RTDETRv2 と YOLOv9#
コンピュータビジョン分野では、主に畳み込みニューラルネットワーク (CNNs) と Transformer ベースのモデルの間で、アーキテクチャに対する考え方が興味深く分岐してきました。RTDETRv2 と YOLOv9 を比較する場合、開発者は本質的に、グローバルアテンション機構とプログラマブル勾配情報のトレードオフを評価することになります。どちらのモデルも、それぞれのパラダイムにおける最先端を体現しており、リアルタイム物体検出の限界を押し広げています。
モデルの概要#
RTDETRv2: リアルタイム検出 Transformer#
Baidu の研究者によって開発された RTDETRv2 は、オリジナルの RT-DETR を基盤に、「Bag-of-Freebies」を導入してベースラインのリアルタイム検出 Transformer を強化しています。Transformer における従来のボトルネックである推論速度に取り組み、リアルタイムアプリケーションで利用可能にしています。
- 著者： Wenyu Lv、Yian Zhao、Qinyao Chang、Kui Huang、Guanzhong Wang、Yi Liu
- 組織： Baidu
- 日付： 2024-07-24
- リンク: Arxiv、GitHub
RTDETRv2 の特徴的な特性は、ネイティブな エンドツーエンド NMS フリーデザインです。後処理中の非最大抑制 (NMS) を完全に削除することで、モデルは推論レイテンシを安定させ、デプロイパイプラインを簡素化します。グローバルアテンション機構により、画像全体のコンテキストを同時に評価できるため、複雑なシーンの理解や密集した群衆の分析に優れています。
YOLOv9：プログラマブル勾配情報#
非常に効率的な CNN ベースのアーキテクチャである YOLOv9 は、深層ニューラルネットワークに内在する情報ボトルネック問題に取り組んでいます。プログラマブル勾配情報 (PGI) と Generalized Efficient Layer Aggregation Network (GELAN) を導入しています。
- 著者: Chien-Yao Wang、Hong-Yuan Mark Liao
- 組織: 中央研究院情報科学研究所
- 日付： 2024年2月21日
- リンク: Arxiv、GitHub
YOLOv9 は実績のある 畳み込みニューラルネットワーク の基盤を活用しながら、パラメータ効率を最大化します。フィードフォワード処理中に重要な情報を保持することで、信頼性の高い重み更新を実現し、非常に軽量でありながら高精度なモデルを実現します。ただし、RTDETRv2 とは異なり、YOLOv9 は依然として標準的な NMS 後処理に依存します。
パフォーマンスとリソース効率#
これらのモデルを本番環境向けに評価する際は、平均適合率 (mAP) と計算コストのバランスを取ることが重要です。以下の表は、MS COCO データセット におけるパフォーマンスを示しています。
| 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-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 |
| YOLOv9t | 640 | 38.3 | - | 2.3 | 2.0 | 7.7 |
| YOLOv9s | 640 | 46.8 | - | 3.54 | 7.1 | 26.4 |
| YOLOv9m | 640 | 51.4 | - | 6.43 | 20.0 | 76.3 |
| YOLOv9c | 640 | 53.0 | - | 7.16 | 25.3 | 102.1 |
| YOLOv9e | 640 | 55.6 | - | 16.77 | 57.3 | 189.0 |
メモリ要件とトレーニング効率#
RTDETRv2 のような Transformer は、トレーニング中に非常に多くのメモリを必要とすることで知られており、完全に収束させるには大量の CUDA メモリと長いトレーニングスケジュールが必要になることがよくあります。一方、YOLOv9 やその他の Ultralytics YOLO モデル のような CNN アーキテクチャは、メモリ使用量を大幅に抑えられるため、一般向けハードウェア上でより大きなバッチサイズを使用してトレーニングできます。
ハードウェアの使用効率を最大化するには、効率化されたクラウドトレーニングのために Ultralytics Platform の利用を検討してください。環境のセットアップと最適なバッチサイズの設定を自動的に処理します。
Ultralyticsの強み：エコシステムと使いやすさ#
公式の RTDETRv2 や YOLOv9 の GitHub ページのような独立したリポジトリを調査することは非常に有益ですが、本番環境では安定性、使いやすさ、適切に保守されたエコシステムが求められます。これらのモデルを Ultralytics Python API 経由で統合すると、シームレスな開発者体験が得られます。
統合 API と汎用性#
Ultralytics フレームワークは、データローディング、データ拡張、分散トレーニングの複雑さを抽象化します。さらに、オリジナルの RTDETRv2 が検出に厳密に特化しているのに対し、Ultralytics エコシステムでは、物体検出、インスタンスセグメンテーション、姿勢推定 の間を簡単に移行できます。
from ultralytics import RTDETR, YOLO
# Train a YOLOv9 model on custom data
model_yolo = YOLO("yolov9c.pt")
model_yolo.train(data="coco8.yaml", epochs=50, imgsz=640)
# Easily switch to RT-DETR for complex scene evaluation
model_rtdetr = RTDETR("rtdetr-l.pt")
results = model_rtdetr.predict("https://ultralytics.com/images/bus.jpg")
# Export to production-ready formats like TensorRT
model_yolo.export(format="engine")充実したドキュメント、自動 実験トラッキング、および ONNX、TensorRT、OpenVINO などの形式へのシームレスな エクスポート機能 により、Ultralytics はプロトタイプから本番環境までの時間を大幅に短縮します。
理想的なユースケース#
RTDETRv2 が優れている分野#
グローバルアテンション機構により、RTDETRv2 は サーバーサイド処理や、グローバルコンテキストが重要な環境で高い性能を発揮します。次の用途に適しています。
- 医用画像: 周囲のコンテキストが重要となる、微細な異常の識別。
- 航空監視: 従来の CNN の畳み込みにおける空間的バイアスの影響を受けず、高解像度のドローン映像から小さな物体を検出。
- 密集した群衆の分析: 深刻なオクルージョンによってアンカーベースのモデルが混乱しやすい状況での個人の追跡。
YOLOv9 が優れている分野#
YOLOv9 は リソース制約のあるエッジデプロイメントに適しています。計算効率が高いため、次の用途に最適です。
- ロボティクス: 最小限のレイテンシが求められるリアルタイムナビゲーションと障害物回避。
- スマートシティ IoT: 交通監視のために NVIDIA Jetson などのエッジデバイスへデプロイ。
- 産業検査: 高いフレーム毎秒 (FPS) が求められる高速組立ラインの品質管理。
将来: Ultralytics YOLO26 の登場#
YOLOv9 と RTDETRv2 は大きな進歩を遂げましたが、状況は急速に変化しています。現代のデプロイメントにおいて、新たにリリースされた Ultralytics YOLO26 は、両方のアーキテクチャ思想を融合した究極のモデルです。
Transformer と CNN の優れた側面を取り入れることで、YOLO26 は新たな基準を確立します。
- エンドツーエンド NMS フリーデザイン: RTDETRv2 と同様に、YOLO26 はネイティブなエンドツーエンドモデルであり、NMS 後処理を完全に排除して、より高速でシンプルかつ予測可能性の高いデプロイパイプラインを実現します。
- MuSGD オプティマイザー: 大規模言語モデル (LLM) のトレーニング手法（Moonshot AI の Kimi K2 など）に着想を得て、YOLO26 は SGD と Muon を組み合わせたハイブリッド手法を使用します。これにより、コンピュータビジョンに比類のないトレーニング安定性と迅速な収束をもたらします。
- 最大 43% 高速な CPU 推論: 高負荷な Transformer とは異なり、YOLO26 はエッジコンピューティングや GPU を搭載しないデバイス向けに大幅に最適化されています。
- DFL の削除: Distribution Focal Loss を削除することでモデルグラフが大幅に簡素化され、低消費電力のエッジデバイスや組み込みニューラルプロセッシングユニット (NPUs) への確実なエクスポートを実現します。
- ProgLoss + STAL: これらの改良された損失関数により、小さな物体の認識性能が大幅に向上します。これは IoT や航空画像のデータセットにとって重要な機能です。
新しいコンピュータビジョンプロジェクトを開始するチームには、YOLO26 の評価を強くお勧めします。Transformer の NMS フリーという洗練された特性と、高度に最適化された YOLO アーキテクチャの圧倒的な速度およびトレーニング効率を兼ね備えています。
まとめ#
RTDETRv2 と YOLOv9 のどちらを選択するかは、主にデプロイ先のハードウェアと具体的な精度要件によって決まります。RTDETRv2 はサーバーを利用するアプリケーション向けに最先端の精度とコンテキスト認識を提供し、YOLOv9 はエッジデバイス向けに優れた効率を発揮します。
ただし、成熟した Ultralytics エコシステムを活用すれば、開発者は両方を簡単に試すことができます。さらに、YOLO11 やネイティブなエンドツーエンドモデル YOLO26 などの新しいモデルの登場により、高速推論、幅広いタスクへの対応、低メモリ消費の最適なバランスを、これまで以上に簡単に見つけられるようになりました。