YOLO26とRTDETRv2
コンピュータービジョンの実務者は、最適化された畳み込みニューラルネットワーク(CNNs)と、新しいTransformerベースのアーキテクチャのどちらを選ぶか検討することがよくあります。代表的な例として、Ultralytics YOLO26とBaiduのRTDETRv2があります。どちらもリアルタイム物体検出を対象としていますが、異なるアーキテクチャのアプローチを採用しています。
このガイドでは、それぞれの構造、性能指標、最適なユースケースを比較し、次のコンピュータービジョンプロジェクトに最適な基盤を選ぶ際に役立つ情報を紹介します。
Ultralytics YOLO26:エッジファーストのビジョンAI#
Ultralyticsが開発し、2026年1月にリリースされたYOLO26は、最新のYOLOモデルであり、新規プロジェクトに推奨される選択肢です。クラウド環境とエッジ環境の両方で、速度、精度、簡単なデプロイを実現できるよう設計されています。
- 著者: Glenn Jocher、Jing Qiu
- 組織: Ultralytics
- 日付: 2026-01-14
- GitHub: Ultralyticsリポジトリ
- ドキュメント: YOLO26公式ドキュメント
アーキテクチャの革新と強み#
YOLO26には、Transformerモデルだけでなく、YOLO11などの以前の世代とも異なる、いくつかの機能が導入されています。
- エンドツーエンドのNMSフリーデザイン: YOLO26のオプションのone-to-oneヘッド(
nms=False)は、後処理時の従来のNon-Maximum Suppression(NMS)を省略します。この手法はYOLOv10がYOLOモデルに導入したもので、エンドツーエンドのアプローチによって推論レイテンシーのばらつきを抑え、特にエッジハードウェアでのデプロイロジックを簡素化します。 - CPU推論が最大43%高速: YOLO26nは、専用GPUを搭載していない Raspberry Piなどのデバイスに適した性能を発揮し、CPU上でYOLO11nより最大43%高速に動作します。
- DFLの削除: Distribution Focal Loss(DFL)を削除することで、エクスポートプロセスが簡素化され、低消費電力のエッジデバイスとの互換性が向上します。
- MuSGDオプティマイザー: 大規模言語モデル(LLM)の学習手法をコンピュータービジョンに取り入れ、YOLO26はMuSGDオプティマイザーを使用します。SGDとMuonを組み合わせたこのハイブリッド手法は、Moonshot AIのKimi K2に着想を得ており、学習の安定性と収束速度を向上させます。
- ProgLoss + STAL: Progressive LossとSmall-Target-Aware Label Assignment(STAL)は、小物体認識を向上させます。これは、航空画像解析やモノのインターネット(IoT)センサーを活用する業界にとって重要です。
多様なビジョンタスクに対応#
バウンディングボックスに限定されたモデルとは異なり、YOLO26は物体検出、インスタンスセグメンテーション、セマンティックセグメンテーション、深度推定、分類、姿勢推定、OBB検出に対応しています。タスク固有の改善も取り入れており、インスタンスセグメンテーションではセマンティックセグメンテーション損失とマルチスケールproto、姿勢推定ではResidual Log-Likelihood Estimation(RLE)、Oriented Bounding Box(OBB)タスクでは境界の問題を解決するための専用角度損失を採用しています。
RTDETRv2:リアルタイム検出Transformerの強化#
Baiduの研究者が開発したRTDETRv2は、オリジナルのRT-DETRフレームワークを基盤としています。Detection Transformer(DETR)が、リアルタイムのシナリオにおいて、高度に最適化されたCNNと同等、あるいはそれを上回る速度と精度を実現できることを示すことを目指しています。
- 著者: Wenyu Lv、Yian Zhao、Qinyao Chang、Kui Huang、Guanzhong Wang、Yi Liu
- 組織: Baidu
- 日付: 2024-07-24
- arXiv: 2407.17140
- GitHub: RTDETRv2のPyTorch実装
- ドキュメント: RTDETRv2のREADME
アーキテクチャと機能#
RTDETRv2はTransformerベースのアーキテクチャを採用しており、自己注意機構を使用してグローバルなコンテキストを捉えることで、CNNとは異なる方法で画像を処理します。
- Bag-of-Freebies: v2では、推論コストを増やすことなくベースラインのパフォーマンスを向上させる、最適化されたトレーニング手法(bag-of-freebies)が複数導入されています。
- グローバルコンテキストの認識: Transformerの注意機構レイヤーにより、RTDETRv2は、重なり合った物体や遮蔽された物体を区別するためにグローバルなコンテキストが必要な複雑なシーンを処理できます。
Transformerモデルの制約#
RTDETRv2のようなTransformerベースの検出モデルは、実際のデプロイで課題に直面することがよくあります。一般に、学習時に効率的なCNNよりも多くのCUDAメモリを必要とし、注意機構レイヤーで必要となる演算によって、さまざまなエッジ環境への統合が難しくなる場合があります。リソースが限られた環境へのデプロイでは、YOLO26などのCNNのほうが通常は導入しやすいです。
パフォーマンス比較#
以下の表では、COCO検証セットにおける精度(mAP)、速度、モデルサイズを比較します。
| 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) |
|---|---|---|---|---|---|---|
| YOLO26n | 640 | 40.9 | 38.9 | 1.7 | 2.4 | 5.5 |
| YOLO26s | 640 | 48.6 | 87.2 | 2.5 | 9.5 | 20.9 |
| YOLO26m | 640 | 53.1 | 220.0 | 4.7 | 20.4 | 68.4 |
| YOLO26l | 640 | 55.0 | 286.2 | 6.2 | 24.8 | 86.8 |
| YOLO26x | 640 | 57.5 | 525.8 | 11.8 | 55.7 | 194.4 |
| 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 |
同程度のサイズでは、YOLO26はRTDETRv2よりmAPが高く、TensorRTのレイテンシが低くなっています。YOLO26xは、RTDETRv2-xの54.3 mAP、15.03 ms、76Mパラメーターに対して、より低いレイテンシ(TensorRTで11.8 ms)と少ないパラメーター数(55.7M)で57.5 mAPを達成します。
ユースケースと推奨事項#
YOLO26とRT-DETRのどちらを選ぶかは、プロジェクト固有の要件、デプロイ上の制約、エコシステムの好みによって異なります。
YOLO26を選ぶ場合#
YOLO26は、次のような用途に適しています。
- 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。
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の強み#
適切なアーキテクチャを選ぶことは重要ですが、それだけで全てが決まるわけではありません。周辺のエコシステムによって、チームがプロトタイプ作成から本番運用へ進む速度が左右されます。
使いやすさとトレーニング効率#
Ultralytics Python APIを使うと、冗長な定型コードを避けて、短い学習コードを記述できます。また、YOLO26は通常、メモリを大量に消費するRTDETRv2の注意機構レイヤーよりもGPU VRAMの使用量が少ないため、一般向けハードウェアでもバッチサイズを大きくできます。
from ultralytics import YOLO
# YOLO26 Nanoモデルを初期化します
model = YOLO("yolo26n.pt")
# COCO8データセットで100エポック学習します
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# 高速なNMSフリー推論を実行します
predictions = model("https://ultralytics.com/images/bus.jpg", nms=False)
# デプロイ用にONNXへエクスポートします
model.export(format="onnx")整備されたエコシステム#
Ultralyticsモデルには、Weights & BiasesやCometなどの実験トラッキングツールと連携する、活発にメンテナンスされているフレームワークが付属します。ノーコードで利用する場合は、Ultralytics Platformでクラウド学習、データセット管理、モデルデプロイを行えます。
パフォーマンスのバランス#
YOLO26は推論速度と精度のバランスに優れています。オプションのNMSフリー推論、MuSGDオプティマイザー、ProgLoss + STALにより、小物体に対して高精度で、本番環境でも高速なモデルを実現し、ほとんどのコンピュータービジョンアプリケーションで有力なデフォルト選択肢となります。
エコシステム内のその他のモデル#
既存のパイプラインを保守する開発者は、確立されたエンタープライズ環境向けにYOLOv8を検討することもできます。または、YOLO26とEfficientDetの比較をご覧ください。新規プロジェクトにはYOLO26を推奨します。
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。