RTDETRv2とYOLOv9の比較
コンピュータービジョンのアーキテクチャは、主に畳み込みニューラルネットワーク(CNN)とTransformerベースのモデルの2つに分かれています。RTDETRv2とYOLOv9を比較する際は、グローバルアテンションとプログラム可能な勾配情報のどちらを重視するかがポイントになります。どちらもリアルタイム物体検出の各アプローチを代表する優れたモデルです。
モデルの概要#
RTDETRv2:リアルタイム検出Transformer#
Baiduの研究者が開発したRTDETRv2は、オリジナルのRT-DETRを基に、「Bag-of-Freebies」を導入してベースラインのReal-Time Detection 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対処し、リアルタイムアプリケーションで実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。後処理からNon-Maximum Suppression(NMS)を取り除くことで、推論レイテンシーを安定させ、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は画像全体のコンテキストを同時に評価するため、複雑なシーンや人が密集した場所での処理に役立ちます。
YOLOv9:プログラム可能な勾配情報#
効率的なCNNベースのアーキテクチャであるYOLOv9は、ディープニューラルネットワークに内在する情報ボトルネックの問題に対処します。Programmable Gradient Information(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、パラメーター効率を重視し、実績のある畳み込みニューラルネットワークの基盤を発展させています。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、PGIは勾配の信頼性を保ち、軽量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は引き続き標準的なNMS後処理を使用します。
性能とリソース効率#
以下の表では、MS COCOデータセットにおける平均適合率(mAP)と計算コストを比較しています。YOLOv9は同程度の精度を、はるかに少ないパラメーター数で実現します(YOLOv9mは20.1Mのパラメーターで51.4 mAP、RTDETRv2-mは36Mで51.9 mAP)。YOLOv9eを除くすべてのサイズで、T4のTensorRTでもより高速です。YOLOv9eは最高のmAP(55.6)を達成しますが、表中で最も遅いモデルでもあります(16.77 ms)。
| 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 |
| YOLOv9t | 640 | 38.3 | - | 2.3 | 2.0 | 7.7 |
| YOLOv9s | 640 | 46.8 | - | 3.54 | 7.2 | 26.7 |
| YOLOv9m | 640 | 51.4 | - | 6.43 | 20.1 | 76.8 |
| YOLOv9c | 640 | 53.0 | - | 7.16 | 25.5 | 102.8 |
| YOLOv9e | 640 | 55.6 | - | 16.77 | 58.1 | 192.5 |
メモリ要件とトレーニング効率#
RTDETRv2のようなTransformerは、トレーニング時に多くのメモリを消費し、大容量のCUDAメモリを必要とすることがよくあります。YOLOv9などのCNNアーキテクチャやその他のUltralytics YOLOモデルは通常、メモリ使用量が少ないため、開発者は一般向けハードウェア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。
ハードウェアを最大限に活用するには、クラウドトレーニングにUltralytics Platformをご検討ください。環境設定とバッチサイズの調整を自動で行います。
Ultralyticsの強み:エコシステムと使いやすさ#
RTDETRv2やYOLOv9の公式GitHubページのような単独のリポジトリは研究に役立ちますが、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必要です。Ultralytics Python APIを通じてこれらのモデルを使うと、一貫した開発者体験が得られます。
統一APIと汎用性#
Ultralyticsフレームワークは、データの読み込み、拡張、分散トレーニングの複雑さを抽象化します。さらに、検出のみに特化したオリジナルのRTDETRv2とは異なり、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、姿勢推定を切り替えて利用できます。
from ultralytics import RTDETR, YOLO
# カスタムデータでYOLOv9モデルをトレーニングする
model_yolo = YOLO("yolov9c.pt")
model_yolo.train(data="coco8.yaml", epochs=50, imgsz=640)
# 複雑なシーンの評価には、RT-DETRに簡単に切り替えられます
model_rtdetr = RTDETR("rtdetr-l.pt")
results = model_rtdetr.predict("https://ultralytics.com/images/bus.jpg")
# TensorRTなどの本番環境対応フォーマットにエクスポートできます
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、ONNX、TensorRT、OpenVINOなどの形式へのエクスポートにより、Ultralyticsはプロトタイプから本番環境までの移行を短縮します。
最適なユースケース#
RTDETRv2が優れている分野#
グローバルアテンション機構を備える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に適しています。次の用途で優れた性能を発揮します:
- 医用画像: 周囲のコンテキストが重要となる、わずかな異常の特定。
- 航空監視: 広い空間コンテキストがシーンの解釈に役立つ、高解像度のドローン映像を分析します。
- 密集した群衆の分析: NMSによって重なり合う正しい検出結果が抑制される可能性がある、混雑したシーンで個人を検出します。
YOLOv9が優れている分野#
YOLOv9は、リソースが限られたエッジ環境へのデプロイに適しています。その計算効率は次の用途に適しています:
- 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のナビゲーションと障害物回避。
- スマートシティIoT: 交通監視向けに、NVIDIA Jetsonなどのエッジデバイスにデプロイします。
- 産業検査: 高いフレームレート(FPS)が求められる高速組立ラインの品質管理。
未来へ:Ultralytics YOLO26の登場#
YOLOv9とRTDETRv2はいずれも大きな進歩でしたが、この分野はその後も進化しています。新たなデプロイには、2026年1月にリリースされたUltralytics YOLO26がおすすめです。両方のアーキテクチャアプローチからアイデアを取り入れています。
YOLO26はTransformerとCNNの強みを組み合わせています:
- エンドツーエンドの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推論に対応しています。オプションのone-to-oneヘッド(
nms=False)でNMS後処理を省略し、より高速でシンプルかつ予測しやす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: Moonshot AIのKimi K2など、大規模言語モデル(LLM)のトレーニング手法に着想を得て、YOLO26はSGDとMuonを組み合わせたハイブリッド型オプティマイザーを採用し、より安定したトレーニングと高速な収束を実現します。
- CPU推論が最大43%高速: YOLO26nはYOLO11nよりCPU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GPUのないデバイスに適しています。こうした環境では、より重いTransformerは処理に苦労します。
- DFLの削除: Distribution Focal Lossを削除するとモデルグラフが簡素化され、低消費電力のエッジデバイスや組み込み型のニューラルプロセッシングユニット(NPU)へのエクスポートが容易になります。
- 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IoTや航空画像のデータセットで重要です。
新しいコンピュータービジョンプロジェクトに取り組むチームには、YOLO26の評価をおすすめします。TransformerのようなオプションのNMSフリー推論に加え、YOLOアーキテクチャの速度とトレーニング効率を備えています。
概要#
RTDETRv2とYOLOv9のどちらを選ぶかは、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に高い精度とコンテキスト認識を提供し、YOLOv9はエッジデバイスで優れた効率を発揮します。
Ultralyticsエコシステムでは、同じAPIを使ってYOLOv9とオリジナルのRT-DETRの両方を試せます。YOLO11のような新しいモデルやエンドツーエンドに対応したYOLO26は、より幅広いタスクへの対応、高速な推論、低いメモリ消費を実現します。
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。