はじめる

RTDETRv2と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取る必要性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Transformerアーキテクチャのグローバルなコンテキストモデリングと、最適化され本番環境で実績のある畳み込みニューラルネットワーク(CNN)の効率性を比較検討します。

このガイドでは、2つのアーキテクチャの性能指標、学習方法、メモリ要件、最適なデプロイシナリオを比較し、具体的なユースケースに最適な物体検出モデルを選べるようにします。

RTDETRv2:リアルタイム検出に向けたTransformerアプローチ#

初代Real-Time Detection Transformer (RT-DETR)を発展させたRTDETRv2は、推論レイテンシー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、一連の「bag-of-freebies」を導入しています。

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採用しています。CNNバックボーンが細かな視覚特徴を抽出し、Transformerのエンコーダー・デコーダーレイヤーが特徴マップ全体を処理してグローバルなコンテキストを捉えます。RTDETRv2の大きな特徴は、エンドツーエンド設計によりNon-Maximum Suppression (NMS)の後処理が不要なことです。

RTDETRv2は、物体が重なり合う複雑で密集したシーンで特に高い精度を発揮しますが、トレードオフもあります。Transformerに固有のアテンション機構は、標準的なCNNより学習時に多くのCUDAメモリを必要とします。また、NVIDIA A100やT4のようなGPUでは良好に動作する一方、標準的なCPUやリソースが限られたエッジAIデバイスでは明らかに速度が低下します。

RTDETRv2の詳細を見る

Ultralytics YOLOv5:効率性における業界標準#

リリース当時、Ultralytics YOLOv5は、直感的で使いやすい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に提供しました。

エコシステムと性能のバランス#

YOLOv5はPyTorchフレームワーク上に完全に構築され、効率的なCNNアーキテクチャを使用しています。シンプルなAPIと充実したドキュメントを備え、使いやすさを重視して一から設計されました。

YOLOv5の主な利点は、汎用性と少ないメモリ要件です。YOLOv5モデルの学習に必要なVRAMはTransformerベースのモデルより大幅に少なく、ハードウェアの予算が限られた研究者やエンジニアでも利用できます。また、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リポジトリはインスタンスセグメンテーション(YOLOv5 v7.0で追加)と画像分類にも対応しています。

エンタープライズ向けモデル管理

クラウド学習とノーコードデプロイを提供するUltralytics Platform上で、YOLOv5の学習、検証、デプロイを直接行えます。

パフォーマンスと指標の比較#

標準のCOCOデータセットでの性能を見ると、これらのモデルが精度とリソースの間でどのようにトレードオフを行うかが明確になります。

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
YOLOv5n64028.0-1.121.94.5
YOLOv5s64037.4-1.927.216.5
YOLOv5m64045.4-4.0321.249.0
YOLOv5l64049.0-6.6146.5109.1
YOLOv5x64050.7-11.8986.7205.7

トレードオフの分析#

RTDETRv2-xは最高で平均適合率 (mAP) 54.3%を達成し、YOLOv5x(50.7%)を3.6ポイント上回ります。YOLOv5xはTensorRTレイテンシーが低く(11.89 ms対15.03 ms)、FLOPsも少ない(205.7B対259B)一方、パラメーター数は多くなっています(86.7M対76M)。レイテンシーが近い場合、RTDETRv2の方が高精度です。RTDETRv2-sは5.03 msで48.1%を達成し、YOLOv5mは4.03 msで45.4%を達成します。低消費電力のエッジデプロイでは、YOLOv5nは1.9Mパラメーターで1.12 msで動作します。このサイズ帯のモデルはRTDETRv2にはありません。

トレーニング効率とコードの簡潔さ#

Ultralyticsエコシステムの主な強みの1つは、統一されたAPIです。計算負荷の高いタスクにTransformerアーキテクチャのRT-DETRを選んでも、Ultralytics Pythonパッケージ内でそのまま使用でき、コードを1行変更するだけでモデルを切り替えられます。

from ultralytics import RTDETR, YOLO

# Ultralytics YOLOv5 smallモデルを読み込む
model_yolo = YOLO("yolov5su.pt")  # YOLOv5u: ultralyticsパッケージ向けのアンカーフリーYOLOv5重み

# Ultralytics経由でRT-DETR largeモデルを読み込む
model_rtdetr = RTDETR("rtdetr-l.pt")

# カスタムデータでYOLOv5をトレーニングします
model_yolo.train(data="coco8.yaml", epochs=100, imgsz=640)

# 両方のモデルで推論を実行します
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ライブラリを利用することで、開発者はWeights & BiasesやCometなどの実験トラッキング連携機能や、ONNX、OpenVINOなどのデプロイ形式への1行でのエクスポートを含む、十分に保守されたエコシステムを利用できます。

実環境での用途と適したユースケース#

RTDETRv2が適する領域#

RTDETRv2は、ハードウェアが制約とならず、精度を最優先する環境に最適です。

  • サーバーサイドの医療画像処理: 高解像度X線画像から微細な異常を検出します。
  • 衛星画像: 強力なクラウドクラスターを使用して、航空監視タスクで密集し、重なり合う物体を追跡します。

YOLOv5が優れている用途#

YOLOv5は、多様なハードウェアにわたる実環境へのデプロイに適した実用的な選択肢です。

  • エッジAIデバイス: メモリが厳しく制限された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LiteRTを使い、スマートフォン上でバウンディングボックス検出とセグメンテーションの推論を直接、高速かつリアルタイムに実行します。
  • 高速な産業製造: ミリ秒単位のレイテンシーが業務の成功に直結する高速な生産ラインで、部品を検査します。
その他のUltralyticsモデルを確認する

YOLOv5は今も広く利用されていますが、より新しいUltralyticsモデルも登場しています。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、推奨モデルのUltralytics YOLO26をご検討ください。YOLO26は、Transformerに似た特性とCNNの速度を備えた、オプションのone-to-one head(nms=False)によるエンドツーエンドのNMSフリー設計を採用し、安定した学習のためのMuSGDオプティマイザーを使用します。また、YOLO26nはYOLO11nよりCPU推論が最大43%高速です。あるいは、多用途なデプロイで姿勢推定やOBB検出が必要な場合は、十分なサポートを受けられるYOLO11も有力な選択肢です。

最終的に、RTDETRv2はTransformerレイヤーによって精度の上限を押し上げますが、Ultralytics YOLOフレームワークは、速度、少ないメモリ要件、プロトタイプから本番環境までの移行を短縮する開発者体験のバランスに優れています。

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。