Ultralytics YOLO27:

RTDETRv2 vs YOLOv8#

コンピュータビジョンの分野は常に変化しており、従来の畳み込みニューラルネットワーク（CNNs）と、より新しいTransformerベースのアーキテクチャの継続的な競争が、その変化を象徴しています。この包括的な技術比較では、主要なビジョントランスフォーマーであるRTDETRv2と、業界で広く採用されている汎用性の高いCNNモデルの1つであるUltralytics YOLOv8を比較します。どちらのモデルもエンジニアや研究者向けの強力な機能を備えていますが、基盤となるアーキテクチャの違いにより、トレーニング手法、デプロイ時の制約、全体的なパフォーマンスに明確な差が生じます。

モデル概要: RTDETRv2#

RTDETRv2（リアルタイム検出Transformer バージョン2）は、ビジョントランスフォーマーアーキテクチャをリアルタイム推論速度向けに最適化することで、前身モデルの確かな成功を基盤に構築されています。

主な技術詳細:

アーキテクチャと強み#

RTDETRv2の中核には、CNNバックボーンとTransformerのエンコーダー・デコーダー構造を組み合わせたハイブリッドアーキテクチャがあります。これにより、モデルは画像全体のコンテキストを捉えられるため、オブジェクトが重なり合う複雑なシーンの処理に非常に優れています。最も特徴的な機能の1つは、ネイティブなエンドツーエンド設計により、非極大抑制（NMS）の後処理を完全に回避できることです。これにより、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性が軽減されます。さらに、マルチスケール検出機能により、大規模な構造物から背景にある小さな要素まで効果的に識別できます。

弱点#

強力なコンテキスト理解能力を備えている一方で、RTDETRv2のようなTransformerベースのアーキテクチャは、トレーニング時に非常に大きな計算オーバーヘッドを必要とします。大量のCUDAメモリを要求するため、コンシューマー向けハードウェアでのトレーニングは困難です。さらに、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の調整には、高度なドメイン知識が必要になることが多くあります。これは、モデルに洗練された初心者向けのソフトウェアラッパーがないためです。古いRaspberry Piハードウェアなどの低消費電力エッジデバイスへのデプロイも、重いアテンション機構により難しい場合があります。

RTDETRv2についてさらに学ぶ

モデル概要：YOLOv8#

リリース以来、Ultralytics YOLOv8は、最上級の精度と完璧な開発者エクスペリエンスを両立させ、実運用レベルのコンピュータビジョンタスクにおける業界標準としての地位を確立しています。

主な技術詳細:

アーキテクチャと強み#

YOLOv8は、分離型ヘッドを備えた高度に最適化されたアンカーフリーCNNアーキテクチャを採用しており、従来世代と比較してオブジェクトの位置特定と分類の精度を大幅に向上させています。最大の強みは、驚異的な効率性と汎用性です。このアーキテクチャは、ビジョントランスフォーマーと比較してトレーニング時に必要なメモリが大幅に少ないため、標準的なGPUでより大きなバッチサイズを使用できます。さらに、Ultralyticsエコシステムは、比類のないシームレスなワークフローを提供します。統合されたPython APIにより、わずか数行のコードでハイパーパラメータチューニング、トレーニング、検証、エクスポートを実行できます。

弱点#

YOLOv8は、後処理段階で従来型のNMSに依存しています。Ultralyticsエンジンが内部で効率的に処理しますが、ネイティブにNMSを使用しないアーキテクチャと比較すると、技術的には後処理のレイテンシがわずかに発生します。

パフォーマンスとメトリクスの比較#

数値を比較すると、両モデルがデプロイパイプラインの異なる側面を重視していることが明らかになります。以下に、パフォーマンスの並列比較を示します。

モデルサイズ
（ピクセル）		mAPval
50-95		速度
CPU ONNX
（ms）		速度
T4 TensorRT10
（ms）		パラメーター数
（M）		FLOPs
（B）
RTDETRv2-s64048.1-5.032060
RTDETRv2-m64051.9-7.5136100
RTDETRv2-l64053.4-9.7642136
RTDETRv2-x64054.3-15.0376259
YOLOv8n64037.380.41.473.28.7
YOLOv8s64044.9128.42.6611.228.6
YOLOv8m64050.2234.75.8625.978.9
YOLOv8l64052.9375.29.0643.7165.2
YOLOv8x64053.9479.114.3768.2257.8
メトリクスの解釈

RTDETRv2-xはYOLOv8xの53.9に対して54.3というわずかに高いピークmAPを達成しますが、推論速度とパラメータ効率ではYOLOv8シリーズが優位に立っています。たとえば、YOLOv8sはTensorRTエンジン上でRTDETRv2-sと比較してほぼ2倍の速度で動作し、必要なパラメータ数はほぼ半分です。

メモリ要件とトレーニング効率#

個人開発者とエンタープライズチームの双方にとって、最も重要な要素の1つがトレーニングコストです。Ultralytics YOLOモデルは、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メモリが大幅に少なくて済みます。標準的なRTDETRv2モデルではコンシューマー向けGPUが簡単に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上でも迅速かつ安定して収束します。

エコシステム、API、使いやすさ#

現代のAIソリューションを真に差別化するのは、それを支えるソフトウェアフレームワークです。Ultralyticsエコシステムは、複雑なエンジニアリング上の課題を簡素化します。Discordなどのプラットフォームで活発な開発と強力なコミュニティサポートが提供されているため、YOLOv8を使用するプロジェクトは、ドキュメント不足によって停滞しません。

さらに、YOLOv8は標準的なオブジェクト検出の範囲を超えています。これは、インスタンスセグメンテーション、ポーズ推定、画像分類、方向付きバウンディングボックス（OBB）をネイティブにサポートする、真のマルチタスクネットワークです。RTDETRv2は、依然として検出のみに重点を置いています。

コード例: 統一されたシンプルさ#

Ultralytics Python APIを使用すると、統一された環境で両方のモデルファミリーをシームレスに試すことができます。

from ultralytics import RTDETR, YOLO

# Load an RT-DETR model and a YOLOv8 model seamlessly
model_transformer = RTDETR("rtdetr-l.pt")
model_cnn = YOLO("yolov8l.pt")

# Predict on a sample image using the exact same API
results_transformer = model_transformer("https://ultralytics.com/images/bus.jpg")
results_cnn = model_cnn("https://ultralytics.com/images/bus.jpg")

# Export YOLOv8 to ONNX for rapid edge deployment
model_cnn.export(format="onnx")

トレーニング後、YOLOv8はONNX、TensorRT、OpenVINOへのワンクリックエクスポートをサポートしており、多様なハードウェアバックエンドで高スループットの推論を実現します。

ユースケースと推奨事項#

RT-DETRとYOLOv8のどちらを選択するかは、具体的なプロジェクト要件、デプロイ時の制約、エコシステムに関する好みによって決まります。

RT-DETRを選択するケース#

RT-DETRが適しているケース:

  • Transformerベースの検出研究： NMSを使用しないエンドツーエンド物体検出のために、アテンションメカニズムやTransformerアーキテクチャを研究するプロジェクト。
  • 柔軟なレイテンシーを許容できる高精度シナリオ： 検出精度を最優先し、やや高い推論レイテンシーを許容できるアプリケーション。
  • 大きな物体の検出： 主に中型から大型の物体が存在し、Transformerのグローバルアテンションメカニズムが本質的な優位性を発揮するシーン。

YOLOv8を選択するタイミング#

YOLOv8は次の用途に推奨されます:

  • 汎用的なマルチタスクデプロイ: Ultralyticsエコシステム内で、detection、segmentation、classification、pose estimationに対応する実績のあるモデルが必要なプロジェクト。
  • 確立された本番システム: YOLOv8アーキテクチャを基盤としてすでに構築され、安定した十分にテスト済みのデプロイパイプラインを備えた既存の本番環境。
  • 幅広い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、サードパーティー統合、活発なコミュニティリソースの恩恵を受けるアプリケーション。

Ultralytics (YOLO26)を選ぶタイミング#

ほとんどの新規プロジェクトでは、Ultralytics YOLO26が性能と開発者エクスペリエンスの最適な組み合わせを提供します。

  • NMSフリーのエッジデプロイ: Non-Maximum Suppressionの後処理を複雑にすることなく、一貫した低レイテンシー推論が必要なアプリケーション。
  • CPUのみの環境: 専用GPUアクセラレーションを持たないデバイスで、YOLO26の最大43%高速なCPU推論が決定的な優位性となる場合。
  • 小さな物体の検出: aerial drone imageryやIoTセンサー分析など、ProgLossとSTALによって微小物体の精度が大幅に向上する難しいシナリオ。

将来を見据えて: YOLO26の優位性#

YOLOv8は依然として伝説的なマイルストーンですが、コンピュータビジョンは驚異的な速さで進化しています。2026年に最先端の技術を求めるチームにとって、Ultralytics YOLO26は次のパラダイムシフトを示すモデルです。

RTDETRv2のNMSフリー設計に魅力を感じる場合、YOLO26はネイティブなエンドツーエンドNMSフリー設計を採用し、Transformerの後処理のシンプルさとCNNの圧倒的な速度を兼ね備えています。さらに、YOLO26は画期的なMuSGD Optimizerを採用し、LLMスタイルのトレーニング安定性をビジョンモデルにもたらすことで、極めて高速な収束を実現します。DFL Removal（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向上）により、YOLO26は最大43%高速なCPU推論を実現します。優れた小物体検出を可能にする高度なProgLoss + STAL機構と組み合わせることで、YOLO26はYOLOv8とRTDETRv2の両方に対する推奨アップグレードパスとなります。

代替モデルについて詳しく知りたい場合は、YOLO11のガイドをご覧いただくか、YOLOv10 vs YOLOv8の詳細な比較をお読みください。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確認できます。

貢献者
GLglenn-jocher17PDpderrenger1

コメント