RTDETRv2とYOLOv5の比較#
コンピュータビジョンの進化は、精度とリアルタイム推論速度のバランスを継続的に追求することによって大きく定義されてきました。RTDETRv2とUltralytics YOLOv5を比較する場合、開発者は本質的に、Transformerアーキテクチャの洗練されたグローバルコンテキスト機能と、畳み込みニューラルネットワーク（CNN）の高度に最適化され実績のある効率性とを比較検討しています。
本ガイドでは、これら2つの主要なアーキテクチャに関する詳細な技術分析を提供し、特定のユースケースに最適な物体検出モデルを選択できるように、パフォーマンス指標、トレーニング手法、メモリ要件、および理想的なデプロイシナリオを詳しく説明します。
RTDETRv2：リアルタイム検出へのTransformerアプローチ#
オリジナルのReal-Time Detection Transformer（RT-DETR）をベースにしたRTDETRv2は、推論遅延を犠牲にすることなくベースラインアーキテクチャを改善するために、一連の「bag-of-freebies」を導入しています。
- 著者： Wenyu Lv, Yian Zhao, Qinyao Chang, Kui Huang, Guanzhong Wang, and Yi Liu
- 組織: Baidu
- 日付： 2024年7月24日
- リンク: Arxiv論文、GitHubリポジトリ
アーキテクチャと機能#
RTDETRv2は、ハイブリッドCNN-Transformerアーキテクチャを活用しています。CNNはきめ細かな視覚的特徴を抽出するバックボーンとして機能し、一方、Transformerのエンコーダー・デコーダー層はフィーチャマップ全体を処理してグローバルコンテキストを理解します。RTDETRv2の大きな特徴はエンドツーエンドの性質であり、非最大値抑制（NMS）後処理の必要性を完全に排除しています。
RTDETRv2は、特に物体が重なり合う複雑で高密度なシーンにおいて印象的な精度を達成しますが、顕著なトレードオフも伴います。Transformerに固有のアテンション機構は、標準的なCNNと比較して、トレーニング中により多くのCUDAメモリを大幅に要求します。さらに、NVIDIA A100やT4などのハイエンドGPUでは優れたパフォーマンスを発揮する一方で、標準的なCPUや厳しく制限されたエッジデバイスではアーキテクチャの動作が著しく遅くなります。
Ultralytics YOLOv5：効率性における業界標準#
Ultralytics YOLOv5はリリース時に応用機械学習の風景を根本から変え、非常に直感的なフレームワークを通じて世界中の開発者が高性能なコンピュータビジョンを利用できるようにしました。
- 作成者: Glenn Jocher
- 組織： Ultralytics
- 日付: 2020年6月26日
- リンク: 公式ドキュメント、GitHubリポジトリ
エコシステムとパフォーマンスのバランス#
YOLOv5は完全にPyTorchフレームワークに基づいて構築されており、非常に効率的なCNNアーキテクチャに依存しています。合理化されたAPIとAI業界で最も充実したドキュメントを備え、使いやすさを徹底的に追求して設計されました。
YOLOv5の最大の利点は、比類のない汎用性と低いメモリ要件にあります。YOLOv5モデルのトレーニングにはTransformerベースのモデルよりも大幅に少ないVRAMですむため、限られたハードウェア予算を持つ研究者やエンジニアでもアクセスしやすくなっています。さらに、RTDETRv2がバウンディングボックス検出に特化しているのに対し、YOLOv5はインスタンスセグメンテーションと画像分類をサポートする多用途のパワーハウスへと進化しました。
究極の合理化されたワークフローを体験するには、Ultralytics Platformを使用して直接YOLOv5のトレーニング、検証、デプロイを行うことができます。このプラットフォームはクラウドトレーニング機能とノーコードデプロイパイプラインを提供します。
パフォーマンスと指標の比較#
標準のCOCOデータセットにおける生パフォーマンスを分析すると、これらのモデルがどのようにリソースを優先しているかの明確な違いを確認できます。
| 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 (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 |
| YOLOv5n | 640 | 28.0 | 73.6 | 1.12 | 2.6 | 7.7 |
| YOLOv5s | 640 | 37.4 | 120.7 | 1.92 | 9.1 | 24.0 |
| YOLOv5m | 640 | 45.4 | 233.9 | 4.03 | 25.1 | 64.2 |
| YOLOv5l | 640 | 49.0 | 408.4 | 6.61 | 53.2 | 135.0 |
| YOLOv5x | 640 | 50.7 | 763.2 | 11.89 | 97.2 | 246.4 |
トレードオフの分析#
データによると、RTDETRv2-xは54.3%のピーク平均適合率（mAP）を達成し、YOLOv5xの50.7%をわずかに上回っています。ただし、このわずかな精度の向上には莫大な計算コストが伴います。YOLOv5xはより低いレイテンシ（TensorRT上で15.03 msに対し11.89 ms）で動作し、メモリフットプリントをごくわずかしか必要としません。超低電力のエッジデプロイにおいて、YOLOv5n（Nano）は圧倒的な強さを誇り、わずか1.12msで推論を完了し、260万パラメータのわずかなフットプリントを実現しています。これはRTDETRv2が参入すらしていない領域です。
学習効率とコードの簡潔さ#
Ultralyticsエコシステムの重要な強みの一つは、統一されたAPIです。特定の高負荷なタスクのためにRT-DETRのTransformerアーキテクチャを利用することを決めた場合でも、Ultralytics Pythonパッケージ内で完結でき、わずか1行のコードでモデルをシームレスに切り替えることができます。
from ultralytics import RTDETR, YOLO
# Load the Ultralytics YOLOv5 small model
model_yolo = YOLO("yolov5s.pt")
# Load the RT-DETR large model via Ultralytics
model_rtdetr = RTDETR("rtdetr-l.pt")
# Train YOLOv5 effortlessly on your custom data
model_yolo.train(data="coco8.yaml", epochs=100, imgsz=640)
# Run inference with both models seamlessly
results_yolo = model_yolo("https://ultralytics.com/images/bus.jpg")
results_rtdetr = model_rtdetr("https://ultralytics.com/images/bus.jpg")
results_yolo[0].show()Ultralyticsライブラリを活用することで、開発者は実験追跡統合（Weights & BiasesやComet MLなど）や、ONNXやOpenVINOなどのデプロイ形式へのワンクリックエクスポート機能を備えた、よく保守されたエコシステムに自動的にアクセスできるようになります。
実環境での応用と理想的なユースケース#
RTDETRv2が輝く場面#
RTDETRv2は、ハードウェアの制限がなく、最大限の精度を達成することだけが目的である環境に最適です。
- サーバーサイドの医療画像診断: 高解像度X線画像内の微細な異常を検出する場合。
- 衛星画像: 強力なクラウドクラスター上での航空監視タスクにおける、密集して重なり合う物体の追跡。
YOLOv5が優位な場面#
YOLOv5は、多様なハードウェアにおける実用的なリアルタイムデプロイメントにおいて、紛れもないチャンピオンです。
- エッジAIデバイス: メモリが厳しく制限されているRaspberry PiまたはNVIDIA Jetsonデバイスへのセキュリティ警報システムのデプロイ。
- モバイルアプリケーション: CoreMLまたはTFLiteを介して、スマートフォン上で高速なリアルタイムのバウンディングボックスとセグメンテーション推論を実行する場合。
- 高速産業用製造ライン: ミリ秒単位の遅延が業務の成功に直結するような、高速生産ラインでの部品検査。
YOLOv5は伝説的なモデルですが、UltralyticsエコシステムはAIの境界を常に押し広げています。2026年の新規プロジェクトに向けてモデルを比較する場合は、最先端のUltralytics YOLO26の導入検討をお勧めします。YOLO26には、ネイティブなエンドツーエンドNMSフリー設計（Transformerに似ているがCNNの速度を持つ）が組み込まれており、非常に安定したトレーニングのための画期的なMuSGDオプティマイザーを備え、最大43%高速なCPU推論を実現します。あるいは、YOLO11は、姿勢推定やOBB検出を必要とする多用途のデプロイメントにおいて、引き続き非常に優れたサポートされた選択肢です。
結論として、RTDETRv2はTransformerレイヤーを使用して精度の天井を引き上げますが、Ultralytics YOLOフレームワークは、スピード、軽量なメモリ要件、そしてプロトタイプから本番環境への移行時間を劇的に短縮する巧みに設計された開発者体験という、比類のないバランスを提供します。