YOLO11対RTDETRv2#
コンピュータビジョンの領域は急速に拡大しており、堅牢なビジョンベースのアプリケーションを構築するための無数の選択肢を開発者に提供しています。リアルタイム物体検出の分野では、畳み込みニューラルネットワーク（CNN）とVision Transformer（ViT）の議論がかつてないほど活発になっています。この技術比較では、高度に最適化されたCNNフレームワークの頂点であるYOLO11と、Detection Transformerファミリーの強力なイテレーションであるRTDETRv2という、2つの主要なアーキテクチャについて深く掘り下げます。
アーキテクチャ、パフォーマンス指標、および理想的なデプロイシナリオを分析することで、このガイドは機械学習エンジニアが十分な情報に基づいた意思決定を行えるようにすることを目的としています。どちらのモデルも精度の限界を押し広げていますが、Ultralytics YOLOモデルは通常、実際のプロダクションにおいて、速度、エコシステムのサポート、および使いやすさの優れたバランスを提供します。
YOLO11：実世界の汎用性のベンチマーク#
Ultralyticsによって発表されたYOLO11は、長年の基礎研究を基盤として構築されており、高速、高精度で、非常に多用途な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、および方向付きバウンディングボックス（OBB）の抽出をネイティブでシームレスに処理するように設計されています。
- 著者： Glenn Jocher and Jing Qiu
- 組織: Ultralytics
- 日付: 2024-09-27
- GitHub: Ultralytics リポジトリ
- ドキュメント: YOLO11 Documentation
アーキテクチャと強み#
YOLO11は、洗練されたCNNバックボーンと高度な空間特徴量ピラミッドを備えており、非常にリソース効率が高くなっています。厳格なハードウェア制限のある環境で優れており、トレーニングと推論の両方において最小限のメモリフットプリントを提供します。Ultralytics PlatformはYOLO11のネイティブサポートを提供し、バラバラのMLOpsツールを繋ぎ合わせることなく、合理化されたモデルモニタリング、データアノテーション、およびクラウドトレーニングを可能にします。
エッジコンピューティングをターゲットにする開発者向けに、YOLO11は超低レイテンシを誇ります。その軽量な特性により、Raspberry Piからコンシューマー向け携帯電話に至るまでのデバイスで効率的に実行できるため、スマートリテール、製造品質管理、自動交通管理の標準となっています。
RTDETRv2：BaiduによるリアルタイムTransformer#
RTDETRv2（Real-Time Detection Transformer version 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行可能にするためのBaiduの取り組みを象徴するものです。これは、オリジナルのRT-DETRに基づき、推論レイテンシを増大させることなくベースライン精度を向上させる「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, and Yi Liu
- 組織: Baidu
- 日付： 2024年7月24日
- Arxiv: 2407.17140
- GitHub: RT-DETRv2 Repository
- Docs: RTDETRv2 README
アーキテクチャと強み#
従来のCNNとは異なり、RTDETRv2は自己注意メカニズム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コンテキストを捉えることが可能です。これは、遮蔽（オクルージョン）が頻発する混雑したシーンで特に有利です。RTDETRv2は、後処理における非最大値抑制（NMS）を必要とせず、代わりに学習中のハンガリアンマッチングによる1対1の二部マッチングに依存しています。
しかし、TransformerモデルはVRAMとCUDAメモリを大量に消費することで知られています。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、多くの場合、実質的なハイエンドGPUクラスターが必要となり、Ultralyticsモデルの軽量なトレーニングフットプリントと比較して、規模の小さいアジャイルチームにとって障壁となる可能性があります。
性能と指標の分析#
標準のCOCO datasetでこれらのモデルを評価する場合、パラメータ、FLOPs、および生の精度の間に明確なトレードオフがあることがわかります。
| 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 (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 | 21.5 |
| YOLO11m | 640 | 51.5 | 183.2 | 4.7 | 20.1 | 68.0 |
| YOLO11l | 640 | 53.4 | 238.6 | 6.2 | 25.3 | 86.9 |
| YOLO11x | 640 | 54.7 | 462.8 | 11.3 | 56.9 | 194.9 |
| 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 |
結果の分析#
表からもわかるように、YOLO11は驚異的なパフォーマンス対サイズ比を提供します。YOLO11xは、RTDETRv2-x（54.3）と比較してより高いmAPval（54.7）を達成しつつ、パラメータ数は大幅に少なく（56.9M対76M）、計算FLOPsも大幅に少なくなっています（194.9B対259B）。
さらに、T4 TensorRT上のYOLO11の推論速度は非常に高速です。YOLO11sの推論完了にかかる時間はわずか2.5msですが、最小のRTDETRv2-sは5.03msかかります。これにより、YOLO11は、フレーム処理時間が主要なボトルネックとなる高速なリアルタイムビデオ分析ストリームにとって決定的な選択肢となります。
RTDETRv2はその注意レイヤーを通じて優れた精度を達成しますが、これらのメカニズムは画像解像度に応じて二乗的にスケーリングするため、学習時と推論時の両方でより高いVRAM消費を引き起こします。YOLO11は、その超効率的な畳み込みブロックによってこれを回避しています。
学習エコシステムとユーザビリティ#
Ultralyticsモデルを採用する核心的な利点は、その周辺のエコシステムにあります。RTDETRv2の学習には、多くの場合、複雑な研究グレードのリポジトリをナビゲートし、複雑な二部マッチングの損失重みを調整し、大幅なメモリオーバーヘッドを管理する必要があります。
逆に、Ultralyticsは開発者体験に多大な焦点を当てています。統一されたPython APIはボイラープレートコードを抽象化し、実験トラッキングのためにWeights & Biasesなどのツールとシームレスに統合し、データ拡張を自動的に処理します。
ultralyticsパッケージを使用してモデルをトレーニングおよびエクスポートすることがいかにシンプルであるかを以下に示します。
from ultralytics import YOLO
# Initialize YOLO11 model with pre-trained weights
model = YOLO("yolo11n.pt")
# Train the model efficiently on a local GPU or cloud instance
train_results = model.train(
data="coco8.yaml",
epochs=100,
imgsz=640,
device=0, # Utilize CUDA GPU
)
# Export the trained model to ONNX for widespread deployment
export_path = model.export(format="onnx")トレーニングが完了したら、YOLO11モデルをONNX、OpenVINO、またはCoreMLなどのフォーマットにエクスポートするのに必要なコマンドは1つだけであり、ビジョンパイプラインが多様なハードウェアバックエンド全体でシームレスにスケーリングできるようになります。
RTDETRv2がバウンディングボックス検出にのみ焦点を当てているのに対し、YOLO11アーキテクチャは姿勢推定とインスタンスセグメンテーションをネイティブでサポートしているため、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ることに留意してください。
ユースケースと推奨事項#
YOLO11とRT-DETRの選択は、プロジェクトの特定の要件、デプロイメントの制約、およびエコシステムの優先順位によって異なります。
YOLO11を選択すべき時#
YOLO11は以下のような場合に適しています:
- 本番エッジデプロイメント: 信頼性と積極的なメンテナンスが最優先される、Raspberry Pi や NVIDIA Jetson などのデバイス上の商用アプリケーション。
- マルチタスクビジョンアプリケーション: 単一の統一されたフレームワーク内で detection、segmentation、pose estimation、および OBB を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: 合理化された Ultralytics Python API を使用して、データ収集から本番環境まで迅速に移行する必要があるチーム。
RT-DETRを選択すべき時#
RT-DETRが推奨される場合:
- Transformerベースの検出研究： NMSなしのエンドツーエンド物体検出に向けたアテンションメカニズムやTransformerアーキテクチャを探求するプロジェクト。
- 高い精度が求められ、レイテンシに柔軟性があるシナリオ： 検出精度が最優先され、多少推論レイテンシが高くても許容されるアプリケーション。
- 大きな物体の検出： 主に中規模から大規模な物体が中心となるシーンで、Transformerのグローバルアテンションメカニズムが自然な利点となる場合。
Ultralytics (YOLO26) を選択すべき時#
ほとんどの新しい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の最高の組み合わせを提供します。
- NMSフリーのエッジ展開： Non-Maximum Suppression後処理の複雑さを伴わずに、一貫した低レイテンシの推論が求められるアプリケーション。
- CPUのみの環境： GPUアクセラレーションを利用できないデバイスにおいて、YOLO26の最大43%高速なCPU推論が決定的な利点となる場合。
- 小物体検出: ProgLossとSTALにより極小オブジェクトの精度が大幅に向上する、空中ドローン画像やIoTセンサー分析などの困難なシナリオ。
今後の展望：YOLO26の力#
YOLO11は優れたプロダクションの選択肢として際立っていますが、最先端の技術を求めるチームはYOLO26を強く検討すべきです。2026年1月にリリースされたYOLO26は、End-to-End NMS-Free Design（YOLOv10で最初に開拓された）をコアに直接組み込むことでアーキテクチャ上のギャップを埋め、後処理のレイテンシとデプロイロジックの複雑さを完全に排除しています。
YOLO26には、いくつかの革新的な機能も導入されています。
- MuSGD Optimizer： Moonshot AIのKimi K2のLLM学習技術から着想を得た、SGDとMuonのこのハイブリッドは、非常に安定した学習と劇的な収束の高速化を保証します。
- DFL Removal： よりクリーンで簡素化されたエクスポートプロセスのためにDistribution Focal Lossが削除され、低電力エッジデバイスとの互換性が大幅に向上しました。
- ProgLoss + STAL： これらの高度な損失関数は、ドローン監視、農業モニタリング、およびIoTエッジセンサーにとって重要な要件である、小物体認識において顕著な改善をもたらします。
- 最大43%高速なCPU推論： 専用GPUを持たないデプロイメント向けに、YOLO26はCPU実行用に特別に最適化されており、前世代を大きく凌駕します。
より幅広いアーキテクチャの探索に興味がある方のために、Ultralyticsのドキュメントでは、YOLOv8、広く採用されているYOLOv5、およびオープンボキャブラリー検出アプリケーション向けのYOLO-Worldのような特殊なモデルに関する洞察も提供しています。最終的に、YOLO11の実証された安定性を優先するか、YOLO26の画期的な革新を優先するかにかかわらず、Ultralyticsエコシステムはコンピュータービジョンソリューションを実現するための比類のないツールを提供します。