はじめる

RTDETRv2とDAMO-YOLOの比較

研究者やエンジニアが速度、精度、効率性のバランスを取るモデルを開発する中で、コンピュータービジョンは進化を続けています。この分野を代表する2つのアーキテクチャが、Baidu開発のRTDETRv2とAlibaba Group開発のDAMO-YOLOです。どちらもリアルタイム物体検出を発展させていますが、アーキテクチャに対する考え方は根本的に異なります。

この技術比較では、アーキテクチャ、学習手法、実環境でのデプロイ性能を取り上げます。また、これらのモデルをより広範なエコシステム、特にUltralytics PlatformおよびYOLO26モデルファミリーと比較して説明します。

アーキテクチャの革新#

これらのモデルの基本的な仕組みを理解することは、本番環境に適したツールの選定を担う機械学習エンジニアにとって重要です。

RTDETRv2:Transformerによるアプローチ#

オリジナルのRT-DETRの成功を基盤とするRTDETRv2は、ハイブリッドエンコーダーとTransformerデコーダーを採用しています。この設計により、モデルはグローバルなコンテキストを効果的に処理し、密集したシーンで重なり合う物体を高い精度で区別できます。このアーキテクチャの最大の利点は、ネイティブのNMSフリー(Non-Maximum Suppression)設計です。NMS後処理をなくすことで、RTDETRv2は推論パイプラインを簡素化し、さまざまなハードウェア構成でレイテンシーをより安定させます。

RTDETRv2の詳細を見る

DAMO-YOLO:CNNの効率性を高める#

一方、DAMO-YOLOはCNNベースのYOLOの系譜を引き継ぎながら、いくつかの注目すべき改良を加えています。特徴抽出の効率を高めるため、ニューラルアーキテクチャ探索(NAS)を使用してバックボーンを最適化します。また、効率的なRepGFPN(再パラメーター化された汎用特徴ピラミッドネットワーク)とZeroHead設計を、AlignedOTAおよび知識蒸留の手法とともに取り入れています。これらの技術革新により、DAMO-YOLOは高い推論速度を実現しながら、競争力のあるmAPval50-95スコアを維持しています。

DAMO-YOLOの詳細を見る

アーキテクチャの違い

RTDETRv2がNMSを使わずにアテンション機構でグローバルな特徴を理解することに重点を置く一方、DAMO-YOLOはNASと高度な蒸留によって従来型CNNの効率を最大化します。DAMO-YOLOは標準的な後処理を必要としますが、特定のハードウェアでは独自の速度上の利点を発揮します。

パフォーマンスと指標の比較#

デプロイ用モデルを評価する際は、平均適合率(mAP)、推論速度、パラメーター数などの性能指標が非常に重要です。以下の表では、2つのモデルファミリーを比較しています。

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)
RTDETRv2-s64048.1-5.032060
RTDETRv2-m64051.9-7.5136100
RTDETRv2-l64053.4-9.7642136
RTDETRv2-x64054.3-15.0376259
DAMO-YOLOt64042.0-2.328.518.1
DAMO-YOLOs64046.0-3.4516.337.8
DAMO-YOLOm64049.2-5.0928.261.8
DAMO-YOLOl64050.8-7.1842.197.3

結果の分析#

表に示すとおり、RTDETRv2-xは54.3のmAPval50-95で最高精度を達成しており、COCOデータセットのような難易度の高いベンチマークにおけるTransformerアーキテクチャの強みを示しています。ただし、その代償としてパラメーター数(76M)とFLOPsが大幅に増加します。

対照的に、DAMO-YOLOt(Tiny)は非常に軽量で、必要なパラメーター数はわずか8.5Mです。そのため、CUDAメモリが大幅に制限される環境で高速に動作します。DAMO-YOLOは一般に、旧世代のエッジデバイスで速度と精度の有利なトレードオフを提供します。

エコシステム、使いやすさ、Ultralyticsの強み#

公式のRT-DETRやDAMO-YOLOのGitHubプロジェクトのような独立リポジトリでは、モデル学習に必要なソースコードを入手できます。しかし、それらを本番パイプラインに統合するには、多くの場合、大量の定型コードと手動での最適化が必要です。

Ultralyticsエコシステムを利用すると、開発者体験が大幅に簡素化されます。UltralyticsはオリジナルのRT-DETRのようなTransformer検出器を統一APIに直接統合しており、1行のコードでモデルの学習、検証、エクスポートを実行できます。また、Ultralyticsモデルは、独立した大規模なTransformerベースのリポジトリと比べて学習時のメモリ要件が少ないことでも知られています。

コード例:統合#

以下は、Ultralytics Pythonライブラリで推論を実行する方法です。Transformerモデルを使用する場合も、最新のCNNを使用する場合も、APIの使い方は変わりません。

from ultralytics import RTDETR, YOLO

# 複雑なシーンを理解するためにRT-DETRモデルを読み込みます
model_rtdetr = RTDETR("rtdetr-l.pt")

# 最新のUltralytics YOLO26モデルを読み込みます
model_yolo26 = YOLO("yolo26n.pt")

# サンプル画像で推論を実行する
results_rtdetr = model_rtdetr("https://ultralytics.com/images/bus.jpg")
results_yolo = model_yolo26("https://ultralytics.com/images/bus.jpg")

# 結果を表示します
results_yolo[0].show()
本番環境向けのモデルエクスポート

Ultralytics APIを使用すると、model.export(format="engine")のような簡単なコマンドで、学習済みモデルをエクスポートしてTensorRT、ONNX、CoreMLなどの形式に変換でき、デプロイの負担を大幅に軽減できます。

最適なユースケース#

これらのアーキテクチャのどちらを選ぶかは、プロジェクト固有の要件によって異なります。

  • RTDETRv2は、VRAMに余裕があるサーバーサイド処理で最も高い性能を発揮します。グローバルコンテキストを認識するため、遮蔽が頻繁に発生する医療画像処理や密集した群衆の分析に適しています。
  • DAMO-YOLOは、パラメーター数の少なさと高いFPSが厳しく求められる組み込みIoTアプリケーションや高速な産業検査ラインに非常に適しています。

未来を見据えて:Ultralytics YOLO26#

RTDETRv2とDAMO-YOLOにはそれぞれ利点がありますが、コンピュータービジョンの分野は急速に発展しています。新しいプロジェクトには、速度、精度、開発者体験を兼ね備えた最新のUltralytics YOLO26をお勧めします。

YOLO26はエンドツーエンドのNMSフリー設計を採用し、大きな計算負荷を伴わずにTransformerの主な利点を実現します。大規模言語モデルの学習に着想を得たMuSGDオプティマイザーにより、安定した高速収束を実現します。また、DFLの削除(エクスポートの簡素化とエッジデバイスや低消費電力デバイスとの互換性向上のため、Distribution Focal Lossを削除)により、YOLO26nはYOLO11nよりCPU推論が最大43%高速で、エッジコンピューティングに適しています。ProgLoss + STAL(Progressive Lossと小さな物体を考慮したラベル割り当て)も小さな物体の認識を大きく改善し、IoT、ロボティクス、航空画像において重要な役割を果たします。

バウンディングボックスのみに限定されたモデルとは異なり、YOLO26ファミリーはインスタンスセグメンテーション、姿勢推定、方向付きバウンディングボックス (OBB)など、幅広いタスクに対応し、すべてをUltralytics Platformで管理できます。

モデルの詳細と参考情報#

RTDETRv2#

DAMO-YOLO#

ほかの比較については、RTDETRv2とYOLO11の比較またはDAMO-YOLOとYOLOv8の比較に関するガイドをご覧になり、これらのモデルとUltralyticsファミリーの旧世代モデルとの性能を比較してください。

コントリビューター

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。