Ultralytics YOLO27:

YOLOv6-3.0 vs RTDETRv2#

コンピュータービジョンアプリケーションに最適なアーキテクチャを選択するには、速度、精度、デプロイ制約のバランスを取る必要があります。この包括的な技術分析では、高スループットのGPU環境向けに設計された産業グレードの畳み込みニューラルネットワーク (CNN) である YOLOv6-3.0 と、アテンション機構をリアルタイム物体検出に導入した最先端のTransformerベースモデルである RTDETRv2 を比較します。

どちらのモデルも人工知能研究における重要な成果を示していますが、より汎用的で効率的なパイプラインを求める開発者は、堅牢な Ultralytics Platform を選ぶことが多くなっています。

YOLOv6-3.0：産業用スループット#

MeituanのVision AI Departmentによって開発されたYOLOv6-3.0は、NVIDIA GPUなどのハードウェアアクセラレーター上での生の処理速度の最大化に重点を置いており、レガシーな産業用アプリケーションにおける地位を確立しています。

アーキテクチャの主な特徴#

YOLOv6-3.0は、高速GPU推論に特化したハードウェアフレンドリーな EfficientRep バックボーンを採用しています。このアーキテクチャは、異なる空間解像度間の特徴融合を強化するため、ネック部分に双方向連結 (BiC) モジュールを統合しています。トレーニング時には、アンカーベースのトレーニングの長所を活用しながら、アンカーフリーの推論パイプラインを維持するアンカー支援トレーニング (AAT) 戦略を利用します。

長所と短所#

強み:

  • T4やA100 GPUなどのサーバーグレードハードウェア上で、非常に高いスループットを実現します。
  • RepOptを使用したINT8デプロイメント向けの専用量子化チュートリアルを提供します。
  • 大規模な動画分析に適したパラメーター数と速度の比率を実現します。

弱み:

  • 主にバウンディングボックス検出器であり、Ultralytics YOLO11などのモデルに見られる、すぐに利用できるマルチタスク対応（例：Pose、OBB）の汎用性に欠けています。
  • 後処理で複雑なNon-Maximum Suppression (NMS) に大きく依存するため、レイテンシーのばらつきが増加します。
  • 主流のフレームワークと比べてエコシステムの活動が低調であり、アップデートやコミュニティサポートの予測可能性が低くなっています。

YOLOv6の詳細をご覧ください

RTDETRv2：リアルタイムTransformer#

Baiduの研究者が主導したRTDETRv2は、独自の検出Transformerフレームワークを「bag-of-freebies」アプローチによって改良したもので、リアルタイム性を損なうことなく最先端の精度を実現しています。

  • 著者： Wenyu Lv、Yian Zhao、Qinyao Chang、Kui Huang、Guanzhong Wang、Yi Liu
  • 組織： Baidu
  • 日付： 2024-07-24
  • ArXiv: 2407.17140
  • GitHub: lyuwenyu/RT-DETR

アーキテクチャの主な特徴#

従来のCNNとは異なり、RTDETRv2はネイティブにエンドツーエンドで動作します。Transformerのアテンションレイヤーを活用することで、アーキテクチャはNMS後処理の必要性を完全に排除しています。これにより、推論パイプラインが簡素化されます。RTDETRv2は、高度に最適化されたクロススケール特徴融合と効率的なハイブリッドエンコーダーを導入しており、標準的な COCOデータセットを優れた精度で処理できます。

長所と短所#

強み:

  • Transformerベースのアテンション機構により、特に複雑または密集したシーンで優れた平均適合率 (mAP)を実現します。
  • NMSフリー設計により推論レイテンシーが標準化され、本番環境への統合が簡素化されます。
  • ハードウェア制約が少なく、絶対的に最大の精度が求められるシナリオに最適です。

弱み:

  • Transformerレイヤーはトレーニング中に大量のCUDAメモリを必要とするため、ハイエンドGPUにアクセスできない研究者には利用が難しくなります。
  • CPU推論速度は専用のエッジCNNよりも大幅に遅く、モバイルデバイスやIoTデバイスでの用途が制限されます。
  • 従来の機械学習運用 (MLOps)に慣れたチームにとって、セットアップとチューニングは複雑になる場合があります。

RT-DETR についての詳細情報はこちら

詳細な性能比較#

次の表では、主要なパフォーマンス指標に基づいてYOLOv6-3.0とRTDETRv2をベンチマークします。YOLOv6のパラメーター効率とRTDETRv2の生の精度との明確な違いに注目してください。

モデルサイズ
（ピクセル）		mAPval
50-95		速度
CPU ONNX
（ms）		速度
T4 TensorRT10
（ms）		パラメーター数
（M）		FLOPs
（B）
YOLOv6-3.0n64037.5-1.174.711.4
YOLOv6-3.0s64045.0-2.6618.545.3
YOLOv6-3.0m64050.0-5.2834.985.8
YOLOv6-3.0l64052.8-8.9559.6150.7
RTDETRv2-s64048.1-5.032060
RTDETRv2-m64051.9-7.5136100
RTDETRv2-l64053.4-9.7642136
RTDETRv2-x64054.3-15.0376259
デプロイのヒント

Raspberry PiのようなCPUのみのハードウェアにデプロイする場合、CNNベースのモデルは一般にTransformerアーキテクチャをフレーム毎秒 (FPS) で大幅に上回ります。エッジでの最適なパフォーマンスを得るには、OpenVINOを利用して推論を高速化することを検討してください。

ユースケースと推奨事項#

YOLOv6とRT-DETRのどちらを選ぶかは、具体的なプロジェクト要件、デプロイ制約、エコシステムに関する好みによって決まります。

YOLOv6を選択する場合#

YOLOv6は、次のような用途に適しています。

  • 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化により、特定の対象ハードウェア上で最適化された性能が得られるシナリオ。
  • 高速なシングルステージ検出: 管理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優先するアプリケーション。
  • 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。

RT-DETRを選択するケース#

RT-DETRは次の用途に推奨されます。

  • Transformerベースの検出研究： NMSを使用しないエンドツーエンド物体検出のために、アテンションメカニズムやTransformerアーキテクチャを研究するプロジェクト。
  • 柔軟なレイテンシーを許容できる高精度シナリオ： 検出精度を最優先し、やや高い推論レイテンシーを許容できるアプリケーション。
  • 大きな物体の検出： 主に中型から大型の物体が存在し、Transformerのグローバルアテンションメカニズムが本質的な優位性を発揮するシーン。

Ultralytics (YOLO26)を選ぶタイミング#

ほとんどの新規プロジェクトでは、Ultralytics YOLO26が性能と開発者エクスペリエンスの最適な組み合わせを提供します。

  • NMSフリーのエッジデプロイ: Non-Maximum Suppressionの後処理を複雑にすることなく、一貫した低レイテンシー推論が必要なアプリケーション。
  • CPUのみの環境: 専用GPUアクセラレーションを持たないデバイスで、YOLO26の最大43%高速なCPU推論が決定的な優位性となる場合。
  • 小さな物体の検出: aerial drone imageryやIoTセンサー分析など、ProgLossとSTALによって微小物体の精度が大幅に向上する難しいシナリオ。

Ultralyticsの優位性：YOLO26の登場#

YOLOv6-3.0とRTDETRv2はそれぞれの得意分野で優れていますが、現代の機械学習環境では、速度、精度、開発者エクスペリエンスを融合したモデルが求められています。Ultralyticsエコシステムは、特に YOLO26 のリリースによって、こうしたニーズに的確に対応します。

2026年1月にリリースされたUltralytics YOLO26は、コンピュータービジョンの決定的な標準を示すモデルであり、YOLOv8のような旧世代モデルや、YOLO12のようなコミュニティによるフォークを大幅に上回ります。

YOLO26が競合を上回る理由#

  1. エンドツーエンドのNMSフリー設計： YOLOv10で初めて導入されたこの設計により、YOLO26はNMS後処理をネイティブに排除します。これにより、高度に最適化されたCNNの非常に高速な処理速度を維持しながら、RTDETRv2のデプロイの容易さを実現します。
  2. MuSGDオプティマイザー： 大規模言語モデルのイノベーション（Moonshot AIのKimi K2など）に着想を得たYOLO26は、SGDとMuonのハイブリッドを利用します。これにより、非常に安定したトレーニングダイナミクスと迅速な収束を実現し、カスタムデータセットに必要な時間とコンピューティングリソースを削減します。
  3. 卓越したエッジパフォーマンス： 完全なDFL削除 (DFL Removal) を実行することで、YOLO26はエクスポートアーキテクチャを簡素化します。この最適化により、旧世代モデルと比較して CPU推論が最大43%高速化 され、エッジAIおよびIoTデバイス向けの明確な最適解となります。
  4. 小規模物体検出の強化： ProgLossとSTAL損失関数の導入により、小規模物体の検出性能が大幅に向上します。これは、ドローン分析や航空画像において重要な要件であり、YOLOv6がこれまで苦手としていた領域です。
  5. タスクの多様性: 検出に特化しているYOLOv6とは異なり、YOLO26はインスタンスセグメンテーション、ポーズ推定、画像分類、指向性バウンディングボックス (OBB)を含むマルチタスクワークフローを、すべて単一の統合APIからサポートします。

トレーニング効率と使いやすさ#

Ultralytics Python APIは、開発者の生産性を最大化するように設計されています。スタンドアロンの研究リポジトリで必要となる複雑な環境セットアップを完全に回避し、わずか数行のコードでトレーニングからデプロイメントへ移行できます。

以下は、Ultralyticsパッケージを使用して最先端のYOLO26モデルをトレーニングおよび検証する、完全に実行可能な例です。

from ultralytics import YOLO

# Load the state-of-the-art YOLO26 Nano model
model = YOLO("yolo26n.pt")

# Train the model on a custom dataset (e.g., COCO8) for 50 epochs
# The API automatically handles dataset caching and environment config
train_results = model.train(data="coco8.yaml", epochs=50, imgsz=640)

# Validate the model's accuracy on the validation split
val_metrics = model.val()
print(f"Validation mAP50-95: {val_metrics.box.map:.4f}")

# Export the trained model to ONNX for production deployment
model.export(format="onnx")

まとめ#

YOLOv6-3.0とRTDETRv2は、いずれもAIコミュニティへの優れた貢献です。YOLOv6-3.0は生のGPU産業オートメーション向けの強力なツールであり、RTDETRv2はTransformerアーキテクチャが精度を最大化しながらリアルタイムのレイテンシーを実現できることを示しています。

ただし、信頼性の高い本番環境対応フレームワークと活発なコミュニティサポートを必要とするチームにとって、Ultralytics YOLOモデルは一貫してより優れた選択肢です。Hugging FaceやTensorRTなどのプラットフォームとのシームレスな統合に加え、トレーニング中のメモリオーバーヘッドが非常に小さいため、高度なAIを幅広い開発者が利用できるようになります。YOLO26にアップグレードすることで、開発者は画期的なMuSGDオプティマイザーとNMSフリーアーキテクチャを活用し、より高速で高性能、かつスケーラブルなコンピュータービジョンパイプラインを構築できます。

貢献者
GLglenn-jocher17PDpderrenger2

コメント