RTDETRv2 vs YOLO11#
コンピュータービジョンの分野は常に進化しており、新しいアーキテクチャによって、エッジデバイスやクラウドサーバーで可能なことの限界が押し広げられています。現在のリアルタイム物体検出分野で特に有力な2つのモデルが、RTDETRv2とYOLO11です。どちらのモデルも優れた性能を発揮しますが、その基盤となるアーキテクチャの思想は大きく異なります。Transformerベースのアプローチと、高度に最適化された畳み込みニューラルネットワーク（CNN）です。
この包括的な技術比較では、両モデルのアーキテクチャ、性能指標、トレーニング手法、最適なユースケースを詳しく検討し、次の人工知能アプリケーションに向けた情報に基づく判断を支援します。
RTDETRv2：Transformerベースの挑戦者#
初代Real-Time Detection Transformerの進化版として登場したRTDETRv2は、アテンション機構を活用して視覚データを処理します。画像パッチをシーケンスとして扱うことで、画像コンテキストをグローバルに理解できるため、複雑なシーンで大きく重なり合う物体の検出に非常に有効です。
モデルの詳細:
- 著者： Wenyu Lv、Yian Zhao、Qinyao Chang、Kui Huang、Guanzhong Wang、Yi Liu
- 組織： Baidu
- 日付： 2024-07-24
- Arxiv： 2407.17140
- GitHub: RT-DETRリポジトリ
- Docs: RTDETRv2ドキュメント
アーキテクチャの長所と短所#
RTDETRv2の主な革新は、エンドツーエンドのNMSフリーアーキテクチャです。非最大値抑制（NMS）を排除することで、後処理パイプラインを簡素化しています。さらに、マルチスケール特徴抽出機能が従来のRT-DETRモデルよりも改善されており、サイズの異なる物体をより適切に識別できます。
ただし、Transformerに依存するため、RTDETRv2は通常、トレーニング時に大幅に多くのメモリを必要とします。Transformerは一般に従来のCNNよりも収束が遅く、はるかに多くのCUDAメモリを必要とするため、コンシューマー向けハードウェアで研究を行う場合や、リソースが制限されたエッジAI環境にデプロイする場合には、利用のハードルが高くなります。
Ultralytics YOLO11：CNN効率の頂点#
長年にわたる基礎研究を基盤として、UltralyticsはYOLOシリーズを大きく前進させるモデルとしてYOLO11をリリースしました。CNNアーキテクチャを改良して、かつてない速度と精度を実現しながら、コミュニティが期待する柔軟性と開発者フレンドリーなエコシステムを維持しています。
モデルの詳細:
- 著者: Glenn Jocher、Jing Qiu
- 組織: Ultralytics
- 日付: 2024年9月27日
- GitHub: Ultralyticsリポジトリ
Ultralyticsの優位性#
YOLO11の強みは、性能のバランスにあります。速度と精度の間で非常に優れたトレードオフを実現しているため、大規模なクラウドコンピューティングクラスターから軽量なモバイルデバイスまで、さまざまな現実世界のデプロイシナリオに極めて柔軟に対応できます。
さらに、UltralyticsのYOLOモデルは、トレーニングと推論におけるメモリ使用量の少なさでも知られています。簡単にVRAMを使い果たしてしまうTransformerモデルとは異なり、YOLO11では標準的なGPUでより大きなバッチサイズを使用できます。また、YOLO11は単なる物体検出にとどまりません。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）をネイティブにサポートする、優れた汎用性を備えています。
パフォーマンスとメトリクスの比較#
数値を比較すると、RTDETRv2が優れた精度を実現する一方で、YOLO11はモデルサイズをより細かく選択でき、特にTensorRT上で優れた推論速度を提供することが明らかです。
| モデル | サイズ （ピクセル） | mAPval 50-95 | 速度 CPU ONNX （ms） | 速度 T4 TensorRT10 （ms） | パラメーター数 （M） | FLOPs （B） |
|---|---|---|---|---|---|---|
| RTDETRv2-s | 640 | 48.1 | - | 5.03 | 20 | 60 |
| RTDETRv2-m | 640 | 51.9 | - | 7.51 | 36 | 100 |
| RTDETRv2-l | 640 | 53.4 | - | 9.76 | 42 | 136 |
| RTDETRv2-x | 640 | 54.3 | - | 15.03 | 76 | 259 |
| YOLO11n | 640 | 39.5 | 56.1 | 1.5 | 2.6 | 6.5 |
| YOLO11s | 640 | 47.0 | 90.0 | 2.5 | 9.4 | 21.5 |
| YOLO11m | 640 | 51.5 | 183.2 | 4.7 | 20.1 | 68.0 |
| YOLO11l | 640 | 53.4 | 238.6 | 6.2 | 25.3 | 86.9 |
| YOLO11x | 640 | 54.7 | 462.8 | 11.3 | 56.9 | 194.9 |
表に示すように、YOLO11xモデルは、RTDETRv2-xバリアントと比較して、より少ないFLOPs（194.9B対259B）で、より高いmAPval 54.7%を達成し、TensorRTでより高速な推論（11.3ms対15.03ms）を実現します。YOLO11のnanoおよびsmallバリアントは、Raspberry Piのようなリソース制限のあるデバイス向けに、他に類を見ない軽量な選択肢を提供します。
エコシステム、使いやすさ、トレーニング#
Ultralyticsモデルの特徴は、効率化されたユーザーエクスペリエンスです。ultralytics Pythonパッケージは、データ拡張、分散トレーニング、モデルエクスポートといった複雑な処理を担う、統一された直感的なAPIを提供します。RTDETRv2の研究用リポジトリでは大量のボイラープレートコードと設定が必要ですが、Ultralyticsは「ゼロからエキスパートまで」のパイプラインを提供します。
興味深いことに、Ultralyticsのエコシステムは非常に堅牢で、YOLOモデルと並行してRT-DETRモデルをネイティブに実行できます。これにより、Weights & BiasesやComet MLとの統合を含む、Ultralyticsの十分にメンテナンスされたエコシステムを活用して、実験を簡単に追跡できます。
from ultralytics import RTDETR, YOLO
# Load an RTDETR model seamlessly through the Ultralytics API
model_rtdetr = RTDETR("rtdetr-l.pt")
# Load a highly optimized YOLO11 model
model_yolo = YOLO("yolo11n.pt")
# Train YOLO11 with highly efficient memory usage
results = model_yolo.train(data="coco8.yaml", epochs=100, imgsz=640)
# Export the trained YOLO model to ONNX format
model_yolo.export(format="onnx")機械学習では、トレーニング効率が極めて重要です。Ultralyticsモデルは、迅速に収束する事前トレーニング済みの重みを使用します。コードを記述せずにデータセット、トレーニング実行、デプロイエンドポイントを管理するには、統合されたMLOpsエクスペリエンスを提供するUltralytics Platformをご利用ください。
実世界での用途#
これらのアーキテクチャのどちらを選ぶかは、多くの場合、プロジェクト固有のデプロイ制約によって決まります。
RTDETRv2が優れている場面： RTDETRv2のTransformerバックボーンは、物体が密集し、強く遮蔽されていて、グローバルコンテキストが必要となるシナリオで高い効果を発揮します。計算予算よりも、アテンションに基づく関係性マッピングの純粋な性能が重視される学術研究やアプリケーションで評価されることが多いモデルです。
YOLO11が優位に立つ場面： YOLO11は、実用的な現実世界のデプロイにおける確固たる第一の選択肢です。最小限のメモリフットプリントと非常に高速な推論速度により、次の用途に適しています。
- スマート製造： 産業用PCを使用して、生産ラインでリアルタイムの欠陥検出を実行します。
- 農業： ドローンにデプロイして、作物の健康状態をリアルタイムで監視し、自動収穫ロボットを運用します。
- 小売分析： 大規模なサーバーファームを必要とせず、複数のカメラストリームを同時に処理して、行列管理や在庫追跡を行います。
ユースケースと推奨事項#
RT-DETRとYOLO11のどちらを選ぶかは、プロジェクト固有の要件、デプロイ制約、エコシステムに関する好みによって異なります。
RT-DETRを選択するケース#
RT-DETRが適しているケース:
- Transformerベースの検出研究： NMSを使用しないエンドツーエンド物体検出のために、アテンションメカニズムやTransformerアーキテクチャを研究するプロジェクト。
- 柔軟なレイテンシーを許容できる高精度シナリオ： 検出精度を最優先し、やや高い推論レイテンシーを許容できるアプリケーション。
- 大きな物体の検出： 主に中型から大型の物体が存在し、Transformerのグローバルアテンションメカニズムが本質的な優位性を発揮するシーン。
YOLO11を選ぶタイミング#
YOLO11は次の用途に推奨されます：
- 本番環境でのエッジデプロイメント: 信頼性と継続的なメンテナンスが最重要となる、Raspberry PiやNVIDIA Jetsonなどのデバイス上での商用アプリケーション。
- マルチタスクビジョンアプリケーション: 単一の統合フレームワーク内で、検出、セグメンテーション、ポーズ推定、OBBを必要とするプロジェクト。
- **迅速なプロトタイピングとデプロイメント:**合理化されたUltralytics Python APIを使用して、データ収集から本番環境まで迅速に移行する必要があるチーム。
Ultralytics (YOLO26)を選ぶタイミング#
ほとんどの新規プロジェクトでは、Ultralytics YOLO26が性能と開発者エクスペリエンスの最適な組み合わせを提供します。
- NMSフリーのエッジデプロイ: Non-Maximum Suppressionの後処理を複雑にすることなく、一貫した低レイテンシー推論が必要なアプリケーション。
- CPUのみの環境: 専用GPUアクセラレーションを持たないデバイスで、YOLO26の最大43%高速なCPU推論が決定的な優位性となる場合。
- 小さな物体の検出: aerial drone imageryやIoTセンサー分析など、ProgLossとSTALによって微小物体の精度が大幅に向上する難しいシナリオ。
今後の展望：YOLO26の登場#
新しいプロジェクトを始める場合は、次世代のビジョンAIも検討してください：Ultralytics YOLO26。2026年1月にリリースされたYOLO26は、両方の長所を取り入れています。エンドツーエンドNMSフリーデザイン（YOLOv10で初めて導入）を採用し、RTDETRv2と同様に後処理のレイテンシを完全に排除しながら、CNNならではの卓越した速度を実現します。
YOLO26は、LLMのトレーニングにおける革新に着想を得たMuSGD Optimizerを搭載し、極めて安定した高速収束を実現します。また、Distribution Focal Loss（DFL）を削除することで、CPU推論を最大43%高速化します。専用のProgLoss + STAL損失関数により小物体認識が大幅に向上しており、YOLO26は現代のコンピュータービジョンパイプラインに最適な推奨モデルです。
実績のある汎用性を重視してYOLO11を選ぶ場合でも、アテンション機構を重視してRTDETRv2を選ぶ場合でも、あるいはエッジでの最高性能を求めて最先端のYOLO26を選ぶ場合でも、Ultralyticsドキュメントには、コンピュータービジョンの取り組みを成功に導くために必要なすべてのリソースが用意されています。