RTDETRv2とYOLOv6-3.0
物体検出用のコンピュータービジョンモデルを選ぶ開発者は、大きく異なるアーキテクチャから選択できます。このページでは、そのうち2つを比較します。リアルタイム検出TransformerのRTDETRv2と、産業用途向けに最適化された畳み込みニューラルネットワーク(CNN)のYOLOv6-3.0です。
アーキテクチャ、性能指標、最適なデプロイシナリオを取り上げ、Ultralyticsエコシステムが開発者に提供するものを説明するとともに、新規プロジェクトに推奨するモデルとしてUltralytics YOLO26を紹介します。
RTDETRv2:ビジョンTransformerのアプローチ#
Baiduの研究者が開発したRTDETRv2は、オリジナルのRT-DETRを基盤とし、Transformerベースの物体検出を改良したモデルです。
- 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: lyuwenyu/RT-DETR
- ドキュメント: RTDETRv2 GitHub README
アーキテクチャの主な特徴#
RTDETRv2は、CNN特徴抽出器とTransformerデコーダー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。最大の特徴は、ネイティブでNMSフリーな設計です。後処理からNon-Maximum Suppression (NMS)を取り除くことで、モデルはバウンディングボックスを直接予測し、デプロイを簡素化するとともに推論レイテンシーを安定させます。
RTDETRv2の「Bag-of-Freebies」による学習改善とグローバルアテンションの組み合わせにより、複雑なシーンや重なり合う物体を適切に処理できます。これは、アテンションモデルが局所的な畳み込みウィンドウ内だけでなく、画像全体にわたる関係性をモデル化するためです。
Transformerは複雑なシーンの理解に優れていますが、一般に学習時にはCNNより多くのCUDAメモリを必要とします。そのため、標準的なコンシューマー向けGPUではバッチサイズが制限され、全体的な学習時間が長くなる可能性があります。
YOLOv6-3.0:産業用途のスループットを最大化#
MeituanのVision AI Departmentから生まれたYOLOv6-3.0は、GPUスループットを優先する産業用パイプライン向けに設計されました。
- 著者: Chuyi Li、Lulu Li、Yifei Geng、Hongliang Jiang、Meng Cheng、Bo Zhang、Zaidan Ke、Xiaoming Xu、Xiangxiang Chu
- 組織: Meituan
- 日付: 2023-01-13
- arXiv: 2301.05586
- GitHub: meituan/YOLOv6
アーキテクチャの重点#
YOLOv6-3.0は、NVIDIA GPUのようなハードウェアアクセラレーターでのメモリアクセスコストを最小限に抑えるよう設計されたEfficientRepバックボーンを採用しています。ネックのアーキテクチャには、異なるスケール間の特徴融合を改善するBi-directional Concatenation(BiC)モジュールが含まれます。
学習時にはAnchor-Aided Training(AAT)戦略を採用し、アンカーベース方式の利点を活用しながら、実行を高速化するアンカーフリー推論モードを維持します。サーバー向けGPU(例:T4、A100)では高いスループットを実現しますが、GPU向けの設計であるため、CPUのみを搭載したエッジデバイスでは効率が低下する可能性があります。
パフォーマンス比較#
以下の表では、COCO検証セットにおける精度(mAP)、推論速度、計算コスト(FLOPs)を比較しています。
| 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 |
| YOLOv6-3.0n | 640 | 37.5 | - | 1.17 | 4.7 | 11.4 |
| YOLOv6-3.0s | 640 | 45.0 | - | 2.66 | 18.5 | 45.3 |
| YOLOv6-3.0m | 640 | 50.0 | - | 5.28 | 34.9 | 85.8 |
| YOLOv6-3.0l | 640 | 52.8 | - | 8.95 | 59.6 | 150.7 |
YOLOv6-3.0は、比較可能なすべてのモデルサイズでT4 TensorRT上の処理が高速です(たとえば、mediumモデルでは5.28 msに対して7.51 ms)。一方、RTDETRv2はより高いmAPを達成し(mediumでは51.9対50.0、largeでは53.4対52.8)、RTDETRv2-xではmAP 54.3まで拡張できます。どちらのモデルも検出に特化しており、メインリリースではインスタンスセグメンテーションにも姿勢推定にも対応していません。
ユースケースと推奨事項#
RT-DETRとYOLOv6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。
YOLOv6を選ぶ場合#
YOLOv6は、次のような場合に推奨されます。
- 産業用ハードウェアを考慮したデプロイ: モデルのハードウェアを考慮した設計と効率的な再パラメーター化によって、特定のターゲットハードウェア上で最適な性能が得られるシナリオです。
- 高速な1ステージ検出: 制御された環境でのリアルタイム動画処理において、GPU上での生の推論速度を重視するアプリケーションです。
- Meituanエコシステムとの統合: すでにMeituanの技術スタックとデプロイインフラストラクチャを利用しているチームです。
Ultralytics (YOLO26)を選ぶ場合#
ほとんどの新規プロジェクトでは、Ultralytics YOLO26が性能と開発者体験の最適な組み合わせを提供します。
- 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-Only Environments: 専用GPUアクセラレーションを備えていないデバイスでは、YOLO26の最大43%高速なCPU推論(YOLO26n対YOLO11n)が大きな優位性をもたらします。
- 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#
モデルの選択ではベンチマークの数値だけでなく、開発者体験、デプロイの柔軟性、エコシステムのサポートも重要です。Ultralyticsエコシステムに統合されたモデルには、固定的な研究用リポジトリと比べていくつかの利点があります。
- 使いやすさ:
ultralyticsPythonパッケージはシンプルなAPIを提供します。モデルの学習、検証、エクスポートはわずか数行のコードで実行できます。 - 十分に保守されたエコシステム: 個別の学術リポジトリとは異なり、
ultralyticsパッケージとUltralytics Platformは継続的に保守されており、ONNX、OpenVINO、CoreMLなどの形式へのエクスポートに対応しています。 - 学習効率: Ultralytics YOLOモデルは通常、RTDETRv2のようなTransformerアーキテクチャより学習時のGPUメモリ使用量が少なく、コンシューマー向けハードウェアでより大きなバッチサイズを使用できます。
- 汎用性: 検出に特化したYOLOv6-3.0とは異なり、YOLO26は単一のフレームワークで、検出、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、方向付きバウンディングボックス (OBB)に対応しています。
Ultralytics CLIを使えば、トレーニング済みモデルのエッジデプロイ向けエクスポートは、次のコマンドを実行するだけです。yolo export model=yolo11n.pt format=tensorrt
YOLO26の登場#
RTDETRv2とYOLOv6-3.0にはそれぞれ特有の強みがありますが、新しいコンピュータービジョンプロジェクトを始めるチームには、2026年1月にUltralyticsがリリースしたYOLO26を推奨します。
YOLO26は、産業用途向けCNNと最新のTransformerの強みを組み合わせています。
- エンドツーエンドのNMSフリー設計: YOLOv10で導入されたアプローチを基盤に、YOLO26はオプションのNMSフリーヘッド(
nms=False)を提供し、NMS後処理を省略します。これにより、RTDETRv2と同様に予測可能なレイテンシーを、より少ないメモリ使用量で実現します。 - MuSGDオプティマイザー: Moonshot AIのKimi K2のような大規模言語モデル(LLM)の学習技術に着想を得た、SGDとMuonのハイブリッド手法です。より安定した学習と高速な収束を実現します。
- エッジ向け最適化: Distribution Focal Loss(DFL)を取り除くことで、YOLO26nはYOLO11nよりCPU上で最大43%高速に動作します。そのため、GPUアクセラレーションのないモバイルデバイスやIoTデバイスに適しています。
- ProgLoss + STAL: Progressive LossとSmall-Target-Aware Label Assignment(STAL)は、CNNにとって長年の課題である小さな物体の認識を向上させ、航空画像やロボティクスに役立ちます。
トレーニング例#
Ultralytics APIを使えば、わずか数行のコードでモデルを学習できます。以下の実行可能な例では、COCO8データセットを使ってYOLO26 Nanoモデルを学習します。
from ultralytics import YOLO
# Load the newly released YOLO26 Nano model
model = YOLO("yolo26n.pt")
# Train the model on the COCO8 dataset for 50 epochs
# The Ultralytics engine handles data caching and augmentation automatically
train_results = model.train(data="coco8.yaml", epochs=50, imgsz=640)
# Validate the model's performance
metrics = model.val()
print(f"Validation mAP50-95: {metrics.box.map}")
# Export the trained model to ONNX format for production
model.export(format="onnx")概要#
RTDETRv2とYOLOv6-3.0を比較する際は、主に使用するハードウェアとレイテンシーの制約に基づいて判断します。RTDETRv2は、複雑で重なり合う物体への対応が重要な研究環境やサーバー側の処理に適しています。YOLOv6-3.0は、強力なNVIDIA GPUを備えた高スループットの製造ラインに引き続き有力な選択肢です。
TransformerのようなNMSフリー推論と、CNNの速度および少ないメモリ使用量を両立したい開発者には、YOLO26を推奨します。ドキュメント、活発なコミュニティ、Ultralyticsのツールが、ビジョンAIプロジェクトのプロトタイプから本番環境への移行を支援します。
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。