YOLOv10とYOLOv7
ここ数年のコンピュータービジョンの急速な進歩により、リアルタイムアプリケーション向けの効率的なアーキテクチャが次々と登場しました。YOLOv10とYOLOv7の比較から、この進化における重要な転換期がわかります。YOLOv7が効果的なトレーニング手法とアーキテクチャのスケーリングを導入した一方、YOLOv10は長年使われてきた非極大値抑制(NMS)への依存を取り除き、デプロイを簡素化しました。
どちらのモデルも、それぞれのリリース時に物体検出の限界を押し広げました。現在はUltralyticsエコシステムとYOLO26などの新しいモデルにより、トレーニングとデプロイのワークフローがさらに簡素化されています。
モデルの概要と起源#
これらのモデルの起源を理解することは、アーキテクチャ設計の選択や、それを支える学術研究を把握するうえで役立ちます。
YOLOv10の詳細#
- 著者: Ao Wang、Hui Chen、Lihao Liuほか
- 組織: 清華大学
- 日付: 2024-05-23
- arXiv: YOLOv10:リアルタイムのエンドツーエンド物体検出
- GitHub: THU-MIG/yolov10
- ドキュメント: Ultralytics YOLOv10ドキュメント
YOLOv7の詳細#
- 著者: Chien-Yao Wang、Alexey Bochkovskiy、Hong-Yuan Mark Liao
- 組織: 台湾、中央研究院情報科学研究所
- 日付: 2022-07-06
- arXiv: YOLOv7:新たな最先端技術を実現する学習可能なbag-of-freebies
- GitHub: WongKinYiu/yolov7
- ドキュメント: Ultralytics YOLOv7ドキュメント
アーキテクチャの革新#
YOLOv7の手法#
2022年にリリースされたYOLOv7は、勾配経路の最適化を重視しました。Extended Efficient Layer Aggregation Network(E-ELAN)を導入し、元の勾配経路を損なうことなく、モデルがより多様な特徴を学習できるようにしました。また、著者らは「trainable bag-of-freebies」手法を実装し、トレーニング中に再パラメーター化技術を用いる一方、推論時にはその処理を統合して高速な実行速度を維持しました。こうした最適化にもかかわらず、YOLOv7は後処理にNMSを使用するため、物体が密集したシーンの分析ではレイテンシが変動します。
YOLOv10のアプローチ#
YOLOv10はNMSのボトルネックに直接対処しました。トレーニング中に一貫性のあるデュアル割り当てを導入することで、清華大学のチームはNMSフリーのエンドツーエンド検出を実現しました。このデュアルヘッド方式では、一方のブランチがトレーニング中に豊富な教師信号を得るための1対多割り当てを行い、もう一方のブランチがNMSフリー推論のための1対1割り当てを行います。このアーキテクチャの転換により、高速な動画分析に適した、安定した低い推論レイテンシが得られます。さらにYOLOv10は、効率と精度を総合的に重視するモデル設計を採用し、旧世代に見られた計算上の冗長性を取り除いています。
NMS後処理をなくすことで推論が高速化し、AIアクセラレーターやNPUなど、カスタムNMS処理のコンパイルが難しいエッジAIハードウェアへのデプロイも簡素化されます。
パフォーマンス比較#
MS COCOデータセットの生の指標を比較すると、世代間の差は明らかです。YOLOv10は、パラメーター数、計算要件、精度の間で、より優れたトレードオフを実現しています。
| 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 |
| YOLOv7l | 640 | 51.4 | - | 6.84 | 36.9 | 104.7 |
| YOLOv7x | 640 | 53.1 | - | 11.57 | 71.3 | 189.9 |
上記のとおり、YOLOv10xはYOLOv7xより高いmAP(54.4%対53.1%)を達成しながら、パラメーター数は半分未満(29.5M対71.3M)です。軽量なYOLOv10 NanoおよびSmallモデルも、T4上で1.84 msおよび2.49 msという高速なTensorRTデプロイ速度を実現し、エッジデプロイに適しています。
Ultralyticsエコシステムの利点#
アーキテクチャに関する論文を読むことは有益ですが、現代のコンピュータービジョン開発では、適切にメンテナンスされたフレームワークが重要です。プロトタイプから本番環境へ迅速に移行したい開発者にとって、Ultralyticsがサポートするモデルを選ぶことは大きな利点です。
効率化された開発#
YOLOv10は標準のUltralytics Pythonパッケージでネイティブにサポートされています。一方、上流でトレーニングされたYOLOv7のチェックポイントをUltralyticsで実行するには、ONNXまたはTensorRTへのエクスポートが必要です。ネイティブサポートにより、定型コードの代わりにシンプルで直感的なAPIを使えるため、使いやすさが向上します。Ultralytics YOLOモデルは重いTransformerアーキテクチャよりトレーニング時のCUDAメモリ使用量も少なく、一般向けハードウェアでもバッチサイズを大きくできます。
汎用性#
旧式のリポジトリはバウンディングボックス検出に特化していることが多い一方、Ultralyticsフレームワークでは、YOLO26やYOLO11などのモデルを通じて幅広いタスクをサポートしています。インスタンスセグメンテーション、ポーズ推定、Oriented Bounding Box(OBB)検出のいずれでも、ワークフローは変わりません。
コード例:一貫したトレーニングワークフロー#
次のコード例では、データ拡張と学習率スケジューリングを自動処理するトレーニング手順を示します。
from ultralytics import YOLO
# 目的のモデルを読み込みます(例:YOLOv10または推奨モデルのYOLO26)
model = YOLO("yolo26n.pt")
# データセットでモデルをトレーニングする
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, batch=16, device=0)
# 迅速なデプロイに向けてONNX形式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YOLOv7のどちらを選ぶかは、プロジェクト固有の要件、デプロイ上の制約、エコシステムの好みによって決まります。
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。
YOLOv7を選ぶ場合#
YOLOv7は次の用途におすすめです。
- 学術的なベンチマーク: 2022年当時の最先端の結果を再現する場合、またはE-ELANやトレーニング可能なbag-of-freebies技術の効果を研究する場合。
- 再パラメーター化の研究: 計画的な再パラメーター化畳み込みや、複合モデルスケーリング戦略を調査する場合。
- 既存のカスタムパイプライン: YOLOv7固有のアーキテクチャを中心に高度にカスタマイズされ、容易にリファクタリングできないパイプラインを使用するプロジェクト。
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。
新たなスタンダード:YOLO26の紹介#
YOLOv10は2024年に大きな進歩をもたらしましたが、この分野は急速に進化しています。新規開発では、Ultralyticsは最新世代のモデルであるUltralytics YOLO26を推奨します。2026年1月にリリースされたYOLO26は、リアルタイムビジョンAIにおいてYOLOv7とYOLOv10の後継となるモデルです。
YOLO26は、最新のデプロイ環境向けに設計された複数の改良を備えています。
- エンドツーエンドNMSフリー設計: YOLOv10が確立した基盤を引き継ぎ、YOLO26のオプションの1対1ヘッド(
nms=False)はNMS後処理を省略し、デプロイパイプラインを簡素化して推論速度を安定させます。 - CPU推論が最大43%高速: YOLO26nはCPU上でYOLO11nより最大43%高速に動作するため、エッジコンピューティングや専用GPUのないデバイスに適しており、ハードウェアコストの削減にもつながります。
- DFLの削除: Distribution Focal Loss(DFL)を取り除くことで、エクスポート処理が簡素化され、低消費電力のエッジデバイスとの互換性が向上します。
- MuSGD Optimizer: Moonshot AIのKimi K2に着想を得たSGDとMuonのハイブリッドで、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。
- ProgLoss + STAL: 漸進的な損失関数と、小さなターゲットを考慮したラベル割り当て戦略により、小物体の認識性能が向上します。これは従来から難しい課題であり、ドローン、ロボティクス、スマートシティの監視で特に重要です。
- タスク固有の改良: YOLO26は単なる検出器ではありません。インスタンスセグメンテーションの収束を改善するセマンティックセグメンテーション損失、より正確なポーズ推定を実現するResidual Log-Likelihood Estimation(RLE)、OBBの境界問題を解決する専用の角度損失を追加しています。
データセットの管理、YOLO26のトレーニング、モデルのクラウドへのデプロイには、Ultralytics Platformをご利用ください。コード不要のインターフェースはPythonパッケージを補完します。
実際のユースケース#
適切なアーキテクチャの選択は、ハードウェアとアプリケーション上の制約に大きく左右されます。
YOLOv7を使用する場合#
YOLOv7は、テンソル構造と深く統合済みのレガシーパイプラインの保守や、2022年および2023年の学術ベンチマークの再現には、引き続き信頼できる選択肢です。ハイエンドのサーバーGPUでも良好に動作します。
YOLOv10を使用する場合#
YOLOv10は、レイテンシの安定性が求められるシナリオに適しています。NMSフリーヘッドは検出数に応じて処理量が増える後処理を回避するため、対象物の数が変動してもフレームごとの処理時間を一定に保つ必要がある、高密度な群衆の人数カウントや製造工程の欠陥検出に適しています。
YOLO26を使う場面#
新規プロジェクトにはYOLO26を推奨します。Raspberry Piでの警報システムのデプロイから大規模なクラウドベースの動画分析まで、CPU推論の高速化と小物体検出の改善により、旧世代モデルに対して明確な優位性があります。
別のアーキテクチャに関心がある開発者向けに、UltralyticsはRT-DETRのようなTransformerベースの検出器や、Ultralytics YOLO11のような旧モデルもサポートしています。
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。