RTDETRv2とYOLOv7
近年のコンピュータービジョンは、畳み込みニューラルネットワーク(CNN)とVision Transformer(ViT)の両方の進歩により急速に発展しています。デプロイするアーキテクチャを選ぶには、速度、精度、計算オーバーヘッドのトレードオフを理解する必要があります。このガイドでは、よく知られた2つのアーキテクチャであるRTDETRv2とYOLOv7の技術的な違いを比較し、新しいUltralytics YOLO26も紹介します。
RTDETRv2:リアルタイム検出に向けたTransformerアプローチ#
RTDETRv2(Real-Time Detection Transformer version 2)は前世代モデルを基に、従来の後処理に依存せず、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競争力を発揮できることを示しています。
- 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リポジトリ
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デコーダーを採用しています。Self-attentionにより画像全体を一度に処理できるため、局所的な畳み込みカーネルだけでは捉えられない空間的な関係性を把握できます。特徴的なのは、ネイティブなNMSフリーデザインです。Non-Maximum Suppression(NMS)をなくすことで、RTDETRv2はデプロイ時に推論レイテンシーの変動を招く、よくあるボトルネックを取り除きます。
長所と制約#
RTDETRv2の主な強みは、複雑なシーンで密集し、重なり合う物体を処理できることです。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は、特に遮蔽が頻繁に発生するシナリオで精度の向上に役立ちます。
ただし、その代償として計算コストがかかります。Transformerモデルは通常、学習時も推論時もCNNより多くのメモリを使用します。そのため、コンシューマー向けGPUではバッチサイズが制限され、カスタムデータセットを調整する開発者のイテレーションサイクルが長くなる可能性があります。
YOLOv7:速度に優れたCNNのベースライン#
RTDETRv2の2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最適化を導入し、公開当時、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、Extended Efficient Layer Aggregation Network (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、計算複雑度を大幅に増やすことなく、モデルがより効果的に学習できるようにします。また、著者らは「trainable bag-of-freebies」も導入しました。これは、推論コストを増加させずに学習中のモデル精度を向上させる一連の手法です。
長所と制約#
YOLOv7は、標準的な物体検出タスクにおいて、コンシューマー向けGPUで高速に処理できる優れたモデルです。CNNであるYOLOv7は、通常、RTDETRv2のようなTransformerベースのモデルと比べて、学習時に必要な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は後処理にNMSを使用します。予測密度が高い環境では、NMSの処理によって処理時間が変動し、厳密なリアルタイム性能の保証が難しくなる場合があります。また、YOLOv7はインスタンスセグメンテーションや姿勢推定などのタスクを、統合フレームワークではなく個別のコードブランチで処理します。
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平均適合率(mAP)、パラメーター数、推論速度を比較しています。
| 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 |
| YOLOv7l | 640 | 51.4 | - | 6.84 | 36.9 | 104.7 |
| YOLOv7x | 640 | 53.1 | - | 11.57 | 71.3 | 189.9 |
RTDETRv2-xは最高のmAP(54.3)を達成しますが、パラメーター数とFLOPsも最大です。YOLOv7l(mAP 51.4、6.84 ms)はRTDETRv2-m(mAP 51.9、7.51 ms)よりわずかに高速です。一方、RTDETRv2-l(mAP 53.4、9.76 ms)はYOLOv7x(mAP 53.1、11.57 ms)より精度と速度の両方で優れています。ここではどちらのモデルもCPU速度を公表していないため、専用GPUのない低消費電力環境を対象とする場合は、CPU推論を独自にベンチマーク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はいずれもコンピュータービジョンアプリケーションを発展させてきましたが、この分野は今も進化を続けています。2026年1月にリリースされたYOLO26は、CNNの効率性と、Transformer検出器に似たオプションのNMSフリー推論を組み合わせています。
新しいシステムを構築する開発者や研究者には、統合されたUltralytics PlatformとPythonエコシステムが、統一されたワークフローを提供し、統合や保守にかかる作業を削減します。
YOLO26の主な革新#
- エンドツーエンドのNMSフリー設計: YOLO26はネイティブのエンドツーエンド推論に対応しており、オプションのone-to-one head(
nms=False)を使ってNMS後処理を省略し、より高速でシンプルなデプロイを実現します。このアプローチはYOLOv10で初めて導入され、物体の密度にかかわらずレイテンシーを安定させます。 - CPU推論が最大43%高速: YOLO26nはYOLO11nよりCPU上で最大43%高速に動作するため、エッジコンピューティングや、負荷の大きいTransformerモデルのデプロイが難しいGPU非搭載デバイスに適しています。
- MuSGDオプティマイザー: SGDとMuonを組み合わせたハイブリッド手法です(Moonshot AIのKimi K2に着想を得ています)。大規模言語モデル(LLM)の学習技術をコンピュータービジョンに取り入れ、より安定した学習と高速な収束を実現します。
- DFLの削除: 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環境へのエクスポートがよりスムーズになります。
- ProgLoss + STAL: Progressive LossとSmall-Target-Aware Label Assignment(STAL)は、小さな物体の認識を向上させます。これはロボティクス、IoT、航空画像解析において重要です。
- タスク固有の改良: YOLO26は検出だけにとどまりません。セグメンテーション向けのマルチスケールプロトタイプ、姿勢推定向けの残差対数尤度推定(RLE)、回転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。
効率化された開発者エクスペリエンス#
YOLO26や広く利用されているYOLO11など、Ultralyticsモデルの主な利点は、十分に保守されたエコシステムです。カスタムデータセットの学習は、わずか数行のコードで実行できます。
from ultralytics import YOLO
# YOLO26モデルを初期化します
model = YOLO("yolo26s.pt")
# COCO8データセットでモデルをトレーニングします
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# エッジデプロイ用にエクスポートします
model.export(format="onnx", dynamic=True)最適なユースケースと用途#
これらのアーキテクチャのどちらを選ぶかは、対象ハードウェアと具体的な運用要件によって異なります。
RTDETRv2を検討するケース#
RTDETRv2は、高性能GPUを備えたサーバーサイド処理環境で効果を発揮します。グローバルアテンション機構により、非常に混雑したイベントの監視や、重なり合う特徴の深い文脈分析が必要な専門的な医療画像処理など、複雑なシーンの理解に適しています。
YOLOv7を検討する場面#
YOLOv7は、ベースライン比較モデルとして従来の学術研究で保守されていることがよくあります。また、既存のパイプラインが特定のPyTorchバージョン向け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対応が不要な旧式の産業用デプロイ環境でも利用されています。
YOLO26が推奨標準である理由#
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は速度と精度の優れたバランスを提供します。必要メモリが少ないため、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や学習を行えます。また、オプションのNMSフリー推論とCPU最適化により、Raspberry PiやNVIDIA Jetsonのようなリソース制約のあるエッジデバイスにも適しています。
これらのモデルと他のアーキテクチャとの比較に興味がありますか?YOLO11とRT-DETRの比較およびYOLOv8とYOLOv7の比較に関する詳細ガイドをご覧になり、ビジョンAIプロジェクトに適したモデルをお選びください。
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。