RTDETRv2とYOLOv10の比較
コンピュータービジョンの進化は、主に速度と精度のバランスを取る必要性によって推進されてきました。従来、リアルタイムの物体検出パイプラインでは、重なり合うバウンディングボックスを除外する後処理として、Non-Maximum Suppression(NMS)が使用されてきました。しかし、NMSはレイテンシーを増加させ、しきい値の調整も必要です。モデル自体からNMSを取り除くアーキテクチャのアプローチは2つあります。RTDETRv2のようなTransformerベースのモデルと、YOLOv10のようなCNNベースのモデルです。
このガイドでは、2つのモデルのアーキテクチャ、性能指標、適したユースケースを比較し、最新モデルが現代のデプロイでどのように活用されるかをUltralyticsエコシステムとともに紹介します。
RTDETRv2:リアルタイム検出Transformer#
RTDETRv2は初代RT-DETRアーキテクチャを基盤とし、Vision Transformerによるグローバルコンテキストの理解と、従来YOLOモデルが担ってきたリアルタイム速度の要件を両立することを目指しています。
主な特徴:
- 著者: Wenyu Lv、Yian Zhao、Qinyao Chang、Kui Huang、Guanzhong Wang、Yi Liu
- 組織: Baidu
- 日付: 2024-07-24
- arXiv: https://arxiv.org/abs/2407.17140
- GitHub: https://github.com/lyuwenyu/RT-DETR/tree/main/rtdetrv2_pytorch
アーキテクチャとトレーニング手法#
RTDETRv2はNMSを使用しないエンドツーエンドのTransformerアーキテクチャを採用しています。「Bag-of-Freebies」アプローチを導入してトレーニング戦略を最適化し、マルチスケール検出機能を取り入れることで、前世代モデルを改良しています。モデルはCNNバックボーンを使って特徴マップ(エッジやテクスチャなどの視覚的な詳細)を抽出し、それをTransformerのエンコーダー・デコーダー構造で処理します。これにより画像全体のコンテキストを同時に分析できるため、物体が密集または重なり合う複雑なシーンの理解に優れています。
強みと弱み#
強み:
- グローバルコンテキスト: アテンション機構により、複雑で雑然とした環境でも優れた性能を発揮します。
- NMS不要: 物体の座標を直接予測し、デプロイパイプラインを簡素化します。
- 高精度: COCOデータセットで優れた平均適合率(mAP)を達成します。
弱み:
- リソース消費が大きい: Transformerアーキテクチャは通常、CNNよりトレーニング時に多くのCUDAメモリを必要とするため、標準的なハードウェアでのファインチューニングにはコストがかかります。
- 推論速度のばらつき: 高速ではあるものの、アテンション計算の負荷が大きいため、専用AIアクセラレーターを搭載していないエッジデバイスではコンピュータービジョンのFPSが低下する可能性があります。
YOLOv10:リアルタイムのエンドツーエンド物体検出#
YOLOv10は、CNNフレームワーク内で長年の課題だったNMSのボトルネックに直接対処し、YOLO物体検出系列に大きな変革をもたらしました。
主な特徴:
- 著者: Ao Wang、Hui Chen、Lihao Liuほか
- 組織: 清華大学
- 日付: 2024-05-23
- arXiv: https://arxiv.org/abs/2405.14458
- GitHub: https://github.com/THU-MIG/yolov10
アーキテクチャとトレーニング手法#
YOLOv10の中核的な革新は、NMS不要のトレーニングを可能にする一貫したデュアル割り当てです。トレーニング中は2つの検出ヘッドを使用します。1つは豊富な教師信号を与える従来のYOLOのような一対多割り当て、もう1つはNMSを不要にする一対一割り当てです。推論時には一対一ヘッドのみを使用するため、エンドツーエンドの処理になります。さらに著者らは、効率と精度を重視した包括的なモデル設計戦略を適用し、さまざまなコンポーネントを総合的に最適化して計算の冗長性を削減しました。
強みと弱み#
強み:
- 低レイテンシー: NMSを取り除き、アーキテクチャを最適化することで、YOLOv10は非常に低い推論レイテンシーを実現します。
- 効率性: 同等の精度を達成するために必要なパラメーター数とFLOPsが少なく、リソースが限られた環境に非常に適しています。
- NMS不要のデプロイ: スマート監視などのエッジアプリケーションへの統合を簡素化します。
弱み:
- 初代モデルのコンセプト: この特定のNMS不要アーキテクチャを初めて実装したYOLOとして基礎を築きましたが、後続のYOLO11やYOLO26で見られるマルチタスクの汎用性と最適化には、まだ改善の余地がありました。
パフォーマンス比較#
本番環境向けのモデルを評価する際は、精度と計算コストのバランスを考慮する必要があります。以下の表では、COCOにおけるRTDETRv2とYOLOv10の各サイズのトレードオフを示しています。
| 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-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 |
| YOLOv10n | 640 | 38.5 | - | 1.84 | 2.3 | 6.7 |
| YOLOv10s | 640 | 46.3 | - | 2.49 | 7.2 | 21.6 |
| YOLOv10m | 640 | 51.1 | - | 4.74 | 15.4 | 59.1 |
| YOLOv10b | 640 | 52.5 | - | 5.74 | 19.1 | 92.0 |
| YOLOv10l | 640 | 53.2 | - | 7.28 | 24.4 | 120.3 |
| YOLOv10x | 640 | 54.4 | - | 10.70 | 29.5 | 160.4 |
小型、中型、大型のスケールではRTDETRv2の精度がわずかに高くなっています(48.1、51.9、53.4 mAP。YOLOv10s、m、lはそれぞれ46.3、51.1、53.2)。一方、YOLOv10はすべてのスケールでより高速かつ小型です。YOLOv10xは、RTDETRv2-xとほぼ同等の精度(54.4対54.3 mAP)を、パラメーター数29.5M(対76M)、TensorRTレイテンシー10.70 ms(対15.03 ms)で実現します。nanoとsmallのバリアントにより、YOLOv10はエッジコンピューティングとAIoTのアプリケーションに適しています。
バッチサイズやVRAMの制約が比較的少ないサーバー向けGPUにデプロイする場合は、大型モデル(-xまたは-lなど)で精度を最大限に高められます。Raspberry Piやスマートフォンなどのエッジデバイスでは、リアルタイムのフレームレートを維持できるよう、nano(-n)またはsmall(-s)バリアントを優先してください。
ユースケースと推奨事項#
RT-DETRとYOLOv10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、エコシステムに関する好みによって異なります。
RT-DETRを選ぶケース#
RT-DETRは、次のような用途に適しています。
- Transformerベースの検出研究: NMSを使わないエンドツーエンドの物体検出に向けて、注意機構やTransformerアーキテクチャを検討するプロジェクト。
- レイテンシに柔軟性がある高精度シナリオ: 検出精度を最優先し、推論レイテンシがやや高くても許容できるアプリケーション。
- 大きなオブジェクトの検出: 主に中型から大型のオブジェクトが存在し、Transformerのグローバル注意機構が本質的な優位性をもたらすシーン。
YOLOv10を選ぶ場合#
YOLOv10は、次のような用途に推奨されます。
- NMSを使用しないリアルタイム検出: 非最大抑制を使用しないエンドツーエンド検出によって、デプロイを簡素化できるアプリケーション。
- 速度と精度のバランス: さまざまなモデルスケールで、推論速度と検出精度の優れたバランスが必要なプロジェクト。
- レイテンシーが安定している必要のあるアプリケーション: ロボティクスや自律システムなど、予測可能な推論時間が重要なデプロイシナリオ。
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のないデバイスでは、YOLO26nのCPU推論がYOLO11nより最大43%高速であることが大きな強みになります。
- 小物体検出: ドローンによる航空画像やIoTセンサー分析など、ProgLossとSTALによって小物体の精度が向上する難易度の高いシナリオに適しています。
Ultralyticsの強み:YOLO26の紹介#
RTDETRv2とYOLOv10はどちらも優れた研究成果ですが、実環境へのデプロイには、適切に保守されたソフトウェアエコシステムが必要です。Ultralytics Platformは使いやすさ、充実したドキュメント、データアノテーションとデプロイのためのツールを組み合わせています。
2026年に新しいプロジェクトを始める場合は、Ultralytics YOLO26を推奨モデルとしてお使いください。両方のアーキテクチャのアイデアを基に、いくつかの改良を加えています:
- エンドツーエンドのNMSフリーデザイン: YOLOv10がYOLOモデルに導入したNMSフリー学習を基盤として、YOLO26ではNMSの後処理を省略するオプションのワン・ツー・ワンヘッド(
nms=False)を利用できます。その結果、デプロイのロジックが高速かつシンプルになり、レイテンシも安定します。 - DFLの削除: Distribution Focal Lossを削除することで、YOLO26はモデルのエクスポートを簡素化し、エッジデバイスや低消費電力デバイスとの互換性を高めています。
- MuSGDオプティマイザー: LLMのトレーニング手法に着想を得たSGDとMuonのハイブリッド型オプティマイザーで、より安定したトレーニングと高速な収束を実現します。
- CPU推論が最大43%高速: YOLO26nはONNXを使ったCPU推論でYOLO11nより最大43%高速に動作し、専用GPUのない環境で役立ちます。
- ProgLoss + STAL: Progressive LossとSmall-Target-Aware Label Assignment(STAL)は小さな物体の認識を向上させます。これは、ドローンを利用するアプリケーションやIoTセンサーで特に重要です。
- マルチタスク対応: バウンディングボックスに限定されるモデルとは異なり、YOLO26はインスタンスセグメンテーション、セマンティックセグメンテーション、深度推定、画像分類、姿勢推定、OBB検出にも対応しています。また、姿勢推定向けのResidual Log-Likelihood Estimation(RLE)など、タスク固有の改良も備えています。
Pythonでの実装#
Ultralytics Python APIを使ったこれらのモデルのトレーニングとデプロイは、簡単に行えるよう設計されています。Transformer主体のアーキテクチャよりトレーニング時のメモリ要件が低いため、標準的なハードウェアで高性能なモデルをトレーニングできます。
from ultralytics import YOLO
# YOLO26モデルを読み込みます(推奨)
# または、YOLO('yolov10n.pt')を使ってYOLOv10モデルを読み込む
model = YOLO("yolo26n.pt")
# カスタムデータセットでモデルをトレーニングします
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# エッジデバイスへのデプロイに向けて、さまざまな形式に簡単にエクスポートする
model.export(format="onnx", simplify=True)警報システムの実装でも、医療画像解析でも、活発なUltralyticsコミュニティに支えられたモデルを選ぶことで、成功に必要なツール、ハイパーパラメーター調整ガイド、継続的なアップデートを利用できます。YOLOv10とRTDETRv2がNMSフリーアーキテクチャへの道を切り開き、YOLO26は性能、汎用性、本番環境への対応力のバランスを高めながら、その成果をさらに発展させています。
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。