RTDETRv2 対 YOLOv5#
コンピュータービジョンの進化は、精度とリアルタイム推論速度のバランスを追求し続けてきた歴史によって大きく形作られてきました。RTDETRv2とUltralytics YOLOv5を比較する際、開発者は本質的に、Transformerアーキテクチャが持つ高度なグローバルコンテキスト処理能力と、高度に最適化され、実績のあるConvolutional Neural Networks（CNNs）の効率性を比較検討することになります。
このガイドでは、これら2つの主要なアーキテクチャについて、パフォーマンス指標、トレーニング手法、メモリ要件、理想的なデプロイシナリオを詳しく技術分析し、具体的な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します。
RTDETRv2：リアルタイム検出におけるTransformerアプローチ#
初代Real-Time Detection Transformer（RT-DETR）を基盤として、RTDETRv2では、推論レイテンシ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一連の「bag-of-freebies」が導入されています。
- 著者： Wenyu Lv、Yian Zhao、Qinyao Chang、Kui Huang、Guanzhong Wang、Yi Liu
- 組織： Baidu
- 日付： 2024-07-24
- リンク： Arxiv Paper、GitHub Repository
アーキテクチャと機能#
RTDETRv2は、CNNとTransformerを組み合わせたハイブリッドアーキテクチャを活用しています。CNNはバックボーンとして細粒度の視覚特徴を抽出し、Transformerのエンコーダー・デコーダー層が特徴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であることで、Non-Maximum Suppression（NMS）による後処理が完全に不要になります。
RTDETRv2は、特に物体が重なり合う複雑で密集したシーンにおいて優れた精度を実現しますが、無視できないトレードオフも伴います。Transformerに固有のアテンション機構では、標準的なCNNと比べてトレーニング時に大幅に多くのCUDAメモリが必要です。さらに、NVIDIA A100やT4などのハイエンドGPUでは良好に動作する一方、標準的なCPUでは明らかに低速で、エッジデバイスでは大幅な制約を受けます。
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状況を根本的に変え、非常に直感的なフレームワークを通じて、高性能なコンピュータービジョンを世界中の開発者が利用できるようにしました。
- 著者: 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PyTorchフレームワーク上に完全に構築されており、非常に効率的なCNNアーキテクチャを基盤としています。最初から使いやすさを重視して設計され、合理化されたAPIと、AI業界でも有数の充実したドキュメントを備えています。
YOLOv5の最大の利点は、他に類を見ない汎用性と低いメモリ要件です。YOLOv5モデルのトレーニングに必要なVRAMはTransformerベースのモデルより大幅に少ないため、ハードウェア予算が限られた研究者やエンジニアでも利用できます。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汎用性の高い強力なモデルへと進化しています。
ワークフローを最大限に効率化するには、Ultralytics Platformを使用してYOLOv5のトレーニング、検証、デプロイを直接実行できます。このプラットフォームは、クラウドトレーニング機能とコード不要のデプロイパイプラインを提供します。
パフォーマンスとメトリクスの比較#
標準のCOCOデータセットで生のパフォーマンスを分析すると、これらのモデルがリソースを優先する方法に明確な違いがあることがわかります。
| 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 |
| 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#
データから、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ることがわかります。しかし、このわずかな精度向上には、非常に大きな計算コストが伴います。YOLOv5xは低いレイテンシ（TensorRTで11.89 ms対15.03 ms）で動作し、必要なメモリフットプリントもわずかです。超低消費電力のエッジデプロイでは、YOLOv5n（Nano）が依然として他を圧倒しており、わずか2.6Mパラメーターの構成で推論を1.12msで完了します。このクラスにはRTDETRv2はそもそも挑戦していません。
トレーニング効率とコードのシンプルさ#
Ultralyticsエコシステムの主な強みの1つは、統一されたAPIです。特定の高負荷計算タスクでRT-DETRのTransformerアーキテクチャを利用する場合でも、Ultralytics Pythonパッケージ内だけで完全に実行でき、わずか1行のコードでモデルをシームレスに切り替えられます。
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と、開発者は実験トラッキング連携（Weights & BiasesやComet MLなど）を備えた適切にメンテナンスされたエコシステムと、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を自動的に利用できます。
実環境でのアプリケーションと最適なユースケース#
RTDETRv2が適する場面#
RTDETRv2は、ハードウェアの制約がなく、可能な限り高い精度だけを目標とする環境に最適です。
- サーバーサイドの医用画像処理: 高解像度X線画像で微細な異常を検出します。
- 衛星画像: 高性能なクラウドクラスター上での航空監視タスクにおいて、密集して重なり合う物体を追跡します。
YOLOv5が優位な場面#
YOLOv5は、多様なハードウェアにわたる実用的な現実世界のデプロイにおいて、誰もが認める最有力モデルです。
- エッジAIデバイス: メモリが厳しく制限されるRaspberry PiやNVIDIA Jetsonデバイスにセキュリティアラームシステムをデプロイします。
- 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バウンディングボックスとセグメンテーションの推論を高速かつリアルタイムに直接実行します。
- 高速な工業生産: ミリ秒単位のレイテンシが業務の成否に不可欠な高速生産ラインで部品を検査します。
YOLOv5は伝説的なモデルですが、UltralyticsエコシステムはAIの限界を継続的に押し広げています。2026年に新しいプロジェクト向けのモデルを比較する場合は、最先端のUltralytics YOLO26も検討してください。YOLO26は、ネイティブのエンドツーエンドNMSフリーデザイン（Transformerに類似しながらCNNの速度を実現）を取り入れ、非常に安定したトレーニングを可能にする革新的なMuSGD Optimizerを備え、CPU推論を最大43%高速化します。また、YOLO11は、Pose EstimationやOBB検出を必要とする汎用的なデプロイに適した、優れたサポートを備えた選択肢です。
最終的に、RTDETRv2がTransformer層を使用して精度の上限を押し上げる一方、Ultralytics YOLOフレームワークは、速度、軽量なメモリ要件、優れた設計の開発者エクスペリエンスを比類なくバランスよく提供し、プロトタイプから本番環境までの時間を大幅に短縮します。