YOLOv10とRTDETRv2#
コンピュータービジョンの分野は急速に進化しており、新しいアーキテクチャが次々とリアルタイム物体検出の最先端を塗り替えています。この進化における重要な節目が、YOLOv10とRTDETRv2です。どちらのモデルも、非極大値抑制（NMS）の後処理を不要にして従来の検出パイプラインにおける根本的なボトルネックを解消しようとしていますが、アーキテクチャ上のアプローチはまったく異なります。
この技術比較では、アーキテクチャ、トレーニング手法、最適なデプロイシナリオを詳しく分析し、開発者や研究者が次のビジョンAIプロジェクトに適したツールを選べるようにします。
YOLOv10：NMSフリーの先駆者#
清華大学の研究者によって開発されたYOLOv10は、アーキテクチャの効率性と後処理のボトルネック解消を重視しています。NMSフリーのトレーニング向けに一貫したデュアル割り当てを導入することで、推論レイテンシを大幅に抑えながら、競争力のある性能を実現します。
技術仕様#
- 著者: Ao Wang、Hui Chen、Lihao Liuほか
- 組織: 清華大学
- 日付: 2024-05-23
- ArXiv: YOLOv10の論文
- GitHub: THU-MIG/yolov10
- ドキュメント: YOLOv10 ドキュメント
アーキテクチャと手法#
YOLOv10の主な技術革新は、効率性と精度を総合的に重視したモデル設計です。両方の観点からさまざまなコンポーネントを最適化し、計算オーバーヘッドを大幅に削減します。一貫したデュアル割り当て戦略により、モデルはNMSに依存せずにトレーニングできるため、合理化されたエンドツーエンドのデプロイパイプラインを実現できます。これは、後処理が予期しないレイテンシを引き起こす可能性があるONNXやTensorRTなどのエッジ形式にモデルをエクスポートする際に、特に有用です。
強みと弱み#
特に小型バリアント（NとS）では、速度と精度のトレードオフに優れています。レイテンシが最小限であるため、高速なエッジ環境に適しています。一方、YOLOv10は検出速度に優れていますが、検出に特化したモデルです。インスタンスセグメンテーションや姿勢推定が必要なチームには、より汎用性の高いフレームワークが必要です。
RTDETRv2：Detection Transformerの改良#
初代Real-Time Detection Transformerを基盤とするRTDETRv2は、ベースラインを改善するための「フリービーの詰め合わせ」を取り入れ、TransformerがリアルタイムのシナリオでCNNと競合できることを示しています。
技術仕様#
- 著者: Wenyu Lv、Yian Zhao、Qinyao Chang、Kui Huang、Guanzhong Wang、Yi Liu
- 組織: Baidu
- 日付: 2024-07-24
- ArXiv: RTDETRv2の論文
- GitHub: lyuwenyu/RT-DETR
- ドキュメント: RTDETRv2のREADME
アーキテクチャと手法#
RTDETRv2は、視覚的特徴の抽出に畳み込みニューラルネットワーク（CNN）バックボーンを使用し、シーンを包括的に理解するためのTransformerエンコーダー・デコーダーと組み合わせたハイブリッドアーキテクチャを採用しています。Transformerのセルフアテンション機構により、モデルは画像全体を捉えることができ、複雑なシーン、重なり合う物体、密集した群衆の処理に優れています。
強みと弱み#
Transformerアーキテクチャは、特にパラメーター数が多いモデルで優れた精度を発揮し、NMSを使わずに最終検出結果をネイティブに出力します。ただし、その代償もあります。従来、Transformerモデルはトレーニング時に大幅に多くのCUDAメモリを必要とし、純粋なCNNアーキテクチャと比べて収束に時間がかかる場合があります。RTDETRv2は推論速度が向上していますが、一般に軽量なYOLOモデルより多くのメモリを消費します。
パフォーマンス比較#
パフォーマンス指標を評価すると、それぞれのモデルがどの点で優れているかがより明確になります。次の表では、COCOデータセットでの性能を示します。
| 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 (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv10n | 640 | 38.5 | - | 1.84 | 2.3 | 6.7 |
| YOLOv10s | 640 | 46.3 | - | 2.49 | 7.2 | 21.6 |
| YOLOv10m | 640 | 51.1 | - | 4.74 | 15.4 | 59.1 |
| YOLOv10b | 640 | 52.5 | - | 5.74 | 19.1 | 92.0 |
| YOLOv10l | 640 | 53.2 | - | 7.28 | 24.4 | 120.3 |
| YOLOv10x | 640 | 54.4 | - | 10.70 | 29.5 | 160.4 |
| 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 |
データを分析すると、YOLOv10は同程度のモデルサイズで、パラメーター効率とTensorRT推論速度において一貫して優位性を保っています。RTDETRv2-xは精度でYOLOv10xに匹敵しますが、パラメーター数は2.5倍以上（76M対29.5M）で、FLOPsも大幅に多くなります。
ユースケースと推奨事項#
YOLOv10とRT-DETRのどちらを選ぶかは、プロジェクト固有の要件、デプロイの制約、エコシステムへの好みによって異なります。
YOLOv10を選ぶ場合#
YOLOv10は、次の用途に適しています:
- NMSを使用しないリアルタイム検出: 非最大抑制を使用しないエンドツーエンド検出によって、デプロイを簡素化できるアプリケーション。
- 速度と精度のバランス: さまざまなモデルスケールで、推論速度と検出精度の優れたバランスが必要なプロジェクト。
- レイテンシーが安定している必要のあるアプリケーション: ロボティクスや自律システムなど、予測可能な推論時間が重要なデプロイシナリオ。
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 (YOLO26)を選ぶ場合#
多くの新規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を最適なバランスで提供します。
- 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のみの環境: 専用のGPUアクセラレーションを備えていないデバイスで、YOLO26の最大43%高速なCPU推論が大きな優位性を発揮します。
- 小物体検出: ドローンによる航空画像やIoTセンサーの分析など、ProgLossとSTALによって小さな物体の精度が大幅に向上する難しいシナリオ。
Ultralyticsの強み：エコシステムとイノベーション#
YOLOv10とRTDETRv2は優れた検出機能を備えていますが、モデルの選択では周辺のソフトウェアエコシステムも重要です。Ultralytics Platformは、ディープラーニングの複雑さを抽象化した、シームレスで統一されたインターフェースを提供します。
新たな標準：Ultralytics YOLO26#
最高のパフォーマンスを求める開発者にとって、Ultralytics YOLO26は近年のアーキテクチャの進歩を結集したモデルです。2026年初頭にリリースされたYOLO26は、YOLOv10が先駆けとなったエンドツーエンドのNMSフリーデザインをオプションヘッド（nms=False）として継承しており、NMSの後処理をなくすことで、より高速でシンプルなデプロイを実現します。
YOLO26は、MuSGD Optimizer（SGDとMuonのハイブリッド）を通じて、LLMトレーニングのイノベーションをコンピュータービジョンに取り入れ、より安定したトレーニングと高速な収束を実現します。また、CPU推論を最大43%高速化しており、エッジコンピューティングに最適な選択肢です。
さらに、YOLO26はProgLoss + STALを導入し、小さな物体の認識を大幅に改善します。特化型のYOLOv10とは異なり、幅広い用途に対応します。物体検出、セグメンテーション、姿勢推定、方向付きバウンディングボックス（OBB）をネイティブにサポートし、セマンティックセグメンテーション損失や姿勢推定向けの残差対数尤度推定（RLE）など、タスク固有の改善も取り入れています。さらに、Distribution Focal Loss（DFL）を削除することで、エクスポートを簡素化し、低消費電力デバイスとの互換性を高めています。
使いやすさとトレーニング効率#
Ultralytics YOLO11などの旧世代モデルを試す場合も、最先端のYOLO26を使う場合も、合理化されたPython APIにより、トレーニング時のメモリ使用量を抑え、非常に高速なワークフローを実現できます。
from ultralytics import RTDETR, YOLO
# エンドツーエンドYOLOv10モデルをトレーニングします
model_yolo = YOLO("yolov10n.pt")
model_yolo.train(data="coco8.yaml", epochs=100, imgsz=640)
# または、同じAPI内でRTDETRを評価します
model_rtdetr = RTDETR("rtdetr-l.pt")
results = model_rtdetr.predict("https://ultralytics.com/images/bus.jpg")十分にメンテナンスされたエコシステムには、ハイパーパラメーターチューニングを簡単に行うためのツールが用意されており、幅広いトラッキングソリューションやモデルのデプロイオプションともシームレスに統合できます。
結論#
YOLOv10とRTDETRv2は、NMSフリー物体検出の実現に向けた重要な成果です。RTDETRv2は、メモリ要件が高いものの、Transformerが優れたグローバルコンテキスト理解を備えながらリアルタイムのレイテンシを実現できることを示しています。YOLOv10は、リソースに制約のある検出タスクに適した、非常に効率的で高速なCNNの選択肢です。
ただし、バランスの取れたパフォーマンス、マルチタスクへの対応力、成熟したエコシステムを求める開発者には、Ultralytics YOLO26の活用を強くおすすめします。先行モデルのアーキテクチャ上のイノベーションと、ビジョンAIのデプロイをシームレスに実現する、堅牢で使いやすいツールを組み合わせています。