コンテンツにスキップ

YOLO11 YOLOv6.0の比較：最先端の物体検出比較

最適なコンピュータビジョンモデルの選択は、AIアプリケーションの効率、精度、拡張性に影響を与える極めて重要な決定です。このガイドでは Ultralytics YOLO11とYOLOv6.0を比較する包括的な技術分析を提供します。アーキテクチャーの革新性、パフォーマンスベンチマーク、トレーニング方法、様々な実世界のデプロイシナリオへの適合性を検証します。どちらのフレームワークもこの分野に大きく貢献しているが、YOLO11 11は効率性、汎用性、ユーザー・エクスペリエンスにおいて最新の進化を遂げている。

Ultralytics YOLO11

著者Glenn Jocher、Jing Qiu
組織： Ultralytics
日付: 2024-09-27
GitHub: ultralytics
Docs: https:yolo11

YOLO11 11は、Ultralytics 2024年後半に発表したYOLO （You Only Look Once）シリーズの最先端進化版だ。前作 YOLOv8などの成功に基づき、計算コストを最小限に抑えながらパフォーマンスを最大化するよう設計された洗練されたアーキテクチャを導入している。YOLO11 、多様なコンピュータビジョンタスクを処理できるように設計されており、自動車からヘルスケアまで幅広い産業向けの汎用ソリューションとして位置づけられている。

アーキテクチャと主な機能

YOLO11 アーキテクチャは、特徴抽出と処理効率の向上に重点を置いている。冗長な計算を減らし、エッジデバイスとクラウドサーバーの両方でより高速な推論を可能にする、改良されたバックボーンとネック設計が組み込まれています。アンカーフリー検出器として、YOLO11 手動によるアンカーボックスの設定を不要にし、学習パイプラインを簡素化し、多様な物体形状への適応性を向上させます。

長所

  • 比類のない性能バランス：YOLO11 、同等のモデルよりも大幅に少ないパラメータとFLOP数で、高い平均精度（mAP）を実現します。この効率性により、ストレージ要件が削減され、処理時間が短縮されます。
  • 包括的な汎用性：バウンディングボックスに限定された多くの検出器とは異なり、YOLO11 オブジェクト検出、インスタンスセグメンテーション、画像分類、ポーズ推定、オリエンテッドバウンディングボックス（OBB）を単一のフレームワークでネイティブにサポートしています。
  • 合理化されたエコシステム：ユーザーフレンドリーなPython API、コード不要のトレーニングのためのUltralytics HUBとのシームレスな統合、広範なコミュニティサポートなど、堅牢なUltralytics エコシステムの恩恵を受けることができます。
  • トレーニングの効率化：モデルは、トレーニング中の収束が速く、メモリ使用量が少なくなるように最適化されている。これは、多くの場合、GPUに大きな負荷がかかる変換器ベースのアーキテクチャーとは明らかに異なる利点です。 GPUメモリを必要とします。

弱点

  • 普及曲線：最近リリースされたモデルであるため、サードパーティのチュートリアルや外部リソースの量は急速に増加しているが、現在のところ、以下のような古いレガシーバージョンに比べると少ないかもしれない。 YOLOv5.
  • 小さな物体の課題：大幅に改善されたとはいえ、非常に小さな物体の検出は、遅いとはいえ特殊なアプローチと比べると、1段の物体検出器にとっては依然として困難な課題です。

理想的なユースケース

YOLO11 、高いスループットと精度が要求されるシナリオに優れている：

  • 自律システム：自動運転車やドローンのためのリアルタイム物体追跡。
  • スマート・マニュファクチャリング：欠陥検出とセグメンテーションを同時に必要とする品質保証業務。
  • ヘルスケアリソースに制約のある展開がしばしば必要とされる医療画像解析。
  • リテール・アナリティクス：ポーズ推定とトラッキングによる顧客行動分析と在庫管理。

YOLO11の詳細について。

YOLOv6.0

著者Chuyi Li, Lulu Li, Yifei Geng, Hongliang Jiang, Meng Cheng, Bo Zhang, Zaidan Ke, Xiaoming Xu, and Xiangxiang Chu
組織：Meituan
Date: 2023-01-13
Arxiv: https://arxiv.org/abs/2301.05586
GitHub: YOLOv6
Docs: https:ultralytics

YOLOv6.0はMeituanが開発したオブジェクト検出フレームワークで、特に産業用アプリケーションをターゲットとしている。2023年初頭にリリースされたこのフレームワークは、推論速度と精度の間で競争力のあるトレードオフを提供するように設計されており、物流やオートメーションにおけるリアルタイムシステムのニーズに対応している。

アーキテクチャと主な機能

YOLOv6.0アーキテクチャは、ネットワークの「フルスケール・リローディング」を導入している。効率的な再パラメータ可能なバックボーン（EfficientRep）とデカップリングヘッド構造を採用している。主な革新点は、学習中に自己蒸留技術を使用することで、推論コストを増加させることなく精度を向上させること、および TensorRTを展開する。

長所

  • 産業用フォーカス：このモデル・アーキテクチャは、産業用ハードウェア、特にNVIDIA GPU上のレイテンシの最適化向けに調整されています。
  • 量子化対応：YOLOv6 、モデルの量子化に特化したサポートを提供し、計算精度に制限のあるハードウェアへの展開を容易にする。
  • モバイル・バリアント：フレームワークには、モバイルCPUSおよびDSPアーキテクチャ向けに最適化されたYOLOv6バージョンがある。

弱点

  • リソース強度：性能データに示されているように、YOLOv6.0は、YOLO11ような新しいモデルに匹敵する精度を達成するために、かなり多くのパラメータとFLOPを必要とすることが多い。
  • 限られたタスク範囲：主な焦点は物体検出。統一されたUltralytics フレームワークに見られる、シームレスでネイティブなマルチタスクサポート（セグメンテーション、ポーズ、分類、OBB）がない。
  • エコシステムの断片化：オープンソースではあるが、エコシステムはUltralytics統合されておらず、データセット管理、トラッキング、クラウドトレーニングなどのタスクに手作業が必要になる可能性がある。

理想的なユースケース

YOLOv6.0はこんな人に向いています：

  • レガシー産業システム YOLOv6 アーキテクチャ用に特別に調整された環境。
  • 専用の検出タスク：バウンディングボックスの検出のみが必要で、マルチタスク機能が不要なアプリケーション。
  • 特定のハードウェアの展開：Meituanフレームワークがサポートする特定の量子化パイプラインを活用したシナリオ。

YOLOv6もっと知る

パフォーマンス指標：スピード、精度、効率

次の表は、COCO データセットにおける YOLO11 YOLOv6.0の詳細な比較です。メトリクスは、YOLO11 アーキテクチャによって達成された効率の進歩を強調しています。

モデルサイズ
(ピクセル)		mAP値
50-95		速度
CPU ONNX
(ms)		速度
T4 TensorRT10
(ms)		params
(M)		FLOPs
(B)
YOLO11n64039.556.11.52.66.5
YOLO11s64047.090.02.59.421.5
YOLO11m64051.5183.24.720.168.0
YOLO11l64053.4238.66.225.386.9
YOLO11x64054.7462.811.356.9194.9
YOLOv6.0n64037.5-1.174.711.4
YOLOv6.0s64045.0-2.6618.545.3
YOLOv6.0m64050.0-5.2834.985.8
YOLOv6.0l64052.8-8.9559.6150.7

データ分析

比較の結果、明確な傾向が明らかになった：YOLO11 、計算オーバーヘッドを大幅に削減しながら、一貫して高い精度（mAP）を達成している。

  • パラメータ効率：YOLO11mモデルは、YOLOv6.0mの50.0mAP比較して51.5mAP優れた性能を達成しながら、34.9Mに対して20.1Mしかパラメータを使用していない。これは、性能向上のためにモデルサイズを約42%削減したことを意味する。
  • 計算コスト：同様に、YOLO11lは53.4mAP達するために86.9B FLOPを必要とするのに対し、YOLOv6.0lは52.8mAP達成するために150.7B FLOPを必要とする。FLOPの低下は、組み込みシステムにとって重要な要素である消費電力と発熱の低下に直結する。
  • 推論速度：YOLOv6.0nはTensorRT 速度が若干速いものの、大幅な精度差（2.0mAP）とモデルサイズが大きいため、精度が最も重要な最新のアプリケーションでは、YOLO11nの方がバランスの取れた選択となる。

展開の優位性

YOLO11 パラメータ数の削減は、推論を高速化するだけでなく、必要なメモリ帯域幅も削減する。これによりYOLO11 、メモリ・リソースがボトルネックになりがちなRaspberry Piや NVIDIA Jetsonのようなエッジ・デバイスで特に効果を発揮する。

トレーニングとユーザビリティ

使いやすさとエコシステム

最も大きな差別化要因の一つは、モデルを取り巻くエコシステムです。Ultralytics YOLO11 11は、機械学習オペレーション（MLOps）のライフサイクル全体を簡素化する包括的なプラットフォームに統合されています。

  • シンプルなAPI：開発者は、わずか数行のPython コードでYOLO11 ロード、学習、予測できる。
  • ドキュメント：広範かつ積極的に維持管理されたドキュメントにより、ユーザーはデータ注釈からモデルのエクスポートまで、あらゆるガイドを簡単に見つけることができます。
  • コミュニティ GitHubと Discord上の活気あるコミュニティは、迅速なサポートと継続的な改善を提供します。

対照的に、YOLOv6 強固なコードベースを提供する一方で、統合されたツールやコミュニティ主導のリソース利用可能性が同レベルに欠けているため、新規プロジェクトの展開までの時間が長くなる可能性がある。

トレーニング効率

YOLO11 11は、トレーニング時の効率が非常に高くなるように設計されている。そのアーキテクチャは収束を高速化し、旧来のアーキテクチャと比較して少ないエポックで目標精度を達成できることが多い。さらに、トレーニング中のメモリ要件が最適化されているため、コンシューマーグレードのGPUでより大きなバッチサイズを使用することができます。

以下は、YOLO11 モデルのトレーニングを開始するのがいかに簡単かの例である：

from ultralytics import YOLO

# Load a pretrained YOLO11n model
model = YOLO("yolo11n.pt")

# Train the model on the COCO8 dataset
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Run inference on an image
results = model("https://ultralytics.com/images/bus.jpg")

結論

YOLOv6.0は、特定の工業用検出タスクのための有能なモデルであることに変わりはないが、Ultralytics YOLO11、新しいコンピューター・ビジョン・プロジェクトの大部分において、より優れた選択肢として際立っている。

YOLO11 、高精度、低リソース消費、比類のない汎用性という魅力的な組み合わせを提供します。検出、セグメンテーション、ポーズ推定、分類を単一の使いやすいフレームワークで処理できるため、開発ワークフローが効率化されます。活発にメンテナンスされているUltralytics エコシステムとUltralytics HUBのようなツールに支えられたYOLO11 、スケーラブルで高性能なAIソリューションを構築するための将来性のある基盤を提供します。

パフォーマンス、効率性、使いやすさのベストバランスを求める開発者にとって、YOLO11 11はお勧めの道だ。

その他のモデルを見る

さらなる比較に興味がある方は、ドキュメントの関連ページをご覧ください：


コメント