PP-YOLOE+ 対 YOLOv6-3.0#
リアルタイムcomputer visionの分野は急速に拡大しており、多様なデプロイシナリオに最適化された高度に特化されたアーキテクチャが生み出されています。開発者は、高スループットと信頼性の高い精度のバランスを必要とするアプリケーションを構築する際、頻繁にPP-YOLOE+とYOLOv6-3.0を比較します。両モデルは、リリース時に実質的なアーキテクチャの改善をもたらし、産業用およびエッジアプリケーション向け 推論速度の向上に焦点を当てています。
詳細なアーキテクチャの分析に入る前に、以下のチャートを確認して、これらのモデルの速度と精度のパフォーマンスが互いにどのように比較されるかを視覚化してください。
PP-YOLOE+: アーキテクチャの強みと弱み#
PaddlePaddle Authorsによって開発されたPP-YOLOE+は、前世代を基盤としてさまざまなスケール要件にわたって堅牢なパフォーマンスを発揮する、著名なanchor-free detectorです。
- 著者: PaddlePaddle 著者陣
- 組織: Baidu
- 日付: 2022-04-02
- Arxiv: 2203.16250
- GitHub: PaddlePaddle/PaddleDetection
アーキテクチャのハイライト#
PP-YOLOE+は、オリジナルのPP-YOLOEデザインに対していくつかの重要な機能強化を導入しました。計算コストと特徴抽出機能のバランスを効率的に取る強力なCSPRepResNetバックボーンを活用しています。さらに、マルチスケール特徴融合を確実にするために、パス集約ネットワーク（PAN）と組み合わせた高度なfeature pyramid network (FPN)を組み込んでいます。その際立った特徴の1つはET-head（Efficient Task-aligned head）であり、object detection中の分類と位置特定の協調を大幅に改善します。
PP-YOLOE+は印象的なmean average precision (mAP)を達成しますが、PaddlePaddleエコシステムへの依存により、PyTorchネイティブのワークフローに慣れた研究者にとって急な学習曲線が生じる場合があります。これにより、直接的なPaddle推論サポートを欠く異種のエッジデバイスをターゲットにする際、model deploymentのプロセスがわずかに複雑になる可能性があります。
PP-YOLOE+はBaiduのテクノロジースタック内でのデプロイメントに高度に最適化されており、制作環境がPaddle推論ツールに大きく依存している場合には優れた選択肢となります。
YOLOv6-3.0: 産業用スループット#
Meituan Vision AI DepartmentによってリリースされたYOLOv6-3.0は、GPUハードウェア上での膨大なスループットを優先し、産業用アプリケーション向けの次世代物体検出器として明示的に設計されました。
- 著者: Chuyi Li, Lulu Li, Yifei Geng, 他
- 組織: Meituan
- 日付: 2023-01-13
- Arxiv: 2301.05586
- GitHub: meituan/YOLOv6
アーキテクチャのハイライト#
YOLOv6-3.0は、特にTensorRTを使用するNVIDIA GPU上で、ハードウェア利用率を最大化するように特別に調整されたEfficientRepバックボーンを備えています。v3.0のアップデートにより、パラメータ数を大幅に増やすことなく空間特徴の保持を強化する双方向結合（BiC）モジュールがネックに追加されました。さらに、model training中のアンカーベースの安定性の利点を融合させると同時に、real-time inference中には高速なアンカーフリーのアーキテクチャを維持する、アンカー支援トレーニング（AAT）戦略が導入されました。
しかし、YOLOv6-3.0はサーバーグレードのGPUに高度に最適化されているため、CPUのみの制約の厳しいエッジデバイスにデプロイすると、レイテンシの改善が小さくなることがあります。この特化により、オフラインのビデオ分析のような環境では優れていますが、より小さくローカライズされたハードウェア上では動的に最適化されたモデルに遅れをとる可能性があります。
性能比較テーブル#
以下の表は、両アーキテクチャの異なるスケールのバリアントを直接比較した主要なパフォーマンス指標を示しています。
| 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 (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 |
| 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 |
ユースケースと推奨事項#
PP-YOLOE+とYOLOv6のどちらを選択するかは、特定のプロジェクトの要件、デプロイメントの制約、およびエコシステムの優先順位に依存します。
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。
YOLOv6を選択すべき時#
YOLOv6が推奨されるケース:
- 産業用ハードウェア対応の展開： モデルのハードウェア認識設計と効率的な再パラメータ化が、特定のターゲットハードウェア上で最適化されたパフォーマンスを提供するシナリオ。
- 高速なシングルステージ検出： 管理された環境でのリアルタイムビデオ処理において、GPU上の生の推論速度を優先するアプリケーション。
- Meituanエコシステムの統合: すでにMeituanの技術スタックおよびデプロイインフラストラクチャ内で作業しているチーム。
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の利点: レガシーモデルを超えて#
PP-YOLOE+とYOLOv6-3.0はターゲットを絞ったソリューションを提供しますが、最新のAI開発には、多用途でメモリ効率の高いワークフローが必要です。ここで、Ultralytics Platformが比類のない開発者体験を提供します。統一されたPython APIを使用することで、古い研究リポジトリによく見られる莫大な設定オーバーヘッドなしで、最先端のモデルをシームレスにトレーニング、検証、デプロイできます。
Ultralytics のモデルは、標準的な検出にとどまらず、インスタンスセグメンテーション、ポーズ推定、画像分類、方向付きバウンディングボックス (OBB) の抽出など、幅広いビジョンタスクをネイティブにサポートしています。さらに、学習中のメモリ使用量が大幅に最適化されており、一般的に膨大な GPU VRAM 割り当てを必要とする RT-DETR のようなトランスフォーマーベースのモデルとは対照的です。
YOLO26の紹介：新しい標準#
究極の最先端ビジョンモデルをデプロイしようとする組織にとって、(2026年1月にリリースされた)Ultralytics YOLO26はパフォーマンスの境界を再定義します。いくつかの重要なイノベーションにより、古い世代を大幅に凌駕します:
- エンドツーエンドのNMSフリーデザイン: YOLOv10の概念を基にしており、YOLO26はNon-Maximum Suppression (NMS)のポストプロセッシングを完全に排除します。このネイティブなエンドツーエンドのアプローチにより、予測可能で超低遅延の推論が保証され、リアルタイム安全システムにとって極めて重要になります。
- 最大43%高速なCPU推論: アーキテクチャからDistribution Focal Loss (DFL) を削除することで、YOLO26はエッジコンピューティングや専用のGPUアクセラレーションを欠く環境向けに根本的に最適化されています。
- MuSGDオプティマイザ: LLMトレーニングの安定性をビジョンモデルに統合し、(Moonshot AIにインスパイアされた)このハイブリッドオプティマイザにより、迅速な収束と非常に安定したcustom trainingセッションが可能になります。
- ProgLoss + STAL: これらの高度な損失の定式化により、aerial drone imageryや混雑したシーンの分析などのアプリケーションに不可欠な、小物体認識の著しい改善がもたらされます。
今日、新しいプロジェクトを構築している場合は、古いアーキテクチャを回避し、YOLO26を採用することを強く推奨します。そのメモリ効率とNMSフリーの速度により、実運用へのデプロイが大幅に容易になります。
シームレスな実装#
Ultralytics Python packageを使用して最先端のモデルをトレーニングおよびエクスポートすることは非常に簡単です。次の例は、最新のYOLO26モデルをトレーニングし、迅速なエッジデプロイのためにONNXにエクスポートする方法を示しています:
from ultralytics import YOLO
# Load the cutting-edge YOLO26 small model
model = YOLO("yolo26s.pt")
# Train the model on the COCO8 example dataset
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# Run inference on a test image (NMS-free speed)
predict_results = model.predict("https://ultralytics.com/images/bus.jpg")
# Export to ONNX format for edge deployment
model.export(format="onnx")古いワークフローに深く統合されている一方で最新の安定性を求めているチームにとって、Ultralytics YOLO11の探索も優れた移行ステップであり、完全なUltralyticsエコシステムに裏打ちされた包括的なタスクの汎用性を提供します。