YOLO Vision 2026:

RTDETRv2 と YOLOv6-3.0 の比較#

コンピュータビジョンの分野は常に進化しており、開発者には物体検出のための無数のアーキテクチャの選択肢が提供されています。対照的なアプローチをとる2つの著名なモデルとして、最先端のビジョントランスフォーマーである RTDETRv2 と、産業用途向けに高度に最適化された畳み込みニューラルネットワーク（CNN）である YOLOv6-3.0 が挙げられます。

この包括的な技術的比較では、それぞれのアーキテクチャ、パフォーマンス指標、および理想的なデプロイシナリオについて検討します。また、より広範なUltralytics ecosystemがどのように優れた開発者体験を提供するかを検証し、最終的に次世代のUltralytics YOLO26の機能を見据えます。

RTDETRv2: ビジョントランスフォーマーのアプローチ#

Baiduの研究者によって開発されたRTDETRv2は、オリジナルのRT-DETRの基盤の上に構築されており、Transformerベースのobject detectionにおける大きな飛躍を表しています。

アーキテクチャのハイライト#

RTDETRv2 は、CNN特徴抽出器と強力なトランスフォーマー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。このモデルの最も決定的な特徴は、ネイティブに NMS を必要としない設計である点です。後処理中の Non-Maximum Suppression (NMS) を排除することで、モデルはバウンディングボックスを直接予測するため、デプロイメントが簡素化され、推論レイテンシが安定します。

RTDETRv2 に組み込まれた「Bag-of-Freebies」は、複雑なシーンや重なり合う物体を扱う能力を強化しています。これは、グローバルアテンションメカニズムが局所的な畳み込みよりも本質的に空間的な関係をよりよく理解できるためです。

トランスフォーマーのメモリ使用量

トランスフォーマーは複雑なシーンの理解に優れていますが、トレーニング中には通常、CNN と比較して大幅に多くの CUDA メモリを必要とします。これは、標準的なコンシューマー向け GPU でのバッチサイズを制限し、全体的なトレーニング時間を増加させる可能性があります。

RTDETRの詳細はこちら

YOLOv6-3.0: 産業用スループットの最大化#

Meituan の Vision AI 部門から生まれた YOLOv6-3.0 は、GPU スループットが極めて重要な産業用パイプライン向けの次世代検出器として明示的に設計されました。

  • 著者：Chuyi Li、Lulu Li、Yifei Geng、Hongliang Jiang、Meng Cheng、Bo Zhang、Zaidan Ke、Xiaoming Xu、およびXiangxiang Chu
  • 組織: Meituan
  • 日付：2023-01-13
  • Arxiv: 2301.05586
  • GitHub: meituan/YOLOv6

アーキテクチャの焦点#

YOLOv6-3.0 は EfficientRep バックボーンに依存しており、NVIDIA GPU などのハードウェアアクセラレータでのメモリ・アクセス・コストを最小限に抑えるよう綿密に設計されています。ネックアーキテクチャには、異なるスケール間での特徴融合を改善するために Bi-directional Concatenation (BiC) モジュールが採用されています。

トレーニング中には、アンカーベースのパラダイムの利点を享受しつつ、より高速な実行のためにアンカーフリーの推論モードを維持する Anchor-Aided Training (AAT) 戦略を採用しています。サーバーグレードの GPU (T4、A100など) では卓越したスループットを達成しますが、その特殊なアーキテクチャにより、CPU のみのエッジデバイスにデプロイするとレイテンシが最適にならない場合があります。

YOLOv6の詳細はこちら

パフォーマンスの比較#

本番環境向けにモデルを評価する際、精度 (mAP) と推論速度および計算コスト (FLOPs) のバランスをとることが重要です。以下の表は、これらのモデルがどのように比較されるかを示しています。

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-s64048.1-5.032060
RTDETRv2-m64051.9-7.5136100
RTDETRv2-l64053.4-9.7642136
RTDETRv2-x64054.3-15.0376259
YOLOv6-3.0n64037.5-1.174.711.4
YOLOv6-3.0s64045.0-2.6618.545.3
YOLOv6-3.0m64050.0-5.2834.985.8
YOLOv6-3.0l64052.8-8.9559.6150.7

TensorRTでの純粋な処理速度ではYOLOv6-3.0が圧倒的ですが、RTDETRv2はより高いmAPスコアを記録し、特に大型のモデルバリアントでより優れたスケーラビリティを発揮します。しかし、どちらのモデルにも、近代的な統合フレームワークに見られるような幅広い汎用性が欠けています。YOLOv6-3.0は主に検出に特化しており、instance segmentationやpose estimationなどのタスクに対する標準でのネイティブサポートがありません。

ユースケースと推奨事項#

RT-DETR と YOLOv6 のどちらを選択するかは、プロジェクトの特定の要件、デプロイメントの制約、およびエコシステムの好みによって決まります。

RT-DETRを選択すべき時#

RT-DETRは以下のような場合に強力な選択肢です。

  • Transformerベースの検出研究： NMSなしのエンドツーエンド物体検出に向けたアテンションメカニズムやTransformerアーキテクチャを探求するプロジェクト。
  • 高い精度が求められ、レイテンシに柔軟性があるシナリオ： 検出精度が最優先され、多少推論レイテンシが高くても許容されるアプリケーション。
  • 大きな物体の検出： 主に中規模から大規模な物体が中心となるシーンで、Transformerのグローバルアテンションメカニズムが自然な利点となる場合。

YOLOv6を選択すべき時#

YOLOv6が推奨されるケース:

  • 産業用ハードウェア対応の展開： モデルのハードウェア認識設計と効率的な再パラメータ化が、特定のターゲットハードウェア上で最適化されたパフォーマンスを提供するシナリオ。
  • 高速なシングルステージ検出： 管理された環境でのリアルタイムビデオ処理において、GPU上の生の推論速度を優先するアプリケーション。
  • Meituanエコシステムの統合: すでにMeituanの技術スタックおよびデプロイインフラストラクチャ内で作業しているチーム。

Ultralytics (YOLO26) を選択すべき時#

ほとんどの新しい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の最高の組み合わせを提供します。

  • NMSフリーのエッジ展開： Non-Maximum Suppression後処理の複雑さを伴わずに、一貫した低レイテンシの推論が求められるアプリケーション。
  • CPUのみの環境： GPUアクセラレーションを利用できないデバイスにおいて、YOLO26の最大43%高速なCPU推論が決定的な利点となる場合。
  • 小物体検出: ProgLossとSTALにより極小オブジェクトの精度が大幅に向上する、空中ドローン画像やIoTセンサー分析などの困難なシナリオ。

Ultralyticsの利点#

適切なモデルを選択するには、単なるベンチマーク数値以上の考慮が必要です。開発者体験、デプロイメントの柔軟性、およびエコシステムのサポートも同様に重要です。Ultralytics プラットフォームに統合されたモデルを利用することで、ユーザーは静的な研究用リポジトリに比べて大きな利点を得ることができます。

  • 使いやすさ: ultralytics PythonパッケージはシームレスなAPIを提供します。モデルのトレーニング、検証、エクスポートはわずか数行のコードで行えます。
  • 十分な保守体制が整ったエコシステム: 孤立した学術的リポジトリとは異なり、Ultralytics Platformは積極的にアップデートされています。ONNX、OpenVINO、CoreMLなどのツールに向けた堅牢な統合機能を誇っています。
  • トレーニング効率: Ultralytics のモデルは、通常、RTDETRv2 のようなトランスフォーマーアーキテクチャと比較してトレーニング中の VRAM 消費量が大幅に少ないため、コンシューマー向けハードウェア上でより大きなバッチサイズを扱うことができます。
  • 汎用性: YOLOv6-3.0の限定的なスコープとは異なり、Ultralyticsモデルはマルチモーダルであり、1つの統合フレームワーク内でimage classification、oriented bounding boxes (OBB)、セグメンテーションをネイティブにサポートします。
合理化されたデプロイ

Ultralytics CLIを使用すると、エッジデプロイ用にトレーニング済みモデルをエクスポートするのは、yolo export model=yolo11n.pt format=tensorrtを実行するのと同じくらい簡単です。

YOLO26 の登場: 究極のソリューション#

RTDETRv2とYOLOv6-3.0にはそれぞれ特定の利点がありますが、この分野の進歩は急速です。新しくコンピュータービジョンプロジェクトを開始するチームには、2026年1月にUltralyticsからリリースされた**YOLO26**を強くお勧めします。

YOLO26 は産業用 CNN と現代のトランスフォーマーの強みを統合し、それぞれの弱点を排除しています。

  • エンドツーエンドのNMSフリー設計: YOLOv10で初めて導入された画期的な手法を採用し、YOLO26はNMS後処理をネイティブで排除することで、RTDETRv2と同様の安定的かつ予測可能なデプロイを実現しながら、オーバーヘッドを大幅に削減します。
  • MuSGD オプティマイザー: 高度な LLM トレーニング技術（Moonshot AI の Kimi K2 など）から着想を得たこのハイブリッド・オプティマイザーは、従来のビジョントランスフォーマーの不安定さを克服し、安定したトレーニングとより速い収束を実現します。
  • エッジ向け最適化: 前世代と比較して最大 43% 高速な CPU 推論 を実現し、Distribution Focal Loss (DFL) を戦略的に削除したことで、YOLO26 は GPU アクセラレーションが利用できないモバイルおよび IoT デバイスに最適です。
  • ProgLoss + STAL: これらの高度な損失関数は、CNN にとって歴史的な課題であった小物体認識において顕著な改善をもたらし、YOLO26 を航空画像やロボット工学に理想的なものにしています。

トレーニングの例#

直感的なUltralytics APIを使用すると、最先端のモデルをシームレスにトレーニングできます。以下は、COCO8 datasetでYOLO26 Nanoモデルをトレーニングする方法を示す実行可能な例です。

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")

要約#

RTDETRv2 と YOLOv6-3.0 を比較する場合、決定は主に特定のハードウェアとレイテンシの制約に依存します。RTDETRv2 は研究環境や、複雑で重なり合う物体の処理が不可欠なサーバーサイド処理で輝きを放ちます。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とって強力な選択肢であり続けます。

しかし、Transformerの持つNMSフリーのエレガンスと、CNNの圧倒的な速度および低いメモリフットプリントを組み合わせるという、両方の長所を求める開発者にとって、YOLO26に並ぶものはありません。Ultralytics ecosystemの包括的なドキュメントと活発なコミュニティに支えられたYOLO26により、ビジョンAIプロジェクトの堅牢性、スケーラビリティ、将来性が保証されます。

貢献者
GLglenn-jocher16PDpderrenger2

コメント