YOLOv5とRTDETRv2
コンピュータービジョンの分野はここ数年で大きく拡大し、開発者が複雑な視覚タスクに取り組むための幅広いアーキテクチャが登場しました。代表的な方式には、畳み込みニューラルネットワーク(CNN)とDetection Transformer(DETR)があり、どちらも物体検出モデルの概要で取り上げています。
このガイドでは、これらのカテゴリで影響力のある2つのモデルを技術的に比較します。高効率で広く採用されているCNNベースのUltralytics YOLOv5と、Transformerベースのリアルタイム物体検出器であるRTDETRv2です。
Ultralytics YOLOv5:効率性における業界標準#
リリース以来、Ultralytics YOLOv5はAIコミュニティの中核を担い、世界中の何千もの商用アプリケーションや研究プロジェクトを支えてきました。PyTorchフレームワーク上に全面的に構築されており、リアルタイム性能を損なうことなく、直感的な開発者エクスペリエンスを優先しています。
主な特徴:
- 著者: Glenn Jocher
- 組織: Ultralytics
- 日付: 2020-06-26
- リンク:GitHubリポジトリ
アーキテクチャと強み#
YOLOv5は、極めて小さなメモリフットプリントを維持しながら特徴抽出の効率を最大化するよう設計された、効率的なCNNアーキテクチャを採用しています。CSPDarknetバックボーンとPANetネックを使用し、マルチスケールの特徴融合に適した強力な構成を実現しています。
YOLOv5の主な利点の一つは、性能バランスです。速度と精度のバランスに優れており、NVIDIA Jetsonデバイスやスマートフォンなど、リソースが限られたハードウェアへのモデルのデプロイに適しています。
YOLOv5は汎用性にも優れています。バウンディングボックスの予測に限定されたモデルとは異なり、オリジナルのYOLOv5リポジトリはインスタンスセグメンテーションと画像分類に対応し、多様な視覚タスクに統一されたフレームワークを提供します。トレーニング効率も高く、Transformerベースのアーキテクチャと比べてトレーニング時のCUDAメモリ使用量を大幅に抑えられます。
弱点#
アンカーベースの検出器であるYOLOv5は、後処理時にNon-Maximum Suppression(NMS)を使って重複するバウンディングボックスを除去します。Ultralyticsフレームワーク内で高度に最適化されていますが、特化型エッジNPUではNMSがレイテンシのボトルネックになる場合があります。
RTDETRv2: BaiduによるリアルタイムTransformer#
RTDETRv2(リアルタイム検出Transformer v2)は、Transformerアーキテクチャをリアルタイム物体検出に適用し、従来のDETRにおける計算効率の問題に対処します。
主な特徴:
- 著者: Wenyu Lv、Yian Zhao、Qinyao Chang、Kui Huang、Guanzhong Wang、Yi Liu
- 組織: Baidu
- 日付: 2024-07-24
- リンク: arXiv論文、GitHubリポジトリ
アーキテクチャと強み#
RTDETRv2は、ハイブリッドエンコーダーと柔軟なデコーダー設計を使って画像を処理し、前身のモデルを発展させています。Transformerのセルフアテンション機構により、画像全体のコンテキストを把握できるため、物体の遮蔽が多い複雑なシーンでも高い性能を発揮します。
RTDETRv2の特徴の一つは、エンドツーエンドのNMSフリー設計です。アンカーボックスやNMSの後処理を必要とせず、物体クエリを直接予測することで、推論パイプラインを簡素化します。このアーキテクチャは、mAP(平均適合率)において、COCOなどのベンチマークデータセットで高いスコアを達成します。
弱点#
リアルタイム処理に対応する一方で、RTDETRv2はYOLOモデルと比べてメモリ要件がかなり高くなっています。Transformerのアテンション機構はシーケンス長に対して二次的にスケールするため、メモリの限られたGPUで高解像度のトレーニングを行うと、メモリ不足エラーが発生する場合があります。また、Ultralyticsエコシステムのようなすぐに使える汎用性には欠け、主に2Dの物体検出に特化しており、セグメンテーションや姿勢推定のネイティブサポートはありません。
性能比較表#
以下の表では、両アーキテクチャの性能指標を比較しています。太字で示した値は、テストしたスケール全体で最も効率的、または最も高い性能を示した指標です。
| 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) |
|---|---|---|---|---|---|---|
| YOLOv5n | 640 | 28.0 | - | 1.12 | 1.9 | 4.5 |
| YOLOv5s | 640 | 37.4 | - | 1.92 | 7.2 | 16.5 |
| YOLOv5m | 640 | 45.4 | - | 4.03 | 21.2 | 49.0 |
| YOLOv5l | 640 | 49.0 | - | 6.61 | 46.5 | 109.1 |
| YOLOv5x | 640 | 50.7 | - | 11.89 | 86.7 | 205.7 |
| 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 |
RTDETRv2-xは実測mAPが最も高い一方、YOLOv5nの約40倍のパラメーターを必要とします。限られたハードウェアで動作する高速アプリケーションでは、小型のUltralyticsモデルの方が計算コストを大幅に抑えられます。
Ultralyticsエコシステムの利点#
研究用ノートブックから本番環境へモデルを移行する際は、モデルを取り巻くソフトウェアもニューラルネットワークのアーキテクチャと同じくらい重要です。Ultralyticsが提供するメンテナンスが行き届いたエコシステムは、開発ライフサイクルを効率化します。
使いやすさ#
Ultralyticsのモデルは、使いやすさを重視して設計されています。カスタムモデルのトレーニング、検証の実行、TensorRTやONNXなどのハードウェア固有フォーマットへのエクスポートまで、Ultralytics Python APIを使えば、わずか数行のコードで実現できます。
Ultralyticsのモデルを使ったトレーニングと推論がいかに簡単かを示す、実用的なコード例を紹介します。
from ultralytics import YOLO
# モデルを初期化します(重みは自動的にダウンロードされます)
model = YOLO("yolov5su.pt") # YOLOv5u: ultralyticsパッケージ向けのアンカーフリーYOLOv5重み
# COCO8データセットでモデルをトレーニングします
results = model.train(data="coco8.yaml", epochs=50, imgsz=640, device="cpu")
# オンライン画像に対して推論を実行します
inference_results = model.predict("https://ultralytics.com/images/bus.jpg")
# バウンディングボックスを重ねて結果画像を表示します
inference_results[0].show()このシンプルで統一されたAPIは、実験トラッキング機能をネイティブにサポートし、Weights & BiasesやCometなどのツールと連携できます。開発者は定型コードを書くことなく、メトリクスを記録できます。
ユースケースと推奨事項#
YOLOv5とRT-DETRのどちらを選ぶかは、プロジェクト固有の要件、デプロイ上の制約、エコシステムに関する好みによって異なります。
YOLOv5を選ぶ場合#
YOLOv5は、次のような場合に適しています。
- 本番環境での実績:YOLOv5の長年にわたる安定性の実績、充実したドキュメント、大規模なコミュニティが重視される既存のデプロイ環境に適しています。
- リソースが限られたトレーニング: GPUリソースが限られており、YOLOv5の効率的なトレーニングパイプラインと低いメモリ要件が有利となる環境です。
- 幅広いエクスポート形式への対応: ONNX、TensorRT、CoreML、LiteRTなど、多様な形式でのデプロイが必要なプロジェクトです。
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。
今後の展望:YOLO11とYOLO26#
今、新しいビジョンプロジェクトを始める場合は、最新世代のUltralyticsモデルをご検討ください。
YOLOv5は今も信頼性の高いモデルですが、YOLO11は精度が向上し、回転バウンディングボックス(OBB)検出を含む、より幅広いタスクに対応しています。
YOLO26は、両方のアプローチの強みを組み合わせ、さらに進化しています。オプションのエンドツーエンドNMSフリーデザイン(nms=False。YOLOモデルにはYOLOv10が導入)を採用し、CNNの効率性を維持しながらNMSの後処理を排除します。また、LLMのトレーニングにおける革新に着想を得たMuSGD Optimizerを導入し、収束を高速化します。DFLの削除(Distribution Focal Lossを削除し、エクスポートを簡素化するとともに、エッジデバイスや低消費電力デバイスとの互換性を向上)により、YOLO26nはYOLO11nよりもCPU推論が最大43%高速になり、エッジAIに適した選択肢となっています。さらに、ProgLoss + STAL(Progressive Lossと小さなターゲットを考慮したラベル割り当て)により、小さな物体の認識が大幅に向上します。これはIoT、ロボティクス、航空画像で重要です。
結論#
YOLOv5とRTDETRv2のどちらを選ぶかは、デプロイ時の制約に大きく左右されます。RTDETRv2はTransformerのアテンション機構により高いmAPを達成しますが、メモリ使用量と計算負荷が大きくなります。
一方、Ultralytics YOLOv5は、クラウドサーバーからエッジデバイスまで効率的に動作する、実績豊富で高度に最適化された汎用ソリューションです。成熟したデプロイツールと高い精度を両立させたいチームには、Ultralyticsエコシステム内でYOLO26へアップグレードすることを、最新のビジョンAIアプリケーション向けに推奨します。
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。