YOLO11とRTDETRv2#
コンピュータービジョンの分野は急速に拡大し、堅牢なビジョンベースアプリケーションを構築する開発者に、非常に多くの選択肢を提供しています。リアルタイム物体検出の領域では、畳み込みニューラルネットワーク (CNNs) とビジョントランスフォーマー (ViTs) のどちらを選ぶかという議論が、かつてないほど注目を集めています。本技術比較では、2つの主要なアーキテクチャを詳しく検証します。高度に最適化されたCNNフレームワークの頂点に位置する YOLO11 と、Detection Transformerファミリーの強力な改良版である RTDETRv2 です。
それぞれのアーキテクチャ、パフォーマンス指標、最適なデプロイシナリオを分析することで、本ガイドは機械学習エンジニアが十分な情報に基づいて判断できるよう支援します。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、実環境の本番運用において、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によって発表されたYOLO11は、長年にわたる基礎研究を土台として、高速かつ高精度で非常に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、ポーズ推定、指向性バウンディングボックス (OBB) の抽出をネイティブにシームレス処理できるよう設計されています。
- 著者: Glenn Jocher、Jing Qiu
- 組織: Ultralytics
- 日付: 2024-09-27
- GitHub: Ultralyticsリポジトリ
- Docs: 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バックボーンと高度な空間特徴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。厳しいハードウェア制約のある環境で優れた性能を発揮し、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、モデルのモニタリング、データアノテーション、クラウドトレーニングを効率化します。
エッジコンピューティング を対象とする開発者にとって、YOLO11は非常に低いレイテンシを実現します。軽量な設計により、Raspberry Piから一般消費者向けの携帯電話まで、さまざまなデバイス上で効率的に動作するため、スマートリテール、製造品質管理、自動交通管理の標準となっています。
RTDETRv2：BaiduによるリアルタイムTransformer#
RTDETRv2（リアルタイムDetection 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の取り組みです。従来のRT-DETRを基盤とし、「bag-of-freebies」アプローチを取り入れることで、推論レイテンシを増加させずにベースライン精度を向上させています。
- 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 Repository
- ドキュメント: 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、画像全体のグローバルコンテキストを捉えられるようにしています。これは、オクルージョンが頻繁に発生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抑制 (NMS) を不要とし、代わりにトレーニング時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ます。
ただし、TransformerモデルはVRAMとCUDAメモリを非常に多く消費することで知られています。RTDETRv2をスクラッチ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、大規模なハイエンドGPUクラスターが必要です。そのため、軽量なトレーニングフットプリントを持つUltralyticsモデルと比べ、小規模で機動力のあるチームにとって障壁となる可能性があります。
パフォーマンスと指標の分析#
標準の COCOデータセット でこれらのモデルを評価すると、パラメーター数、FLOPs、純粋な精度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） | mAPval 50-95 | 速度 CPU ONNX （ms） | 速度 T4 TensorRT10 （ms） | パラメーター数 （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 |
結果の詳細#
表から分かるように、YOLO11は性能とサイズの比率において非常に優れています。YOLO11xは、RTDETRv2-x (54.3) と比較して高い mAPval (54.7) を達成しながら、パラメーター数は大幅に少なく (56.9M対76M)、計算量を示すFLOPsもはるかに少なくなっています (194.9B対259B)。
さらに、T4上の TensorRT におけるYOLO11の推論速度は非常に高速です。YOLO11sはわずか2.5msで推論を完了するのに対し、最小のRTDETRv2-sでは5.03msかかります。そのため、フレーム処理時間が主なボトルネックとなる高速リアルタイム動画分析ストリームでは、YOLO11が最適な選択肢となります。
RTDETRv2は注意機構によって優れた精度を実現しますが、これらの機構は画像解像度に対して二次関数的にスケールするため、トレーニング中と推論中の両方でVRAM消費量が増加します。YOLO11は、非常に高効率な畳み込みブロックによってこの問題を回避しています。
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、それを取り巻くエコシステムにあります。RTDETRv2のトレーニングでは、複雑な研究用途向けリポジトリを扱い、複雑な二部マッチング損失の重みを調整し、大きなメモリオーバーヘッドを管理する必要が生じることがよくあります。
一方、Ultralyticsは開発者エクスペリエンスを重視しています。統合されたPython APIがボイラープレートコードを抽象化し、Weights & Biases などのツールと実験トラッキングをシームレスに統合するとともに、データ拡張も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方法は、次のように簡単です。
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")トレーニング後、YOLO11モデルを ONNX、OpenVINO、CoreML などの形式にエクスポートする操作は1つのコマンドだけで完了します。これにより、ビジョンパイプラインをさまざまなハードウェアバックエンドに容易にスケールできます。
RTDETRv2がバウンディングボックス検出にのみ重点を置いているのに対し、YOLO11アーキテクチャはポーズ推定とインスタンスセグメンテーションをネイティブにサポートしている点に注意してください。これにより、複数のビジョンタスクを1つ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、具体的なプロジェクト要件、デプロイ上の制約、エコシステムに関する предпочтенияによって決まります。
YOLO11を選ぶタイミング#
YOLO11は、次の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重要となる、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。
- マルチタスクビジョンアプリケーション: 単一の統合フレームワーク内で、検出、セグメンテーション、ポーズ推定、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を選択するケース#
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。
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の力#
YOLO11は優れた本番運用向けの選択肢ですが、最先端の性能を求めるチームは 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、エンドツーエンドのNMSフリーデザイン（YOLOv10で初めて採用）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ます。
YOLO26では、さらにいくつかの革新的な機能が導入されています。
- MuSGDオプティマイザー: Moonshot AIのKimi K2で用いられたLLMトレーニング技術に着想を得たもので、SGDとMuonを組み合わせたこのハイブリッド手法により、非常に安定したトレーニングと大幅に高速な収束を実現します。
- DFLの削除: Distribution Focal Lossを削除して、よりクリーンで簡素化されたエクスポートプロセスを実現し、低消費電力のエッジデバイスとの互換性を大幅に向上させています。
- ProgLoss + STAL: これらの高度な損失関数により、小さな物体の認識性能が大きく向上します。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。
- 最大43%高速なCPU推論: 専用GPUを搭載しないデプロイ環境向けに、YOLO26はCPU実行に特化して最適化されており、従来世代を大幅に上回る性能を発揮します。
より幅広いアーキテクチャを検討したい場合は、Ultralyticsのドキュメントで、YOLOv8、広く採用されている YOLOv5、さらに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 などの特殊モデルについても詳しく確認できます。実績のあるYOLO11の安定性を優先する場合でも、YOLO26の画期的なイノベーションを選ぶ場合でも、Ultralyticsの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。