YOLOv10 と RTDETRv2#
computer vision の分野は驚異的なスピードで進化しており、新しいアーキテクチャがリアルタイム物体検出における最新技術の限界を常に塗り替えています。この進化における重要な2つのマイルストーンが YOLOv10 と RTDETRv2 です。どちらのモデルも、非最大抑制（NMS）後処理の必要性を排除することで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することを目指していますが、この課題へのアプローチにおけるアーキテクチャのパラダイムは全く異なります。
この技術比較では、開発者や研究者が次の vision AI プロジェクトに適したツールを選択できるよう、両者のアーキテクチャ、トレーニング手法、および理想的なデプロイシナリオについて詳細な分析を提供します。
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に重点を置いています。NMSフリーの学習に向けた一貫した二重割り当て（consistent dual assignments）を導入することで、推論レイテンシを大幅に低減しながら、競争力のあるパフォーマンスを実現しています。
技術仕様#
- 著者：Ao Wang, Hui Chen, Lihao Liu 他
- 組織：Tsinghua University
- 日付：2024-05-23
- ArXiv: YOLOv10 Paper
- GitHub: THU-MIG/yolov10
- Docs: YOLOv10 Documentation
アーキテクチャと手法#
YOLOv10 の最大のブレークスルーは、効率性と精度の両立を重視した総合的なモデル設計です。両方の視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ています。一貫したデュアルアサインメント戦略により、モデルは NMS に依存せずにトレーニングを行うことが可能になり、効率的でエンドツーエンドなデプロイパイプラインを実現します。これは、後処理の操作が予期せぬレイテンシを引き起こす可能性がある ONNX や TensorRT などのエッジフォーマットにモデルをエクスポートする際に特に有利です。
強みと弱み#
このモデルは、特に小型のバリエーション（N および S）において、優れた速度と精度のトレードオフを誇ります。その最小限のレイテンシは、高速なエッジ環境に最適です。ただし、YOLOv10 は生の検出速度に優れている一方で、検出専用の特化型モデルのままです。 instance segmentation や pose estimation を必要とするチームは、より汎用性の高いフレームワークを探す必要があります。
RTDETRv2：Detection Transformerの洗練#
オリジナルのReal-Time Detection TransformerをベースにしたRTDETRv2は、「bag of freebies」を取り入れてベースラインを改善し、リアルタイムシナリオにおいてTransformerがCNNと競合できることを証明しています。
技術仕様#
- 著者：Wenyu Lv, Yian Zhao, Qinyao Chang, Kui Huang, Guanzhong Wang, and Yi Liu
- 組織: Baidu
- 日付：2024-07-24
- ArXiv: RTDETRv2 Paper
- GitHub: lyuwenyu/RT-DETR
- Docs: RTDETRv2 Documentation
アーキテクチャと手法#
RTDETRv2は、視覚的特徴抽出のためのCNNバックボーンと、包括的なシーン理解のための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、モデルは画像をグローバルに認識できるため、複雑なシーン、重なり合う物体、密集した群衆の処理に非常に効果的です。
強みと弱み#
Transformerアーキテクチャは、特に大規模なパラメータスケールにおいて優れた精度を提供し、NMSなしで最終的な検出結果をネイティブに出力します。しかし、これにはコストが伴います。Transformerモデルは、学習中にCNNよりも大幅に多くのCUDAメモリを必要とする傾向があり、純粋なCNNアーキテクチャと比較して収束が遅くなる可能性があります。RTDETRv2は推論速度が改善されていますが、一般的に軽量なYOLOバリアントよりも多くのメモリを消費します。
パフォーマンスの比較#
パフォーマンス指標を評価することで、各モデルがどこに優れているかをより明確に把握できます。次の表は、COCO dataset における両者の性能を示しています。
| 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) |
|---|---|---|---|---|---|---|
| YOLOv10n | 640 | 39.5 | - | 1.56 | 2.3 | 6.7 |
| YOLOv10s | 640 | 46.7 | - | 2.66 | 7.2 | 21.6 |
| YOLOv10m | 640 | 51.3 | - | 5.48 | 15.4 | 59.1 |
| YOLOv10b | 640 | 52.7 | - | 6.54 | 24.4 | 92.0 |
| YOLOv10l | 640 | 53.3 | - | 8.33 | 29.5 | 120.3 |
| YOLOv10x | 640 | 54.4 | - | 12.2 | 56.9 | 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はパラメータ効率とTensorRTの推論速度において、同等のサイズ間で厳格な優位性を維持しています。RTDETRv2-xは精度において大規模なYOLOv10xに匹敵しますが、約2000万個多いパラメータと大幅に高いFLOPsを必要とします。
ユースケースと推奨事項#
YOLOv10とRT-DETRの選択は、特定のプロジェクト要件、導入制約、およびエコシステムの優先順位に依存します。
YOLOv10を選択すべき場合#
YOLOv10は以下の用途に最適です。
- NMSフリーのリアルタイム検出： Non-Maximum Suppression（NMS）を使用しないエンドツーエンド検出のメリットを享受し、デプロイの複雑さを軽減できるアプリケーション。
- バランスの取れた速度と精度のトレードオフ： さまざまなモデルスケール全体で、推論速度と検出精度の強力なバランスを必要とするプロジェクト。
- 一貫したレイテンシが求められ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不可欠なデプロイシナリオ。
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 (YOLO26) を選択すべき時#
ほとんどの新しい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の最高の組み合わせを提供します。
- 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。
Ultralyticsの利点：エコシステムとイノベーション#
YOLOv10 と RTDETRv2 は強力な検出機能を提供しますが、モデルの選択は多くの場合、周囲のソフトウェアエコシステムに関係します。Ultralytics Platform は、ディープラーニングの複雑さを抽象化する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。
新しいスタンダード：Ultralytics YOLO26#
絶対的な最高性能を求める開発者にとって、Ultralytics YOLO26 は最近のアーキテクチャの進歩の集大成を表しています。2026年初頭にリリースされた YOLO26 は、YOLOv10 が開拓した End-to-End NMS-Free Design を継承しており、NMS 後処理を完全に排除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（SGDとMuonのハイブリッド）を通じてLLM学習のイノベーションをコンピュータビジョンにもたらし、より安定した学習と高速な収束を実現しました。また、最大43%のCPU推論高速化を誇り、エッジコンピューティングにおける主要な選択肢となっています。
さらに、YOLO26 は ProgLoss + STAL を導入して小物体認識の顕著な改善を実現しており、特化型の YOLOv10 とは異なり、極めて高い汎用性を備えています。object detection、セグメンテーション、ポーズ、およびポーズ用の Residual Log-Likelihood Estimation (RLE) やセマンティックセグメンテーションロスなどのタスク固有の改善を備えた oriented bounding boxes (OBB) をネイティブにサポートしています。さらに、Distribution Focal Loss (DFL) の削除により、シンプル化されたエクスポートと、低電力デバイスでの互換性の向上が保証されます。
使いやすさと学習の効率性#
Ultralytics YOLO11 のような前世代モデルで実験している場合でも、最先端の YOLO26 を使用している場合でも、効率的な Python API により、トレーニング中のメモリ使用量を抑え、非常に高速なワークフローが保証されます。
from ultralytics import RTDETR, YOLO
# Train the end-to-end YOLOv10 model
model_yolo = YOLO("yolov10n.pt")
model_yolo.train(data="coco8.yaml", epochs=100, imgsz=640)
# Alternatively, evaluate RTDETR within the same API
model_rtdetr = RTDETR("rtdetr-l.pt")
results = model_rtdetr.predict("https://ultralytics.com/images/bus.jpg")よくメンテナンスされたエコシステムは、簡単な hyperparameter tuning のためのツールを提供し、豊富なトラッキングソリューションや model deployment options と完璧に統合します。
結論#
YOLOv10とRTDETRv2はどちらも、NMSフリーの物体検出を探求する上での強力なマイルストーンです。RTDETRv2は、メモリ要件は高くなるものの、Transformerが優れたグローバルな文脈理解を伴うリアルタイムのレイテンシを実現できることを証明しています。YOLOv10は、リソースが制限された検出タスク向けに調整された、非常に効率的で高速なCNNの代替手段を提供します。
しかし、バランスの取れたパフォーマンス、マルチタスクの汎用性、そして最も成熟したエコシステムを求める場合、開発者にはUltralytics YOLO26の活用を強く推奨します。これは、先行モデルのアーキテクチャの革新と、ビジョンAIの導入をシームレスな現実に変える堅牢で使いやすいツールが見事に融合しています。