PP-YOLOE+とYOLOXの比較
コンピュータービジョンは、物体検出モデルの急速な進化によって形作られてきました。重要な節目には、リアルタイム性能と精度を発展させた2つのアーキテクチャ、PP-YOLOE+とYOLOXがあります。両者のアーキテクチャの詳細、性能上のトレードオフ、最適なデプロイシナリオを理解することは、研究者や開発者がより優れた画像認識システムを構築するうえで役立ちます。
モデルの系譜と詳細#
技術的なアーキテクチャを解説する前に、両モデルの背景を理解しておくと役立ちます。それぞれが、開発を支援した組織の影響を強く受けながら、物体検出における特定のボトルネックを解消するために開発されました。
PP-YOLOE+の詳細:
- 著者: PaddlePaddle Authors
- 組織: Baidu
- 日付: 2022-04-02
- arXiv: https://arxiv.org/abs/2203.16250
- GitHub: https://github.com/PaddlePaddle/PaddleDetection/
- ドキュメント: PaddleDetection PP-YOLOE+ README
YOLOXの詳細:
- 著者: Zheng Ge、Songtao Liu、Feng Wang、Zeming Li、Jian Sun
- 組織: Megvii
- 日付: 2021-07-18
- arXiv: https://arxiv.org/abs/2107.08430
- GitHub: https://github.com/Megvii-BaseDetection/YOLOX
- ドキュメント: YOLOX公式ドキュメント
アーキテクチャの革新#
この2つの検出器の主な違いは、特徴抽出とバウンディングボックス予測へのアプローチにあります。
YOLOXは2021年、YOLOファミリーにアンカーフリー設計を導入し、広く注目を集めました。アンカーボックスをなくすことで、YOLOXはカスタムデータセットに必要な設計パラメーターの数とヒューリスティックな調整を大幅に削減しました。また、分類タスクと位置特定タスクを別々のニューラルネットワーク経路に分ける、分離型ヘッドも導入しました。この分離によって、物体の分類と空間座標の回帰との間にある本質的な競合が解消され、トレーニング中の収束が高速化しました。
Baiduが開発したPP-YOLOE+は、PaddlePaddleエコシステム向けに大幅に最適化されています。前身のPP-YOLOEとPP-YOLOv2を基盤に、動的ラベル割り当て戦略(TAL)とCSPRepResNetという新しいバックボーンを導入しています。このバックボーンは構造的再パラメーター化を活用し、トレーニング中には複雑なマルチブランチアーキテクチャの利点を得ながら、推論時には高速な単一経路のネットワークに統合できます。
構造的再パラメーター化を用いると、モデルは複数の並列ブランチで学習して勾配の流れを改善した後、それらのブランチを数学的に単一の畳み込み層へ統合してデプロイできます。精度を損なうことなく推論速度を向上させます。
パフォーマンスと指標の比較#
これらのモデルを直接比較すると、性能の異なる領域をそれぞれ担っていることがわかります。PP-YOLOE+は一般に絶対mAPが高く、YOLOXにはハードウェア制約が非常に厳しい環境に適した、極めて軽量なバリアントがあります。
| 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 |
| YOLOXnano | 416 | 25.8 | - | - | 0.91 | 1.08 |
| YOLOXtiny | 416 | 32.8 | - | - | 5.06 | 6.45 |
| YOLOXs | 640 | 40.5 | - | 2.56 | 9.0 | 26.8 |
| YOLOXm | 640 | 46.9 | - | 5.43 | 25.3 | 73.8 |
| YOLOXl | 640 | 49.7 | - | 9.04 | 54.2 | 155.6 |
| YOLOXx | 640 | 51.1 | - | 16.1 | 99.1 | 281.9 |
注:該当する各列のセクションで最も高い値を太字で示しています。
YOLOXには、ディスク容量やCUDAメモリーをほとんど必要としないnanoおよびtinyバリアントがあります。一方、PP-YOLOE+はサーバーグレードのハードウェアまで良好にスケールするため、Baiduエコシステム内での大規模な産業用途に堅牢な選択肢となります。
実際の用途#
これらのフレームワークのどちらを選ぶかは、多くの場合、統合要件と対象ハードウェアによって決まります。
YOLOXが優れている点#
アンカーフリーで、超軽量なバリアントを利用できることから、YOLOXはロボティクスや組み込み環境へのデプロイで広く使われています。シンプルな後処理パイプラインにより、TensorRTやNCNNなどの推論ランタイムへ容易に移植できます。
PP-YOLOE+が優れている点#
すでにBaiduの技術スタックを利用しているメーカーにとって、PP-YOLOE+はデプロイまでの最適化済みの道筋を提供します。リアルタイム要件が比較的緩やかで、多少大きなモデルを許容できる高性能サーバーラック上の、高精度な品質検査シナリオで優れた性能を発揮します。
ユースケースと推奨事項#
PP-YOLOE+とYOLOX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。
YOLOXを選ぶタイミング#
YOLOXは次のような用途に推奨されます。
- アンカーフリー検出の研究: 新しい検出ヘッドや損失関数を試す際のベースラインとして、YOLOXのシンプルなアンカーフリーアーキテクチャを使用する学術研究。
- 超軽量エッジデバイス: YOLOX-Nanoバリアントの非常に小さなサイズ(パラメーター数0.91M)が重要となる、低消費電力の組み込み機器や旧式のモバイルハードウェアへのデプロイです。
- SimOTAラベル割り当ての研究: 最適輸送に基づくラベル割り当て戦略と、トレーニングの収束への影響を調査する研究プロジェクト。
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、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の登場#
PP-YOLOE+とYOLOXは重要な研究上の節目ですが、現代のデプロイには、効率性に優れた、より一貫性のある開発者向けの操作環境が求められます。そこで際立つのがUltralytics YOLO26です。
個別の研究リポジトリから本番環境に対応したシステムへの移行を検討しているチームに、Ultralyticsは堅牢で適切に保守されたエコシステムを提供します。モデルのトレーニングに複雑な環境設定は必要なくなり、統一されたPython APIにアクセスするだけで簡単に実行できます。
Ultralytics YOLO26の主な利点は次のとおりです:
- エンドツーエンドのNMSフリー設計: 重複したバウンディングボックスのフィルタリングにNon-Maximum Suppression(NMS)が必要なPP-YOLOE+やYOLOXとは異なり、YOLO26はネイティブのエンドツーエンドヘッド(
nms=False)を提供します。これによりレイテンシーのボトルネックが解消され、デプロイロジックが大幅に簡素化されます。 - CPU推論が最大43%高速: Distribution Focal Loss(DFL)を削除することで、YOLO26nはCPUハードウェア上でYOLO11nより最大43%高速に推論でき、エッジコンピューティングや低消費電力デバイスにより適しています。
- MuSGDオプティマイザー: Moonshot AIのKimi K2のトレーニングに着想を得たこのハイブリッドオプティマイザーは、LLMトレーニングの安定性をコンピュータービジョンにもたらし、収束を高速化します。
- 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戦略により、小さな物体の認識精度が大幅に向上します。これはドローン運用や高精細な航空画像に欠かせない機能です。
- 汎用性: PP-YOLOE+とYOLOXが検出のみに特化しているのに対し、YOLO26は同じ直感的な構文でインスタンスセグメンテーション、姿勢推定、Oriented Bounding Boxes (OBB)に対応します。
Ultralyticsによる効率的なトレーニング#
特に大量のCUDAメモリーを必要とするTransformerベースのモデルと比べ、Ultralyticsモデルはメモリー効率が高く、トレーニングも高速です。YOLO26は、わずか数行のコードでトレーニングとエクスポートを実行できます。
from ultralytics import YOLO
# 高効率なエンドツーエンドYOLO26 nanoモデルを読み込みます
model = YOLO("yolo26n.pt")
# COCO8のサンプルデータセットでトレーニングする
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# モデルの性能を検証します
metrics = model.val()
# ONNXまたはTensorRTにエクスポートします
model.export(format="engine")ノーコードのソリューションを求めるチームには、Ultralytics Platformがクラウドベースのトレーニング、統合データセットアノテーション、すべてのYOLOモデルのワンクリックデプロイを提供します。
結論#
PP-YOLOE+とYOLOXはいずれもコンピュータービジョンの歴史に名を残すモデルで、それぞれ高精度と軽量なアンカーフリー設計を実現しました。しかし、農業分野のAI、スマートシティ、小売業の未来を築く組織には、継続的なメンテナンス、使いやすさ、ネイティブなNMSフリーアーキテクチャを備えたUltralytics YOLO26を推奨します。
特定のベンチマーク向けに別のアーキテクチャを検討している場合は、Ultralyticsのドキュメントで前世代のYOLO11やRT-DETRのようなTransformerベースの選択肢を比較することもできます。統合されたUltralyticsエコシステムに移行することで、開発者は時間とリソースを節約しながら、エッジとクラウドのデプロイで優れた結果を得られます。
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。