RTDETRv2とYOLOv7：リアルタイム物体検出の進化を紐解く

コンピュータビジョンの領域は、CNN（畳み込みニューラルネットワーク）とViT（Vision Transformer）の両方における絶え間ない革新により、過去数年間で劇的に拡大しました。デプロイメントに最適な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間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であるRTDETRv2とYOLOv7の技術的な違いを探るとともに、最新のUltralytics YOLO26で利用可能な最新の進歩について解説します。

RTDETRv2：リアルタイム検出へのTransformerアプローチ

RTDETRv2（Real-Time Detection Transformer version 2）は、その前身の基盤の上に構築されており、従来のポストプロセスステップに依存することなく、リアルタイムシナリオにおいてTransformerベースのアーキテクチャが効果的に競合できることを証明しています。

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

アーキテクチャのハイライト

RTDETRv2 utilizes a hybrid encoder and a transformer decoder architecture. By leveraging self-attention mechanisms, the model processes the entire image holistically, allowing it to understand complex spatial relationships better than strictly localized convolutional kernels. One of its most defining features is its natively NMS-free design. By eliminating Non-Maximum Suppression (NMS), RTDETRv2 removes a common bottleneck that introduces variable inference latency during deployment.

強みと限界

RTDETRv2の主な強みは、複雑なシーンにおける高密度で重なり合った物体を扱う能力にあります。Transformerアテンション層によって提供されるグローバルなコンテキストは、特にオクルージョン（遮蔽）が頻繁に発生するシナリオにおいて、高い精度を実現します。

However, this comes at a computational cost. Transformer models traditionally require a higher memory footprint during training and inference compared to CNNs. Furthermore, RTDETRv2 generally requires more epochs to converge during distributed training, leading to longer iteration cycles for developers tuning custom datasets.

RTDETRv2の詳細はこちら

YOLOv7：速度のためのCNNベースライン

RTDETRv2の1年前にリリースされたYOLOv7は、古典的なYOLOフレームワークにいくつかの構造的最適化を導入し、発表当時にCNNベースのリアルタイム検出器の強力なベンチマークを打ち立てました。

著者: Chien-Yao Wang, Alexey Bochkovskiy, Hong-Yuan Mark Liao 組織: 中央研究院 情報科学研究所（台湾） 日付: 2022-07-06 Arxiv: https://arxiv.org/abs/2207.02696 GitHub: YOLOv7 Repository

アーキテクチャのハイライト

YOLOv7's architecture is built around the concept of Extended Efficient Layer Aggregation Network (E-ELAN). This approach optimizes the gradient path, allowing the model to learn more effectively without significantly increasing computational complexity. The authors also introduced "trainable bag-of-freebies," a set of methods that improve model accuracy during training without affecting the inference speed on edge devices.

強みと限界

YOLOv7は、標準的な物体検出タスクにおいて依然として非常に高性能なモデルであり、一般的なGPUで優れた処理速度を提供します。そのCNNとしての性質上、RTDETRv2のようなTransformerベースのモデルと比較して、トレーニング中のCUDAメモリ消費が通常少なくて済みます。

これらの利点にもかかわらず、YOLOv7はポストプロセスとしてNMSに依存しています。予測密度が高い環境では、NMSステップが処理時間の変動を引き起こす可能性があり、厳密なリアルタイム性を保証することが困難になります。さらに、最新のフレームワークと比較して、インスタンスセグメンテーションや姿勢推定のような多様なタスクを扱うプロセスが断片的になる可能性があります。

YOLOv7の詳細はこちら

パフォーマンスの比較

Evaluating these models requires looking at the delicate balance between mean Average Precision (mAP), parameter count, and inference speed.

最新のソリューション：YOLO26の登場

RTDETRv2とYOLOv7はコンピュータビジョンアプリケーションの限界を押し広げる上で極めて重要でしたが、AIの状況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のようなNMSフリーアーキテクチャの両方の長所を統合しています。

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体験を提供します。

YOLO26の主な革新点

• エンドツーエンドのNMSフリー設計： YOLO26はネイティブにエンドツーエンドであり、NMS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メントを実現します。この画期的なアプローチはYOLOv10で初めて開拓されたものであり、物体の密度に関わらず安定したレイテンシを保証します。
• 最大43%高速なCPU推論： 特にエッジコンピューティングおよびGPUのないデバイス向けに最適化されており、重いTransformerモデルよりもフィールドデプロイメントにおいて汎用性が大幅に向上しています。
• MuSGDオプティマイザー： SGDとMuon（Moonshot AIのKimi K2に着想を得た）のハイブリッドであり、LLMトレーニングの革新をコンピュータ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の削除： Distribution Focal Lossが削除されたことで、計算グラフが簡素化され、組み込みNPUやTensorRT環境へのエクスポートがより円滑になりました。
• ProgLoss + STAL: Improved loss functions yield notable enhancements in small-object recognition, which is critical for robotics, IoT, and aerial imagery analysis.
• タスク固有の改善： YOLO26は単なる検出用ではありません。セグメンテーション用のマルチスケールプロトタイプ、姿勢追跡用のRLE（Residual Log-Likelihood Estimation）、および指向性バウンディングボックス（OBB）の境界問題に対処する特殊な角度損失を備えています。

洗練された開発者体験

YOLO26（または非常に人気のあるYOLO11）のようなUltralyticsモデルを選択する真の利点は、十分に整備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定型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)

YOLO26の詳細はこちら

理想的なユースケースとアプリケーション

これらのアーキテクチャ間の選択は、ターゲットとなるハードウェアと具体的な運用要件に大きく依存します。

RTDETRv2を検討すべき場合

RTDETRv2は、強力なGPUを備えたサーバーサイド処理環境において非常に効果的です。そのグローバルアテンション機構は、非常に混雑したイベント監視や、重なり合った特徴に対して深いコンテキスト解析が必要な専門的な医療画像解析など、複雑なシーンの理解に適しています。

YOLOv7を検討すべきケース

YOLOv7は、レガシーな学術研究においてベースライン比較モデルとして維持されることが多いです。また、既存のパイプラインが特定のPyTorchバージョンに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、古い産業現場のデプロイメントでも使用されています。

なぜYOLO26が推奨標準なのか

For modern smart city infrastructure, drone navigation, and high-speed manufacturing, YOLO26 offers an unmatched balance. Its lower memory requirements make hyperparameter tuning and training accessible on consumer hardware, while its NMS-free inference ensures rapid execution on constrained edge devices like the Raspberry Pi or NVIDIA Jetson.