PP-YOLOE+とYOLOv6-3.0
リアルタイムコンピュータービジョンは急速に拡大し、多様なデプロイシナリオに最適化された専用アーキテクチャが登場しています。高いスループットと信頼性の高い精度の両立が求められるアプリケーションを構築する際、開発者はPP-YOLOE+とYOLOv6-3.0をよく比較します。どちらのモデルもリリース時に大幅なアーキテクチャの改善をもたらし、産業用途やエッジアプリケーションでの推論速度向上に重点を置いていました。
アーキテクチャの詳細な分析に入る前に、以下のグラフで速度と精度の観点から両モデルの性能を比較してください。
PP-YOLOE+: アーキテクチャの強みと弱み#
PaddlePaddle Authorsが開発したPP-YOLOE+は、さまざまなスケール要件に対応する堅牢な性能を実現する、代表的なアンカーフリー検出器です。
- 著者: PaddlePaddle Authors
- 組織: Baidu
- 日付: 2022-04-02
- arXiv: 2203.16250
- GitHub: PaddlePaddle/PaddleDetection
アーキテクチャの主な特徴#
PP-YOLOE+は、従来のPP-YOLOE設計にいくつかの重要な改良を加えています。計算コストと特徴抽出能力を効率よく両立させるCSPRepResNetバックボーンを使用します。また、特徴ピラミッドネットワーク(FPN)と経路集約ネットワーク(PAN)を組み合わせて、マルチスケール特徴融合を実現します。特に優れた点はET-head(効率的なタスク整合ヘッド)で、物体検出における分類と位置特定の連携を大幅に向上させます。
PP-YOLOE+は高い平均適合率(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は学習コストが高くなる場合があります。また、Paddleの推論を直接サポートしない異種エッジデバイスを対象とする場合、モデルのデプロイがやや複雑になることがあります。
PP-YOLOE+はBaiduのテクノロジースタック内でのデプロイ向けに高度に最適化されているため、本番環境でPaddleの推論ツールを多用する場合に適しています。
YOLOv6-3.0:産業用スループット#
Meituan Vision AI DepartmentがリリースしたYOLOv6-3.0は、産業用途向けの次世代物体検出器として明確に設計されており、GPUハードウェア上での高スループットを優先しています。
- 著者: Chuyi Li、Lulu Li、Yifei Gengほか
- 組織: Meituan
- 日付: 2023-01-13
- arXiv: 2301.05586
- GitHub: meituan/YOLOv6
アーキテクチャの主な特徴#
YOLOv6-3.0は、特にTensorRTを使用するNVIDIA GPUでハードウェアの利用効率を最大化するよう調整されたEfficientRepバックボーンを備えています。v3.0の更新ではネック部分に双方向連結(BiC)モジュールが導入され、パラメーター数を大幅に増やさずに空間特徴の保持を強化しました。さらに、モデルのトレーニング中はアンカーベースの安定性を活用しながら、リアルタイム推論では高速なアンカーフリー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)戦略も導入されました。
ただし、YOLOv6-3.0はサーバーグレードのGPU向けに高度に最適化されているため、厳しい制約のあるCPUのみのエッジデバイスにデプロイすると、レイテンシの改善効果が低下する場合があります。この特化により、オフライン動画分析のような環境では高い性能を発揮する一方、小型ハードウェアではエッジ最適化モデルに及ばないことがあります。
性能比較表#
以下の表では、両アーキテクチャの異なるスケールのモデルバリエーションを直接比較し、主要な性能指標を示します。
| 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 |
| 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。
YOLOv6を選ぶ場合#
YOLOv6は、次のような場合に推奨されます。
- 産業用ハードウェアを考慮したデプロイ: モデルのハードウェアを考慮した設計と効率的な再パラメーター化によって、特定のターゲットハードウェア上で最適な性能が得られるシナリオです。
- 高速な1ステージ検出: 制御された環境でのリアルタイム動画処理において、GPU上での生の推論速度を重視するアプリケーションです。
- Meituanエコシステムとの統合: すでにMeituanの技術スタックとデプロイインフラストラクチャを利用しているチームです。
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、YOLO26nのCPU推論がYOLO11nより最大43%高速であることが明確な利点になります。
- 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: 旧世代モデルを超える進化#
PP-YOLOE+とYOLOv6-3.0は特定の用途に向けたソリューションを提供しますが、現代のAI開発には汎用性が高く、メモリー効率に優れたワークフローが求められます。Ultralytics Platformは、優れた開発者体験を提供します。統一されたPython APIを使えば、古い研究用リポジトリで一般的な煩雑な設定作業なしに、最新モデルのトレーニング、検証、デプロイを行えます。
Ultralytics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、画像分類、姿勢推定、回転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ます。また、一般に大容量のGPU VRAMを必要とするTransformerベースのモデル(RT-DETRなど)とは異なり、トレーニング時のメモリー使用量が少なくなるよう最適化されています。
YOLO26を知る: 新たな標準#
最新のビジョンモデルをデプロイする組織には、2026年1月にリリースされたUltralytics YOLO26を推奨します。以下の重要な革新により、旧世代を大きく上回る性能を発揮します。
- エンドツーエンドのNMSフリー設計: YOLOv10の概念を発展させたYOLO26のオプションのワンツーワンヘッド(
nms=False)は、非極大値抑制(NMS)の後処理を完全に不要にします。このネイティブなエンドツーエンド方式は、リアルタイムの安全システムに不可欠な、予測可能で低レイテンシの推論を実現します。 - CPU推論が最大43%高速: アーキテクチャからDistribution Focal Loss(DFL)を削除したYOLO26は、エッジコンピューティングや専用GPUアクセラレーションのない環境向けに最適化されています。YOLO26nはCPU上でYOLO11nより最大43%高速に動作します。
- MuSGDオプティマイザー: LLM学習の安定性をビジョンモデルに取り入れたこのハイブリッドオプティマイザー(Moonshot AIに着想を得たもの)は、迅速な収束と、非常に安定したカスタム学習を実現します。
- ProgLoss + STAL: これらのトレーニング手法により、小物体認識が大幅に向上します。航空ドローン画像や混雑したシーンの分析などのアプリケーションで重要な改善です。
現在新しいプロジェクトを構築する場合は、古いアーキテクチャではなくYOLO26をお使いください。メモリー効率とNMSフリーの速度により、本番環境へのデプロイが大幅に容易になります。
実装#
Ultralytics Pythonパッケージを使ったモデルのトレーニングとエクスポートは簡単です。以下の例では、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に向けてONNXにエクスポートする方法を示します。
from ultralytics import YOLO
# YOLO26のsmallモデルを読み込みます
model = YOLO("yolo26s.pt")
# COCO8のサンプルデータセットでモデルをトレーニングする
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# テスト画像に対してNMSフリー推論を実行します
predict_results = model.predict("https://ultralytics.com/images/bus.jpg", nms=False)
# エッジデプロイ用にONNX形式へエクスポートします
model.export(format="onnx")古いワークフローに深く組み込まれているものの、最新の安定性も求めるチームには、Ultralytics YOLO11も移行の足がかりとして適しています。Ultralyticsエコシステム全体に支えられ、包括的なタスク汎用性を備えています。
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。