YOLOv10とRTDETRv2#
コンピュータービジョンの進歩は速く、リアルタイムの物体検出では、新しいアーキテクチャが定期的に最高性能を更新しています。注目すべき2つの節目はYOLOv10とRTDETRv2です。どちらのモデルも非最大値抑制（NMS）の後処理を不要にして、従来の検出パイプラインのボトルネックを解消していますが、この課題にはまったく異なるアーキテクチャで取り組んでいます。
この技術比較では、アーキテクチャ、トレーニング手法、理想的なデプロイシナリオを分析し、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支援します。
YOLOv10：NMSフリーのリアルタイム検出#
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化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に一貫性のあるデュアル割り当てを導入することで、推論レイテンシーを低く抑えながら、競争力のある精度を実現します。
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の主な貢献は、効率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削減します。一貫性のあるデュアル割り当て戦略により、NMSに依存せずにモデルを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。後処理の処理が予期しないレイテンシーを引き起こす可能性のある、ONNXやTensorRTなどのエッジ向け形式にモデルをエクスポートする場合に、特に有効です。
強みと弱み#
特に小型バリアント（NおよびS）では、速度と精度の優れたトレードオフを実現します。レイテンシーが低いため、高速なエッジ環境に適しています。ただし、YOLOv10は生の検出速度に優れる一方で、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は、より汎用性の高いフレームワークを検討する必要があります。
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、シーン全体の理解にTransformerエンコーダー・デコーダーを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画像全体を俯瞰できるため、複雑なシーン、重なり合う物体、密集した群衆の処理に効果的です。
強みと弱み#
Transformerアーキテクチャは、特にパラメーター数の多いモデルで優れた精度を発揮し、NMSを使わずに最終的な検出結果を出力します。ただし、これには代償があります。Transformerモデルは従来、トレーニング時により多くの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が遅くなる場合があります。RTDETRv2は推論速度が向上していますが、一般に軽量なYOLOバリアント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 |
同等のサイズで比較すると、YOLOv10はパラメーター効率とTensorRT推論速度で明確に優位です。一方、RTDETRv2はs、m、lの各スケールでわずかに高精度です（例：sモデルではmAPが48.1対46.3、速度が5.03 ms対2.49 ms）。RTDETRv2-xは精度でYOLOv10xと同等（mAPが54.3対54.4）ですが、パラメーター数は2.5倍以上（76M対29.5M）、FLOPsも多く必要です（259B対160.4B）。
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GPUアクセラレーションのないデバイスでは、YOLO26nのCPU推論がYOLO11nより最大43%高速であることが大きな強みになります。
- 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。
Ultralyticsの強み：エコシステムとイノベーション#
YOLOv10とRTDETRv2はいずれも高性能な検出器ですが、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ワークフローに伴う複雑さの多くを隠す、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は、Ultralytics YOLO26が近年のアーキテクチャ上の進歩を結集しています。2026年1月にリリースされたYOLO26は、YOLOv10のエンドツーエンドNMSフリーデザインをオプションのヘッド（nms=False）として採用し、NMS後処理をなくして、より高速でシンプルなデプロイを実現します。
YOLO26は、MuSGDオプティマイザー（SGDとMuonのハイブリッド）を通じて、大規模言語モデル（LLM）のトレーニング手法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。YOLO26nはYOLO11nよりもCPU上で最大43%高速に動作するため、YOLO26はエッジコンピューティングに有力な選択肢です。
さらに、YOLO26ではProgLoss + STALにより小物体の認識性能が大きく向上します。また、検出のみに対応するYOLOv10とは異なり、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、画像分類、姿勢推定、回転バウンディングボックス（OBB）をサポートし、セマンティックセグメンテーション用の損失や、姿勢推定向けのResidual Log-Likelihood Estimation（RLE）など、タスク別の改良も備えています。Distribution Focal Loss（DFL）の除去により、エクスポートが簡素化され、低消費電力デバイスとの互換性も向上します。
使いやすさとトレーニング効率#
Ultralytics YOLO11などの従来モデルから新しいYOLO26まで、どのモデルを使用する場合でも、Python APIはトレーニング時のメモリ使用量を抑え、ワークフローを簡潔に保ちます。同じAPIでYOLOv10とRT-DETRも実行できます。
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")充実したメンテナンス体制のエコシステムは、ハイパーパラメーター調整を簡単に行うためのツールを提供し、実験トラッキングツールやモデルのデプロイ方法とも統合できます。
結論#
YOLOv10とRTDETRv2は、どちらもNMSフリー物体検出における重要な節目です。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とリアルタイムのレイテンシーを両立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、効率的で高速なCNNの代替手段を提供します。
性能のバランス、マルチタスクの汎用性、成熟したエコシステムを求める場合は、Ultralytics YOLO26を推奨します。先行モデルのアーキテクチャ上のアイデアと、ビジョンAIのデプロイを簡素化する使いやすいツールを組み合わせています。