YOLO11とRTDETRv2
リアルタイム検出では、畳み込みニューラルネットワーク(CNNs)とVision Transformers(ViTs)のどちらを選ぶかが重要になっています。この技術比較では、主要な物体検出アーキテクチャを2つ取り上げます。Ultralyticsの高効率なCNNであるYOLO11と、BaiduのDetection Transformerファミリーを発展させたRTDETRv2です。
このガイドでは、アーキテクチャ、性能指標、デプロイシナリオを比較し、機械学習エンジニアがどちらを選ぶか判断できるよう支援します。どちらのモデルも高い精度を達成しますが、Ultralytics YOLOモデルは一般に、本番環境で速度、エコシステムのサポート、使いやすさのバランスに優れています。
YOLO11: 実環境における汎用性のベンチマーク#
Ultralyticsが発表したYOLO11は、長年にわたるYOLOの研究を基盤とし、高速、高精度、かつ汎用性の高いモデルを実現しています。物体検出、インスタンスセグメンテーション、画像分類、姿勢推定、回転バウンディングボックス(OBB)検出をネイティブに処理します。
- 著者: Glenn Jocher、Jing Qiu
- 組織: Ultralytics
- 日付: 2024-09-27
- GitHub: Ultralyticsリポジトリ
- ドキュメント: YOLO11ドキュメント
アーキテクチャと強み#
YOLO11は洗練されたCNNバックボーンとマルチスケールの特徴ピラミッドを採用し、リソース効率に優れています。トレーニング時と推論時のメモリ使用量が少ないため、ハードウェアに厳しい制約がある環境に適しています。Ultralytics Platformは、別々のMLOpsツールをつなぎ合わせることなく、データアノテーション、クラウドトレーニング、モデルモニタリングでYOLO11をサポートします。
エッジデプロイでは、YOLO11は低レイテンシを実現します。軽量設計により、Raspberry Piボードから一般向けのスマートフォンまで、さまざまなデバイスで効率よく動作するため、スマートリテール、製造品質管理、自動交通管理でよく選ばれています。
RTDETRv2: BaiduによるリアルタイムTransformer#
RTDETRv2(リアルタイム検出Transformerバージョン2)は、Transformerベースのアーキテクチャをリアルタイムタスクで実用化するためのBaiduの取り組みを示すモデルです。元のRT-DETRを基盤とし、推論レイテンシを増やすことなくベースラインの精度を向上させる「bag-of-freebies」アプローチを取り入れています。
- 著者: Wenyu Lv、Yian Zhao、Qinyao Chang、Kui Huang、Guanzhong Wang、Yi Liu
- 組織: Baidu
- 日付: 2024-07-24
- arXiv: 2407.17140
- GitHub: RTDETRv2リポジトリ
- ドキュメント: RTDETRv2のREADME
アーキテクチャと強み#
従来のCNNとは異なり、RTDETRv2はセルフアテンション機構を備えたエンコーダー・デコーダーアーキテクチャを採用しており、画像全体のグローバルな文脈を捉えられます。これは、遮蔽が頻繁に発生する混雑したシーンで役立ちます。RTDETRv2は、後処理でのNon-Maximum Suppression(NMS)を不要とし、トレーニング時のHungarian matchingによる一対一の二部マッチングを採用しています。
ただし、Transformerモデルは一般に、より多くのVRAMとCUDAメモリを必要とします。RTDETRv2をゼロからトレーニングしたり、カスタムデータセットでファインチューニングしたりするには、大容量メモリを搭載したハイエンドGPUが必要になることが多く、軽量なトレーニング環境を実現するUltralyticsモデルと比べて、小規模なチームには障壁となる場合があります。
パフォーマンスと指標の分析#
標準のCOCOデータセットで評価すると、パラメーター数、FLOPs、精度(mAP)の間に明確なトレードオフが見られます。
| 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) |
|---|---|---|---|---|---|---|
| YOLO11n | 640 | 39.5 | 56.1 | 1.5 | 2.6 | 6.5 |
| YOLO11s | 640 | 47.0 | 90.0 | 2.5 | 9.4 | 21.6 |
| YOLO11m | 640 | 51.5 | 183.2 | 4.7 | 20.1 | 68.1 |
| YOLO11l | 640 | 53.4 | 238.6 | 6.2 | 25.3 | 87.2 |
| YOLO11x | 640 | 54.7 | 462.8 | 11.3 | 56.9 | 195.3 |
| 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 |
結果の詳細#
YOLO11は、パラメーターあたりの精度がより高くなっています。YOLO11xは、パラメーター数(56.9M対76M)とFLOPs(195.3B対259B)が少ないにもかかわらず、RTDETRv2-x(54.3)を上回る高いmAPval50-95(54.7)を達成しています。
YOLO11はT4 TensorRTでも高速です。YOLO11sの実行時間は2.5 msで、RTDETRv2-sの5.03 msより短くなっています(mAPは47.0対48.1)。また、YOLO11mはRTDETRv2-sより高精度(51.5 mAP)かつ高速(4.7 ms)です。このため、フレーム処理時間が主なボトルネックとなるリアルタイム動画分析にYOLO11は適しています。
RTDETRv2はアテンション層によって優れた精度を達成しますが、画像解像度に対して計算量が二次的に増加するため、トレーニング時と推論時の両方でVRAM消費量が増加します。YOLO11は効率的な畳み込みブロックによって、このコストを回避します。
トレーニングエコシステムと使いやすさ#
Ultralyticsモデルを採用する主な利点は、その周辺エコシステムにあります。RTDETRv2のトレーニングでは、多くの場合、複雑な研究向けリポジトリを使いこなし、二部マッチング損失の重みを細かく調整し、多大なメモリ使用量を管理する必要があります。
Ultralyticsは開発者体験を重視しています。統一されたPython APIによりボイラープレートコードが不要になり、Weights & Biasesなどのツールによる実験追跡との統合や、データ拡張の自動処理が可能です。
ultralyticsパッケージを使用したモデルのトレーニングとエクスポートは、次のように簡単です。
from ultralytics import YOLO
# 事前学習済みの重みでYOLO11モデルを初期化する
model = YOLO("yolo11n.pt")
# ローカルGPUまたはクラウドインスタンスでモデルを効率よくトレーニングする
train_results = model.train(
data="coco8.yaml",
epochs=100,
imgsz=640,
device=0, # CUDA GPUを使用します
)
# 幅広いデプロイに対応するため、トレーニング済みモデルをONNXにエクスポートする
export_path = model.export(format="onnx")トレーニング後のYOLO11モデルは、ONNX、OpenVINO、CoreMLなどの形式へ1つのコマンドでエクスポートできるため、同じモデルをさまざまなハードウェアバックエンドで実行できます。
RTDETRv2がバウンディングボックス検出のみに特化しているのに対し、YOLO11はインスタンスセグメンテーション、画像分類、姿勢推定、OBB検出にも対応しているため、複数のビジョンタスクを単一のモデルファミリーに統合できます。
ユースケースと推奨事項#
YOLO11とRT-DETRのどちらを選ぶかは、プロジェクトの具体的な要件、デプロイ制約、エコシステムに対する好みによって異なります。
YOLO11を選ぶ場合#
YOLO11は、次のような用途に適しています。
- 本番環境でのエッジデプロイメント: 信頼性と継続的なメンテナンスが最優先となる、Raspberry PiやNVIDIA Jetsonなどのデバイス上での商用アプリケーション。
- マルチタスクのビジョンアプリケーション: 検出、セグメンテーション、分類、姿勢推定、OBBを1つの統合フレームワーク内で必要とするプロジェクト。
- 迅速なプロトタイピングとデプロイメント: 効率化されたUltralytics Python APIを使って、データ収集から本番環境への移行を迅速に進めたいチーム。
RT-DETRを選ぶケース#
RT-DETRは、次の用途に推奨されます。
- 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。
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-Only Environments: 専用GPUアクセラレーションを備えていないデバイスでは、YOLO26の最大43%高速なCPU推論(YOLO26n対YOLO11n)が大きな優位性をもたらします。
- 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。
今後の展望: YOLO26の力#
YOLO11は本番環境で引き続き有力な選択肢ですが、新規プロジェクトではYOLO26から始めることを推奨します。2026年1月にリリースされたYOLO26は、オプションのエンドツーエンドNMSフリーヘッド(nms=False。この手法はYOLOv10がYOLOモデルに導入しました)によってTransformerとのアーキテクチャ上の差を縮め、NMS後処理のレイテンシーをなくしてデプロイロジックを簡素化します。
YOLO26には、その他にもいくつかの変更が導入されています。
- MuSGDオプティマイザー: Moonshot AIのKimi K2による大規模言語モデル(LLM)のトレーニング手法に着想を得たこのSGDとMuonのハイブリッドにより、トレーニングの安定性が高まり、収束が高速化します。
- DFLの削除: Distribution Focal Lossを削除することで、エクスポートが簡素化され、低消費電力のエッジデバイスとの互換性が向上します。
- ProgLoss + STAL: Progressive LossとSmall-Target-Aware Label Assignment(STAL)により、小さな物体の認識性能が向上します。これは、ドローン監視、農業モニタリング、IoTエッジセンサーに不可欠な要件です。
- CPU推論が最大43%高速: 専用GPUを使用しない環境では、YOLO26nはCPUでYOLO11nより最大43%高速に動作します。
幅広いアーキテクチャについては、YOLOv8、広く採用されているYOLOv5、オープンボキャブラリー検出向けのYOLO-Worldなどの特化モデルをご覧ください。実績あるYOLO11の安定性と新しいYOLO26のどちらを選んでも、Ultralyticsエコシステムが、コンピュータービジョンプロジェクトを本番環境に導入するためのツールを提供します。
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。