YOLOv6-3.0とPP-YOLOE+の比較
リアルタイム物体検出のフレームワークを選ぶ際、機械学習エンジニアはさまざまな高性能アーキテクチャを比較検討します。産業用途で注目されるモデルには、YOLOv6-3.0とPP-YOLOE+があります。どちらも精度と速度の限界を押し広げてきましたが、対象とするエコシステムやデプロイメント用ハードウェアは若干異なります。
この技術比較では、両モデルのアーキテクチャ、性能指標、トレーニング手法を詳しく解説するとともに、より幅広いタスクに対応し、ワークフローを簡素化するUltralytics YOLO26などの最新の代替モデルも紹介します。
YOLOv6-3.0:高スループットの産業用エンジン#
MeituanのVision AI部門が開発したYOLOv6-3.0は、特に強力なサーバーグレードGPUを活用する産業環境向けに高度に最適化されています。
- 著者: Chuyi Li、Lulu Li、Yifei Geng、Hongliang Jiang、Meng Cheng、Bo Zhang、Zaidan Ke、Xiaoming Xu、Xiangxiang Chu
- 組織: Meituan
- 日付: 2023-01-13
- arXiv: 2301.05586
- GitHub: meituan/YOLOv6
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ーを最大限に活用するよう特別に設計されたEfficientRepバックボーンを使用します。このアーキテクチャでは、ネックに双方向連結 (BiC)モジュールを導入し、マルチスケール特徴の融合を改善しています。さらに、アンカー支援トレーニング (AAT)戦略を採用しています。このハイブリッドなアプローチでは、トレーニング段階でアンカーベースのネットワークの安定した収束を活用し、推論時にはアンカーを破棄してアンカーフリー検出器に典型的な速度を維持します。
PP-YOLOE+:PaddlePaddleの検出モデルの最高峰#
PP-YOLOE+は、Baiduの研究者がPaddlePaddleフレームワーク内で開発したPP-YOLOシリーズの進化版です。Paddleエコシステムがすでに確立されている環境で優れた性能を発揮します。
- 著者: PaddlePaddle Authors
- 組織: Baidu
- 日付: 2022-04-02
- arXiv: 2203.16250
- GitHub: PaddlePaddle/PaddleDetection
アーキテクチャの革新#
PP-YOLOE+は、TAL (Task Alignment Learning) と呼ばれる動的なラベル割り当て戦略を導入したアンカーフリー検出器です。CSPRepResNetバックボーンを使用し、計算効率を維持しながら意味特徴を効率的に捉えます。このモデルはTensorRTとOpenVINOによるデプロイ向けに最適化されており、ユーザーがPaddlePaddleフレームワークに抵抗がなければ、エッジおよびサーバーへのデプロイで有力な候補となります。プロジェクトで必要な場合、UltralyticsモデルはPaddlePaddle形式にエクスポートすることもできます。
PP-YOLOE+は優れた結果を出しますが、PaddlePaddleに依存するため、PyTorchに慣れたエンジニアには習得に時間がかかる場合があります。Ultralyticsのような統合フレームワークを利用すると、セットアップ時間を短縮できます。
パフォーマンス比較#
これらのモデルを評価するには、平均適合率(mAP)と推論速度のバランスを確認する必要があります。以下の表では、COCO検証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) | mAPval50-95 | 速度 CPU ONNX (ms) | 速度 T4 TensorRT10 (ms) | パラメーター (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| 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 |
| PP-YOLOE+t | 640 | 39.9 | - | 2.84 | 4.85 | 19.15 |
| PP-YOLOE+s | 640 | 43.7 | - | 2.62 | 7.93 | 17.36 |
| PP-YOLOE+m | 640 | 49.8 | - | 5.56 | 23.43 | 49.91 |
| PP-YOLOE+l | 640 | 52.9 | - | 8.36 | 52.2 | 110.07 |
| PP-YOLOE+x | 640 | 54.7 | - | 14.3 | 98.42 | 206.59 |
どちらのモデルも優れた性能を示しますが、小さなモデルサイズではYOLOv6-3.0がTensorRTの純粋な速度でわずかに優位に立つ傾向があり、高速なセルフレジや製造業の欠陥検出に効果的です。一方、PP-YOLOE+はパラメーター数を増やして最高精度を目指す場合に適しています。
Ultralyticsの強み:YOLO26の紹介#
YOLOv6-3.0とPP-YOLOE+はいずれも高性能ですが、コンピュータービジョンの急速な進化により、純粋な速度だけでなく、使いやすさ、少ないメモリ要件、統合されたエコシステムを備えたアーキテクチャが求められています。Ultralytics YOLOモデル、特にYOLO11と最新のYOLO26は、これらの要件を念頭に設計されています。
2026年1月にリリースされたYOLO26は、エッジファーストおよびクラウドへのデプロイを想定して設計されており、旧モデルと比較して複数の利点があります。
- エンドツーエンドのNMSフリーデザイン: YOLOv10が築いた基盤を引き継ぎ、YOLO26のオプションのワンツーワンヘッド(
nms=False)は、後処理時のNon-Maximum Suppression (NMS)を省略します。これにより、デプロイのロジックが簡素化され、混雑したシーンでのレイテンシのばらつきが低減します。 - CPU推論が最大43%高速: Distribution Focal Loss (DFL) を削除したことで、YOLO26nはYOLO11nよりもCPU上で最大43%高速に動作し、IoTデバイスやモバイルアプリケーションに適しています。
- MuSGDオプティマイザー: Moonshot AIのKimi K2など、大規模言語モデル (LLM) のトレーニング手法に着想を得たハイブリッドMuSGDオプティマイザーは、SGDとMuonを組み合わせ、安定した効率的なトレーニングを実現します。
- ProgLoss + STAL: プログレッシブロスと小物体を考慮したラベル割り当てにより、小物体の認識性能が向上します。これは、ドローン画像や航空監視において重要です。
- タスク全般にわたる汎用性: 検出に大きく特化したYOLOv6-3.0とは異なり、YOLO26は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、分類、姿勢推定、回転バウンディングボックス (OBB)検出を標準でサポートします。
効率化された学習エコシステム#
PP-YOLOE+のデプロイではPaddlePaddle環境の管理が必要であり、YOLOv6-3.0では研究向けスクリプトを扱う必要があります。一方、PythonパッケージのultralyticsとUltralytics Platformを使えば、トレーニング、検証、エクスポートを1つのワークフローで実行できます。
最先端のYOLO26モデルの学習は、わずか数行のPythonコードで実行できます。
from ultralytics import YOLO
# YOLO26 nanoモデルを初期化します
model = YOLO("yolo26n.pt")
# カスタムデータセットでモデルを学習します(optimizer='auto'は、学習時間が長い場合にMuSGDを選択します)
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# モデルの精度を検証します
metrics = model.val()
# TensorRTにエクスポートします(OpenVINOの場合はformat="openvino"を使用します)
path = model.export(format="engine")このシンプルなAPIと、RT-DETRのようなTransformerを多用するモデルと比較したトレーニング時のメモリ使用量の少なさにより、より多くのチームが高性能な検出を利用できます。
最適なユースケースとデプロイ戦略#
適切なモデルを選ぶことが、デプロイメントパイプラインの成功を左右します。
YOLOv6-3.0を使う場面#
- 高速な製造ライン:産業用カメラを専用のNVIDIA T4またはA100 GPUに直接接続し、5ms未満の一貫した推論が求められる環境です。
- サーバー側の動画分析: GPUの純粋なスループットが主なボトルネックとなる、密度の高い複数の動画ストリームを処理する場合に適しています。
PP-YOLOE+を使用する場面#
- Baidu/Paddleエコシステム:PaddlePaddleの技術スタックに大きく投資しているエンタープライズ環境、またはBaiduのツールチェーン向けに最適化されたハードウェアに特化してデプロイする環境です。
- 高精度な静止画像:エッジでのデプロイメント速度よりも、Extra-Large(PP-YOLOE+x)モデルの高いmAPが重要となるシナリオです。
Ultralytics YOLO26を選ぶ場面#
- エッジデバイスとIoTデバイス: オプションのNMSフリー推論とDFLの削除により、YOLO26はRaspberry Pi、NXP、モバイルCPUへのデプロイに適しています。
- マルチタスクアプリケーション:統合APIを使用して、物体追跡、姿勢推定、セグメンテーションを同時に実行する必要があるプロジェクトです。
- ラピッドプロトタイピングから本番環境まで: Ultralytics Platformを活用し、データセットのアノテーション、ハイパーパラメーターの調整、ワンクリックのモデルデプロイを効率化するチームに適しています。
物体検出モデルの幅広い選択肢を調べたい開発者には、YOLOXやDAMO-YOLOなどのフレームワークも独自のアーキテクチャを提供しており、Ultralyticsのドキュメントで確認する価値があります。
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。