YOLO26 vs RTDETRv2#
コンピュータビジョンの分野は常に進化しており、実務者に対して重要な選択を迫っています。高度に最適化された畳み込みニューラルネットワーク（CNN）を活用すべきか、それとも新しいTransformerベースのアーキテクチャを採用すべきかという選択です。この分野における2つの主要な競合相手は、最先端の Ultralytics YOLO26 と、Baiduの RTDETRv2 です。どちらのモデルもリアルタイム物体検出の限界を押し広げていますが、根本的に異なるアーキテクチャの哲学に基づいています。
本ガイドでは、両モデルの構造、性能指標、および理想的なユースケースを比較し、次期コンピュータビジョンプロジェクトに最適な基盤を選択できるように、詳細な技術的解説を提供します。
Ultralytics YOLO26: エッジファーストなVision AIの頂点#
Ultralyticsによって開発されたYOLO26は、YOLOファミリーにとって大きな世代交代を象徴するモデルです。2026年1月にリリースされたこのモデルは、クラウド環境およびエッジ環境における速度、精度、そしてシームレスなデプロイを目的として明示的に設計されています。
- 著者： Glenn Jocher and 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 のような従来の反復モデルとも差別化する、いくつかの画期的な機能が導入されています。
- エンドツーエンドのNMSフリー設計： YOLO26は、後処理における従来の非最大値抑制（NMS）を排除します。YOLOv10 などのモデルで先駆けて採用されたこのネイティブなエンドツーエンドアプローチにより、推論レイテンシのばらつきが軽減され、特にエッジハードウェアでのデプロイロジックがシンプルになります。
- CPU推論が最大43%高速化： 分散型AIに対する高まるニーズを認識し、YOLO26は、Raspberry Pi のような専用GPUを持たないデバイス向けに高度に最適化されています。
- DFLの削除: Distribution Focal Loss (DFL)を削除することで、YOLO26はエクスポートプロセスを簡素化し、低電力のエッジデバイスやマイクロコントローラとの互換性を大幅に向上させています。
- MuSGDオプティマイザ: 大規模言語モデル (LLM) のトレーニングとコンピュータビジョンの間のギャップを埋めるため、YOLO26はMuSGDオプティマイザを採用しています。これはSGDとMoon（Moonshot AIのKimi K2に触発されたもの）のハイブリッドであり、堅牢なトレーニングの安定性とより高速な収束を実現します。
- ProgLoss + STAL： 高度な損失関数により、小物体認識が大幅に改善されます。これは、航空画像解析 やモノのインターネット（IoT）センサーに依存する産業にとって不可欠です。
ビジョンタスク全般の汎用性#
バウンスボックスに厳密に限定されたモデルとは異なり、YOLO26は多用途なパワーハウスです。インスタンスセグメンテーション 用のセマンティックセグメンテーション損失やマルチスケールプロト、姿勢推定 用のResidual Log-Likelihood Estimation（RLE）、および 指向性バウンディングボックス（OBB） タスクでの境界の問題を解決するための特殊な角度損失など、タスク固有の改善が組み込まれています。
RTDETRv2: リアルタイムDetection Transformerの強化#
Baiduの研究者によって開発された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。これは、Detection Transformers (DETR) が、リアルタイムシナリオにおいて高度に最適化されたCNNと競合し、時にはそれを上回ることができることを証明することを目的としています。
- 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 PyTorch Implementation
- Docs： RT-DETRv2 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、セルフアテンションメカニズムを活用してグローバルなコンテキストを理解することで、CNNとは本質的に異なる画像処理を行います。
- Bag-of-Freebies: v2イテレーションでは、推論コストを増加させることなくベースラインのパフォーマンスを向上させる、一連の最適化されたトレーニング手法（bag-of-freebies）が導入されています。
- グローバルなコンテキスト認識: Transformerのアテンションレイヤーにより、RTDETRv2は、重なり合った物体や遮蔽された物体を識別するためにグローバルなコンテキストが必要となる複雑なシーンを理解する能力に自然と長けています。
Transformerモデルの制限#
強力ではあるものの、RTDETRv2のようなTransformerベースの検出モデルは、実運用において課題に直面することがよくあります。一般的に、効率的なCNNと比較して、トレーニング中のCUDAメモリ要件が高くなる傾向があります。さらに、アテンションレイヤーに必要な複雑な演算のため、多様なエッジ環境への統合が困難な場合があり、リソースが制限された環境へのデプロイにおいてはYOLO26の方がはるかに魅力的です。
パフォーマンスの比較#
これらのモデルを直接比較すると、最新のCNN最適化の具体的な利点が明らかになります。以下の表は、標準的なベンチマークにおけるパフォーマンスを示しています。
| 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) |
|---|---|---|---|---|---|---|
| YOLO26n | 640 | 40.9 | 38.9 | 1.7 | 2.4 | 5.4 |
| YOLO26s | 640 | 48.6 | 87.2 | 2.5 | 9.5 | 20.7 |
| YOLO26m | 640 | 53.1 | 220.0 | 4.7 | 20.4 | 68.2 |
| YOLO26l | 640 | 55.0 | 286.2 | 6.2 | 24.8 | 86.4 |
| YOLO26x | 640 | 57.5 | 525.8 | 11.8 | 55.7 | 193.9 |
| 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 |
示された通り、YOLO26はすべてのサイズバリアントにおいて一貫してRTDETRv2を上回ります。YOLO26xは、RTDETRv2-x（54.3 mAP、15.03 ms、76Mパラメータ）と比較して、驚異的な57.5 mAPを達成しつつ、低遅延（TensorRTで11.8 ms）かつ大幅に少ないパラメータ数（55.7M）を実現しています。
ユースケースと推奨事項#
YOLO26とRT-DETRのどちらを選択するかは、プロジェクト固有の要件、デプロイの制約、そしてエコシステムの好みによって決まります。
YOLO26を選ぶべき時#
YOLO26は以下の場合に強力な選択肢となります:
- 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。
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の利点#
適切な機械学習アーキテクチャを選択することは方程式の一部に過ぎません。周囲のエコシステムこそが、チームがプロトタイピングからプロダクションへどれだけ迅速に移行できるかを左右します。
使いやすさと学習の効率性#
Ultralytics Python API は、非常に合理化されたエクスペリエンスを提供します。複雑なモデルのトレーニングに、冗長なボイラープレートコードは不要になりました。さらに、YOLO26のトレーニング効率は大幅に向上しており、RTDETRv2のメモリ集約型の注意機構よりもはるかに少ないGPU VRAMを使用するため、コンシューマー向けハードウェア上でもより大きなバッチサイズが可能になります。
from ultralytics import YOLO
# Initialize the cutting-edge YOLO26 Nano model
model = YOLO("yolo26n.pt")
# Train on the COCO8 dataset for 100 epochs
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# Execute high-speed, NMS-free inference
predictions = model("https://ultralytics.com/images/bus.jpg")
# Export to ONNX for seamless deployment
model.export(format="onnx")十分に維持されたエコシステム#
Ultralyticsモデルを利用することで、開発者は、Weights & Biases や Comet ML などの最新のトラッキングツールとネイティブに統合された、アクティブにメンテナンスされているフレームワークにアクセスできます。コード不要のアプローチを好むユーザー向けに、Ultralytics Platform はクラウドトレーニング、データセット管理、およびワンクリックデプロイを容易にします。
パフォーマンスのバランス#
YOLO26は、推論速度と精度の間で比類のないバランスを実現しています。NMSの削除がMuSGDオプティマイザーと組み合わされているため、（ProgLoss + STALのおかげで）小物体に対して非常に正確でありながら、本番環境で圧倒的な速さを発揮するモデルをデプロイでき、ほぼすべての最新の コンピュータビジョンアプリケーション において最適な選択肢となります。
エコシステム内のその他のモデル#
YOLO26とRTDETRv2はリアルタイム検出の最先端をカバーしていますが、レガシーパイプラインを維持している開発者や、異なる効率曲線を模索している開発者は、既存のエンタープライズ環境向けに YOLOv8 を検討したり、EfficientDet などの他のアーキテクチャを探索したりすることもできます。ただし、新しいプロジェクトに関しては、YOLO26が決定版の推奨事項となります。