YOLOv10とYOLOv6-3.0
コンピュータービジョンでは、推論速度、モデル精度、デプロイの実現可能性のバランスを取るために、適切な物体検出アーキテクチャを選ぶことが重要です。このガイドでは、学術研究向けのYOLOv10と、産業用途に重点を置いたYOLOv6-3.0を技術的に詳しく比較します。どちらも独自のアーキテクチャ上の革新をもたらし、リアルタイムビジョンシステムのデプロイにおける異なる課題を解決します。
YOLOv10の概要:NMSフリーのリアルタイム検出#
2024年5月にリリースされたYOLOv10は、YOLOファミリーにNMSフリートレーニングを導入し、後処理での非極大値抑制(NMS)を不要にしました。このエンドツーエンド設計は推論レイテンシのボトルネックを最小限に抑え、エッジAIや組み込み環境へのデプロイに非常に適しています。
- 著者: Ao Wang、Hui Chen、Lihao Liuほか
- 組織: 清華大学
- 日付: 2024-05-23
- arXiv: 2405.14458
- GitHub: THU-MIG/yolov10
- ドキュメント: Ultralytics YOLOv10ドキュメント
アーキテクチャの革新#
YOLOv10は、一貫性のあるデュアル割り当て戦略によってNMSフリー機能を実現します。トレーニング中に1対多と1対1の両方のラベル割り当てを利用し、教師信号を強化します。推論時には、Ultralyticsパッケージでnms=Falseを使って選択する1対1ヘッドにより、従来のバウンディングボックスフィルタリングに伴う計算オーバーヘッドを取り除きます。さらにYOLOv10は、効率を総合的に重視した設計を採用し、畳み込みニューラルネットワーク層などの内部構成要素を最適化することで、計算上の冗長性と全体的なパラメーター数を削減します。
YOLOv6-3.0の概要:産業用途の主力モデル#
産業用途向けに特化して開発されたYOLOv6-3.0は、高いGPUスループットを優先しています。専用のサーバークラスGPUで大規模なバッチ処理を行う環境で、最高の性能を発揮します。
- 著者: Chuyi Li、Lulu Li、Yifei Gengほか
- 組織: Meituan
- 日付: 2023-01-13
- arXiv: 2301.05586
- GitHub: meituan/YOLOv6
- ドキュメント: Ultralytics YOLOv6のドキュメント
アーキテクチャの革新#
YOLOv6-3.0は、NVIDIA GPUなどのハードウェアアクセラレータで推論速度を最大化するよう設計された、高度に最適化されたEfficientRepバックボーンが特徴です。バージョン3.0では、スケール間の特徴融合を強化する双方向連結(BiC)モジュールが導入されました。さらに、アンカーベースの検出器の高速な収束と、アンカーフリー方式の汎化能力を組み合わせたアンカー支援トレーニング(AAT)戦略を実装しています。
パフォーマンスと指標の比較#
生の性能を分析すると、YOLOv10のアーキテクチャ上の改良が明らかになります。YOLOv10は、必要なパラメーター数とFLOPsを大幅に削減しながら、より高い平均適合率(mAP)を実現します。
| 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) |
|---|---|---|---|---|---|---|
| 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 |
| YOLOv6-3.0n | 640 | 37.5 | - | 1.17 | 4.7 | 11.4 |
| YOLOv6-3.0s | 640 | 45.0 | - | 2.66 | 18.5 | 45.3 |
| YOLOv6-3.0m | 640 | 50.0 | - | 5.28 | 34.9 | 85.8 |
| YOLOv6-3.0l | 640 | 52.8 | - | 8.95 | 59.6 | 150.7 |
T4 GPU上で純粋なTensorRT実行を行う場合、YOLOv6-3.0はNanoバリアントで速度面の優位性を維持しますが、YOLOv10は各サイズでパラメーター数を約半分以下に抑えながら高い精度を達成するため、総合的な性能バランスはYOLOv10に有利です。
Ultralytics YOLOモデルは、複雑なTransformerモデルよりも、トレーニング時と推論時に必要なメモリが少ない傾向があります。そのため、リソースに制約のあるデバイスでもスケーリングやデプロイが容易です。
Ultralyticsエコシステムの利点#
Ultralyticsパッケージを通じてYOLOv10を利用する利点は、アーキテクチャの性能だけにとどまりません。機械学習のライフサイクル全体を簡素化する、継続的にメンテナンスされているエコシステムを利用できます。YOLOv6の元のリポジトリは研究に重点を置いており、Ultralyticsでは、事前学習済み重みのないYAML定義の検出モデルとしてのみYOLOv6をサポートしています。
- 使いやすさ: Ultralytics Python APIは、開発者がわずか数行のコードでモデルをトレーニングしてエクスポートできる、合理化されたユーザーエクスペリエンスを提供します。
- 汎用性:検出に特化したYOLOv6とは異なり、Ultralyticsエコシステムでは統一されたインターフェースを通じて、インスタンスセグメンテーション、画像分類、姿勢推定、回転バウンディングボックス(OBB)検出を実行できます。
- 充実したメンテナンス体制のエコシステム:頻繁なアップデート、強力なコミュニティサポート、OpenVINOやONNXなどの業界標準との統合を提供します。
コード例:一貫したトレーニングワークフロー#
Ultralytics Pythonパッケージを使えば、モデルのトレーニングを簡単に行えます。システムが複雑なデータ拡張とデバイスのスケーリングを自動的に処理します。
from ultralytics import YOLO
# 効率的なYOLOv10モデルを読み込みます(nms=Falseを指定してNMSフリーヘッドを選択します)
model = YOLO("yolov10n.pt")
# Ultralyticsのパイプラインを使用してモデルをトレーニングします
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=0, batch=16)
# 物体検出の推論を実行します
predictions = model.predict("https://ultralytics.com/images/bus.jpg")
# エッジへのデプロイを簡素化するため、ONNXにエクスポートします
model.export(format="onnx")ユースケースと推奨事項#
YOLOv10とYOLOv6のどちらを選ぶかは、具体的なプロジェクト要件、デプロイの制約、エコシステムに関する希望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。
YOLOv6を選ぶ場合#
YOLOv6は、次のような場合に推奨されます。
- 産業用ハードウェアを考慮したデプロイ: モデルのハードウェアを考慮した設計と効率的な再パラメーター化によって、特定のターゲットハードウェア上で最適な性能が得られるシナリオです。
- 高速な1ステージ検出: 制御された環境でのリアルタイム動画処理において、GPU上での生の推論速度を重視するアプリケーションです。
- Meituanエコシステムとの統合: すでにMeituanの技術スタックとデプロイインフラストラクチャを利用しているチームです。
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による高速化機能のないデバイスでは、YOLO26nはCPU上でYOLO11nより最大43%高速に動作します。
- 小物体検出: ドローンによる空撮画像やIoTセンサー分析などの難しいシナリオでは、ProgLossとSTALが小さな物体の精度を向上させます。
推奨モデル:Ultralytics YOLO26#
YOLOv10はYOLOモデルにNMSフリートレーニングを導入し、YOLOv6-3.0はGPUスループットを最適化しましたが、本番環境で推奨されるのはUltralytics YOLO26です。
2026年1月にリリースされたYOLO26は、先行モデルの基礎的なアイデアを発展させ、エッジファーストのビジョンモデルファミリーとして洗練させています。
- エンドツーエンドのNMSフリー設計:YOLOv10の基盤を受け継ぐYOLO26のオプションのNMSフリーヘッド(
nms=False)は、NMSの後処理を省略します。これによりデプロイパイプラインが簡素化され、レイテンシーをより予測しやすくなります。 - DFLの除去:Distribution Focal Loss(DFL)を除去することで、エクスポートが簡素化され、低消費電力のIoTハードウェアでの互換性と速度が向上します。
- MuSGDオプティマイザー:大規模言語モデルの技術革新に着想を得たYOLO26は、SGDとMuonを組み合わせたハイブリッドのMuSGDオプティマイザーを使用し、より安定したトレーニングと高速な収束を実現します。
- CPU推論の高速化:エッジデバイス向けの最適化により、YOLO26nはYOLO11nよりもCPU推論が最大43%高速です。一方、YOLOv6-3.0は主にGPUスループットを重視して設計されています。
- ProgLoss + STAL:Progressive Lossと小物体を考慮したラベル割り当てにより、小物体検出が向上するため、YOLO26は航空画像やドローン分析に適しています。
コンピュータービジョンのスタックをアップグレードする場合、移行は簡単です。YOLO11などのモデルは引き続き完全にサポートされていますが、新規プロジェクトにはYOLO26とUltralytics Platformの組み合わせを推奨します。
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。