RTDETRv2とYOLOv8
物体検出向けコンピュータービジョンモデルは、畳み込みニューラルネットワーク(CNN)と新しいTransformerベースのアーキテクチャという2つの系統に分かれる傾向があります。この技術比較では、リアルタイム検出TransformerのRTDETRv2と、広く採用されているCNNモデルの1つであるUltralytics YOLOv8を比較します。どちらも高い能力を備えていますが、アーキテクチャの違いによって、トレーニング、デプロイの制約、性能に明確な差が生じます。
モデルの概要:RTDETRv2#
RTDETRv2(Real-Time Detection Transformer version 2)は、オリジナルのRT-DETRを基に、Transformerアーキテクチャを最適化してリアルタイム推論に対応しています。
主な技術的詳細:
- 著者: Wenyu Lv、Yian Zhao、Qinyao Chang、Kui Huang、Guanzhong Wang、Yi Liu
- 組織: Baidu
- 日付: 2024-07-24
- リンク: arXiv論文 | GitHubリポジトリ
アーキテクチャと強み#
RTDETRv2は、CNNバックボーンとTransformerのエンコーダー・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。画像全体を一度に考慮できるため、重なり合う物体のある複雑なシーンの処理に役立ちます。特徴的なのは、ネイティブなエンドツーエンド設計により、Non-Maximum Suppression(NMS)の後処理を省略できる点です。これによって、検出パイプラインの最終段階におけるアルゴリズムの複雑さが軽減されます。また、マルチスケール特徴により、大きな構造物と背景にある小さな要素の両方を検出しやすくなります。
弱点#
コンテキスト理解に優れている一方で、RTDETRv2のようなTransformerベースのアーキテクチャは、トレーニング時の計算オーバーヘッドが大きくなります。より多くのCUDAメモリを必要とするため、一般向けハードウェアでのトレーニングが難しくなります。公式リポジトリでは初心者向けのソフトウェアラッパーが用意されていないため、カスタムデータセットの設定やトレーニングハイパーパラメーターの調整にも、専門知識が必要となる場合がよくあります。また、アテンション層の計算コストが高いため、旧型のRaspberry Piハードウェアなど、低消費電力のエッジデバイスへのデプロイも困難な場合があります。
モデル概要:YOLOv8#
Ultralytics YOLOv8はリリース以来、本番環境のコンピュータービジョンで広く使われる標準モデルとなり、シンプルな開発者体験と高い精度を両立しています。
主な技術的詳細:
- 著者: Glenn Jocher、Ayush Chaurasia、Jing Qiu
- 組織: Ultralytics
- 日付: 2023年1月10日
- リンク: 公式ドキュメント | GitHubリポジトリ
アーキテクチャと強み#
YOLOv8は、アンカーフリーのCNNアーキテクチャと分離型ヘッドを採用し、従来のYOLO世代より物体の位置特定と分類の精度を高めています。主な強みは効率性と汎用性です。このアーキテクチャはビジョンTransformerよりトレーニング時のメモリ使用量が少ないため、標準的なGPUでより大きなバッチサイズを使用できます。また、Ultralyticsエコシステムは効率化されたワークフローも提供します。統一Python APIを使えば、数行のコードでハイパーパラメーター調整、トレーニング、検証、エクスポートを処理できます。
弱点#
YOLOv8は後処理段階で従来型のNMSを使用します。Ultralyticsエンジンが内部で効率的に処理しますが、ネイティブのNMSフリーアーキテクチャと比べると、技術的にはわずかな後処理レイテンシが発生します。
パフォーマンスと指標の比較#
以下の表では、COCO検証データにおける精度(mAP)、CPUおよびT4でのTensorRT速度、パラメーター数、FLOPsを比較しています。2つのモデル系列は、デプロイパイプラインの異なる部分を重視しています。
| 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 |
| YOLOv8n | 640 | 37.3 | 80.4 | 1.47 | 3.2 | 8.7 |
| YOLOv8s | 640 | 44.9 | 128.4 | 2.66 | 11.2 | 28.6 |
| YOLOv8m | 640 | 50.2 | 234.7 | 5.86 | 25.9 | 78.9 |
| YOLOv8l | 640 | 52.9 | 375.2 | 9.06 | 43.7 | 165.1 |
| YOLOv8x | 640 | 53.9 | 479.1 | 14.37 | 68.2 | 257.8 |
RTDETRv2-xはYOLOv8xよりわずかに高い最大mAP(54.3対53.9)を達成し、同程度のサイズではいずれもRTDETRv2の方が高精度です。小型モデルではYOLOv8の方が高速です。YOLOv8sは、RTDETRv2-sよりほぼ半分のパラメーター数でTensorRT上の実行速度がほぼ2倍(2.66 ms対5.03 ms)ですが、mAPは3.2ポイント低くなっています。大型モデルでは、YOLOv8lとRTDETRv2-lの速度とサイズはほぼ同等です。ここでCPU上のONNX速度が示されているのはYOLOv8のみです。
メモリ要件とトレーニング効率#
個人開発者にもエンタープライズチームにも、トレーニングコストは重要です。Ultralytics YOLOモデルは通常、Transformerアーキテクチャよりもトレーニングプロセスで必要なCUDAメモリが少なくなります。標準的なRTDETRv2モデルでは一般向けGPUがボトルネックになる可能性がありますが、YOLOv8はNVIDIA RTX 4070のようなハードウェアで安定してトレーニングできます。
エコシステム、API、使いやすさ#
サポートするソフトウェアフレームワークも、重要な違いの1つです。Ultralyticsエコシステムが多くのエンジニアリング作業を担い、活発な開発、充実したドキュメント、Discordでのコミュニティサポートによって、プロジェクトを着実に進められます。
YOLOv8は物体検出にとどまらず、インスタンスセグメンテーション、画像分類、姿勢推定、Oriented Bounding Boxes(OBB)にもネイティブに対応しています。RTDETRv2は検出のみに特化しています。
コード例:統一されたシンプルさ#
Ultralytics Python APIでは、両方のモデル系列を同じインターフェースで実行できます。
from ultralytics import RTDETR, YOLO
# RT-DETRモデルとYOLOv8モデルを読み込みます
model_transformer = RTDETR("rtdetr-l.pt")
model_cnn = YOLO("yolov8l.pt")
# まったく同じAPIを使ってサンプル画像を予測する
results_transformer = model_transformer("https://ultralytics.com/images/bus.jpg")
results_cnn = model_cnn("https://ultralytics.com/images/bus.jpg")
# YOLOv8をONNXにエクスポートして、エッジへのデプロイを高速化する
model_cnn.export(format="onnx")トレーニング後のYOLOv8は、効率的な推論を実現するため、1行のコードでONNX、TensorRT、OpenVINOにエクスポートできます。
ユースケースと推奨事項#
RT-DETRとYOLOv8のどちらを選ぶかは、具体的なプロジェクト要件、デプロイの制約、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。
YOLOv8を選ぶ場合#
YOLOv8は、次のような場合におすすめです。
- 汎用的なマルチタスクデプロイ: Ultralyticsエコシステム内で、検出、セグメンテーション、分類、姿勢推定に対応する実績あるモデルが必要なプロジェクトに適しています。
- 確立済みの本番システム: 安定性と十分なテストが確認されたデプロイパイプラインを備え、すでにYOLOv8アーキテクチャを基盤として構築されている本番環境。
- 広範なコミュニティとエコシステムのサポート: YOLOv8の豊富なチュートリアル、サードパーティ製ツールとの統合、活発なコミュニティリソースを活用できるアプリケーション。
Ultralytics (YOLO26)を選ぶ場合#
多くの新規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を最適なバランスで提供します。
- 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のみの環境: 専用GPUアクセラレーションのないデバイスでは、YOLO26nのCPU推論がYOLO11nより最大43%高速であることが大きな強みになります。
- 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。
今後を見据えて:YOLO26の優位性#
YOLOv8は画期的なモデルとして今も活用されていますが、コンピュータービジョンは急速に進化しています。2026年に新しいプロジェクトを始めるチームには、後継モデルとしてUltralytics YOLO26をおすすめします。
RTDETRv2のNMSフリーデザインに魅力を感じる場合、YOLO26はオプションのエンドツーエンドNMSフリーデザイン(nms=False)を提供し、Transformerの後処理のシンプルさとCNNの速度を組み合わせています。YOLO26はMuSGDオプティマイザーも採用しており、大規模言語モデル(LLM)のトレーニング手法をビジョンモデルに取り入れることで、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を削除してエクスポートを簡素化し、エッジデバイスや低消費電力デバイスとの互換性を高めること)により、YOLO26nはYOLO11nよりCPU推論が最大43%高速です。さらに、ProgLoss + STAL(Progressive LossとSmall-Target-Aware Label Assignment)で小さな物体の検出を向上させるため、YOLO26はYOLOv8とRTDETRv2の両方から移行する際に推奨されるモデルです。
代替モデルについてはYOLO11をご覧いただくか、YOLOv10とYOLOv8の詳細な比較を読んで、YOLOファミリーでNMSフリーアーキテクチャがどのように進化したかをご確認ください。
コメント1
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。
CathyFisher(編集済み)
Excellent technical comparison! RTDETRv2’s transformer-based architecture brings impressive accuracy and end-to-end detection without the need for NMS, which is quite innovative. However, this YOLOv8 comparison shows that v8 still excels in real-time performance, lighter deployment, and ease of customization. It’s clear that RTDETRv2 is pushing boundaries, but YOLOv8 remains a go-to for many practical applications due to its balance of speed and flexibility.