RTDETRv2 vs YOLOv7#

コンピュータービジョンの分野は、畳み込みニューラルネットワーク (CNNs) とビジョントランスフォーマー (ViTs) の継続的なイノベーションに牽引され、過去数年間で大きく発展しました。デプロイに適したアーキテクチャを選択するには、速度、精度、計算オーバーヘッドの微妙なトレードオフを理解する必要があります。本ガイドでは、高く評価されている2つのアーキテクチャ、RTDETRv2とYOLOv7の技術的な違いを検討しながら、新しいUltralytics YOLO26で利用できる最新の進歩についても説明します。

RTDETRv2：リアルタイム検出におけるTransformerアプローチ#

RTDETRv2（リアルタイム検出Transformer バージョン2）は、前身モデルの基盤を発展させたもので、従来のポストプロセス手順に依存せず、Transformerベースのアーキテクチャがリアルタイムのシナリオで効果的に競合できることを実証しています。

• 著者： Wenyu Lv、Yian Zhao、Qinyao Chang、Kui Huang、Guanzhong Wang、Yi Liu
• 組織： Baidu
• 日付： 2024-07-24
• Arxiv: https://arxiv.org/abs/2407.17140
• GitHub: RTDETRv2 Repository

アーキテクチャの主な特徴#

RTDETRv2は、ハイブリッドエンコーダーとTransformerデコーダーのアーキテクチャを採用しています。自己注意メカニズムを活用することで、モデルは画像全体を包括的に処理し、局所的な畳み込みカーネルだけを使用する場合よりも複雑な空間関係を適切に理解できます。最も特徴的な機能の1つは、本来からNMSを必要としない設計です。非最大抑制 (NMS) を排除することで、RTDETRv2はデプロイ時に変動する一般的なボトルネックである推論レイテンシを取り除きます。

長所と制限事項#

RTDETRv2の主な強みは、複雑なシーン内の密集した重なり合うオブジェクトを処理できる点にあります。Transformerのアテンション層が提供するグローバルコンテキストにより、特にオクルージョンが頻繁に発生するシナリオで高い精度を実現します。

ただし、これには計算コストが伴います。Transformerモデルは従来、CNNと比較してトレーニングと推論でより多くのメモリフットプリントを必要とします。さらに、RTDETRv2は通常、分散トレーニング中の収束により多くのエポックを必要とするため、カスタムデータセットを調整する開発者にとって反復サイクルが長くなります。

RTDETRv2についてさらに学ぶ

YOLOv7：速度重視のCNNベースライン#

RTDETRv2の1年前にリリースされたYOLOv7は、従来のYOLOフレームワークに複数の構造的な最適化を導入し、公開当時のCNNベースのリアルタイム検出器における強力なベンチマークを確立しました。

• 著者: Chien-Yao Wang、Alexey Bochkovskiy、Hong-Yuan Mark Liao
• 組織: 台湾中央研究院情報科学研究所
• 日付： 2022-07-06
• Arxiv: https://arxiv.org/abs/2207.02696
• GitHub： YOLOv7リポジトリ

アーキテクチャの主な特徴#

YOLOv7のアーキテクチャは、拡張効率的レイヤー集約ネットワーク (E-ELAN) の概念を中心に構築されています。このアプローチは勾配経路を最適化し、計算の複雑さを大幅に増加させることなく、モデルがより効果的に学習できるようにします。著者らはまた、トレーニング中のモデル精度を向上させながら、エッジデバイスでの推論速度に影響を与えない一連の手法、「trainable bag-of-freebies」も導入しました。

長所と制限事項#

YOLOv7は、標準的な物体検出タスクに対して非常に高い性能を持つモデルであり、コンシューマー向けGPUで優れた処理速度を提供します。CNNベースであるため、通常、RTDETRv2のようなTransformerベースのモデルと比較して、トレーニング時に必要なCUDAメモリが少なくて済みます。

これらの利点がある一方で、YOLOv7はポストプロセスにNMSを引き続き使用します。予測が高密度になる環境では、NMSの処理によって処理時間に変動が生じ、厳密なリアルタイム性の保証が困難になる可能性があります。さらに、最新のフレームワークと比較すると、インスタンスセグメンテーションや姿勢推定など、さまざまなタスクを処理するプロセスが分断される可能性があります。

YOLOv7について詳しく見る

性能比較#

これらのモデルを評価するには、平均適合率（mAP）、パラメーター数、推論速度の微妙なバランスを確認する必要があります。

最新のソリューション：YOLO26の登場#

RTDETRv2とYOLOv7はコンピュータービジョンアプリケーションの限界を押し広げるうえで重要な役割を果たしましたが、AIの環境は急速に進化しています。2026年1月にリリースされた**YOLO26**は、CNNの効率性とTransformerに似たNMSフリーアーキテクチャの優れた側面を統合しています。

新しいシステムを構築する開発者や研究者にとって、統合されたUltralytics PlatformとPythonエコシステムは、技術的負債を大幅に削減する統一されたエクスペリエンスを提供します。

YOLO26の主な革新#

• エンドツーエンドのNMSフリー設計: YOLO26は本来からエンドツーエンドであり、NMSのポストプロセスを排除して、より高速でシンプルなデプロイを実現します。この画期的なアプローチはYOLOv10で初めて導入され、オブジェクト密度に関係なく安定したレイテンシを保証します。
• 最大43%高速なCPU推論: エッジコンピューティングとGPUのないデバイス向けに特別に最適化されており、高負荷なTransformerモデルよりもフィールドデプロイに適した汎用性を備えています。
• MuSGDオプティマイザー: SGDとMuon（Moonshot AIのKimi K2に着想を得た手法）のハイブリッドであり、LLMトレーニングのイノベーションをコンピュータービジョンにもたらし、より安定したトレーニングと高速な収束を実現します。
• DFLの除去: Distribution Focal Lossを削除することで、計算グラフが簡素化され、組み込みNPUやTensorRT環境へのスムーズなエクスポートが可能になります。
• ProgLoss + STAL: 改良された損失関数により、小さなオブジェクトの認識が大幅に向上します。これは、ロボティクス、IoT、航空画像分析において重要です。
• タスク固有の改善: YOLO26は検出専用ではありません。セグメンテーション用のマルチスケールプロトタイプ、姿勢トラッキング用の残差対数尤度推定 (RLE)、指向性バウンディングボックス (OBB)の境界に関する問題に対処する専用の角度損失を備えています。

合理化された開発者エクスペリエンス#

YOLO26のようなUltralyticsモデル（または非常に人気の高いYOLO11）を選択する真の利点は、適切に保守されたエコシステムにあります。カスタムデータセットのトレーニングに必要なボイラープレートコードは最小限です。

from ultralytics import YOLO

# Initialize the state-of-the-art YOLO26 model
model = YOLO("yolo26s.pt")

# Train the model on the COCO8 dataset
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Export seamlessly for edge deployment
model.export(format="onnx", dynamic=True)

理想的なユースケースと用途#

これらのアーキテクチャの選択は、対象ハードウェアと具体的な運用要件に大きく左右されます。

RTDETRv2を検討するタイミング#

RTDETRv2は、高性能GPUを搭載したサーバーサイド処理環境で非常に効果的です。グローバルアテンションメカニズムにより、非常に混雑したイベントの監視や、重なり合う特徴に対して深いコンテキスト分析が必要な専門的な医用画像処理など、複雑なシーン理解に適しています。

YOLOv7を検討するケース#

YOLOv7は、ベースライン比較モデルとして従来の学術研究で維持されていることがよくあります。また、特定のPyTorchバージョン向けに既存のパイプラインがハードコードされており、新しいフレームワークのマルチタスク柔軟性を必要としない、古い産業用デプロイ環境でも使用されています。

YOLO26が推奨される標準である理由#

現代のスマートシティインフラ、ドローンナビゲーション、高速製造において、YOLO26は他に類を見ないバランスを提供します。メモリ要件が低いため、コンシューマー向けハードウェアでもハイパーパラメーター調整とトレーニングを利用しやすく、NMSフリー推論により、Raspberry PiやNVIDIA Jetsonなどのリソースに制約のあるエッジデバイスでも高速に実行できます。