極小オブジェクトの精度が大幅に向上する、空中ドローン画像やIoTセンサー分析などの困難なシナリオ。

Ultralyticsの優位性：YOLO26の紹介#

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、極限のパフォーマンスと合理化された使いやすさを完璧に両立させるエコシステムが求められています。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、エッジファーストなビジョンAIの新たな基準を打ち立てました。これは、古いアーキテクチャに伴う導入の障壁をエレガントに解決し、速度と精度の両面でそれらを凌駕しています。

アーキテクチャの革新#

YOLO26は、従来のCNNや重量級Transformerを凌駕するいくつかの先駆的な強化を導入しています。

  • エンドツーエンドのNMSフリー設計: RTDETRv2と同様に、YOLO26はネイティブでエンドツーエンドです。非最大抑制（NMS）の後処理を排除することにより、レイテンシのジッタが削減された高速でシンプルなデプロイを実現し、リアルタイムのroboticsや自律システムに最適です。
  • CPU推論が最大43%高速化: ディープなアーキテクチャの最適化により、YOLO26は専用GPUを持たないエッジデバイス上で競合モデルを大幅に凌駕し、IoTやsmart city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学習の革新から着想を得た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、より安定した学習軌跡と驚異的な高速収束を実現し、GPUの学習時間を大幅に短縮します。
  • ProgLoss + STAL: これらの高度な損失関数により、小さな物体の認識において顕著な改善が得られます。これはPP-YOLOE+のようなモデルが従来苦戦してきた領域であり、aerial imageryやドローンアプリケーションにとって極めて重要であることが証明されています。
  • DFLの削除: Distribution Focal Loss（DFL）を削除することでエクスポートプロセスが簡素化され、様々なエッジデバイスや低電力デバイス間でのシームレスな互換性が保証されます。

YOLO26の詳細はこちら

タスク固有の汎用性

特殊な物体検出器とは異なり、YOLO26は汎用性が非常に高く、Instance Segmentation、Pose Estimation、Classification、およびOriented Bounding Boxes (OBB)をサポートしています。Pose向けのRLEやOBB向けの特殊な角度損失など、カスタマイズされた拡張機能が含まれています。

比類なき使いやすさ#

RTDETRv2のような複雑なアーキテクチャを採用する上での最大の欠点の1つは、習得の難易度が高く、統合プロセスが分断されていることです。Ultralyticsのエコシステムは、直感的なPython APIと包括的なWebベースのプラットフォームを通じて、これらの複雑さを完全に抽象化しています。

training custom datasetsを行う場合でも、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モデルに典型的な低いメモリ要件により、Transformerベースのモデルと比較して、より高速に学習し、より安価なハードウェアにデプロイできます。さらに、活発な開発と世界クラスのドキュメントにより、運用パイプラインが安定し続けることが保証されます。

代替案を模索しているチームにとって、YOLO11はエコシステム内で引き続き手厚くサポートされている非常に優れた前継モデルであり、レガシーハードウェアの統合において優れたベースラインを提供します。また、YOLO11 vs RTDETRに関する比較記事も参考になるでしょう。

要約#

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の有効性を実証し、コンピュータビジョンの進化に多大な貢献をしてきました。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をデプロイしようとしている組織にとって、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フリーのアーキテクチャ、大幅に高速なCPU推論、そして合理化されたエコシステムにより、開発者はアイデア出しからスケーラブルな本番環境への移行をかつてないほど迅速に行うことができます。

貢献者
GLglenn-jocher17ONonuralpszr1

コメント