YOLOv6-3.0と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ぶには、速度、精度、デプロイ上の制約のバランスを取る必要があります。この技術比較では、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、リアルタイム物体検出にアテンション機構を導入するTransformerベースのモデルであるRTDETRv2を分析します。
どちらのモデルも人工知能研究における重要な節目ですが、より汎用的で効率的なパイプラインを求める開発者は、しばしばUltralytics Platformを選択します。
YOLOv6-3.0:産業用スループット#
MeituanのVision AI Departmentが開発したYOLOv6-3.0は、NVIDIA GPUなどのハードウェアアクセラレーターで処理速度を最大化することを重視しており、産業用途で広く使われています。
- 著者: Chuyi Li、Lulu Li、Yifei Gengほか
- 組織: Meituan
- 日付: 2023-01-13
- arXiv: 2301.05586
- GitHub: meituan/YOLOv6
アーキテクチャの主な特徴#
YOLOv6-3.0は、高速なGPU推論に特化した、ハードウェア親和性の高いEfficientRepバックボーンを採用しています。アーキテクチャのネック部分には双方向連結(BiC)モジュールを組み込み、異なる空間解像度間の特徴融合を強化しています。学習時には、アンカーベース学習の利点を活かしつつ、アンカーフリーの推論パイプラインを維持するAnchor-Aided Training(AAT)戦略を利用します。
強みと弱み#
強み:
- T4やA100 GPUなど、サーバーグレードのハードウェアで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に、専門的な量子化チュートリアルを提供しています。
- 大規模な動画分析に適した、パラメーター数と速度の優れたバランスを備えています。
弱み:
- 主にバウンディングボックス検出器であり、Ultralytics YOLO11のようなモデルが標準で備えるマルチタスクの汎用性(例:Pose、OBB)はありません。
- Non-Maximum Suppression (NMS) による後処理に依存しており、レイテンシのばらつきが大きくなります。
- 主流のフレームワークと比べてエコシステムの活動が少なく、アップデートやコミュニティサポートの予測が困難です。
RTDETRv2:リアルタイムTransformer#
Baiduの研究者が主導するRTDETRv2は、元のRT-DETRを基盤とし、「bag-of-freebies」アプローチで検出Transformerフレームワークを改良することで、リアルタイムの速度を維持しながら精度を向上させています。
- 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。ワンツーワンマッチングを用いたTransformerアテンション層により、アーキテクチャはNMSによる後処理を不要にします。これにより、推論パイプラインを簡素化できます。RTDETRv2は、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使用し、COCOデータセットで高い精度を達成します。
強みと弱み#
強み:
- Transformerベースのアテンション機構により、高い平均適合率 (mAP)を実現し、特に複雑なシーンや密集したシーンで優れた性能を発揮します。
- NMSフリー設計により推論レイテンシーが安定し、本番環境への統合が簡素化されます。
- ハードウェアの制約が少なく、最高精度が求められるシナリオに適しています。
弱み:
- Transformer層はトレーニング中に大量のCUDAメモリを必要とするため、高性能GPUを持たないチームにとって障壁になります。
- CPU推論速度は、エッジ向けに特化したCNNよりも大幅に遅く、モバイルデバイスやIoTデバイスでの使用が制限されます。
- 従来の機械学習オペレーション(MLOps)に慣れているチームにとって、セットアップとチューニングは複雑な場合があります。
詳細なパフォーマンス比較#
次の表では、主要な性能指標についてYOLOv6-3.0とRTDETRv2をベンチマーク比較します。YOLOv6のパラメーター効率とRTDETRv2の純粋な精度の違いに注目してください。
| 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 |
| 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 |
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ベースのモデルは通常、TransformerアーキテクチャよりもFrames Per Second (FPS) に優れています。エッジで最適なパフォーマンスを得るには、OpenVINOで推論を高速化する方法をご検討ください。
ユースケースと推奨事項#
YOLOv6とRT-DETRのどちらを選ぶかは、プロジェクト固有の要件、デプロイメント上の制約、エコシステムの好みによって異なります。
YOLOv6を選ぶ場合#
YOLOv6が適している用途:
- 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。
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。
Ultralyticsの強み:YOLO26の登場#
YOLOv6-3.0とRTDETRv2はそれぞれの分野で優れていますが、現代の機械学習には速度、精度、開発者体験を兼ね備えたモデルが求められます。Ultralyticsエコシステムは、特にYOLO26のリリースによって、こうしたニーズに応えています。
2026年1月にリリースされたUltralytics YOLO26は、Ultralyticsの推奨モデルであり、YOLOv8やYOLO12などの旧モデルよりも精度とCPU速度が向上しています。
YOLO26が競合モデルを上回る理由#
- エンドツーエンドのNMSフリーデザイン: YOLOv10がYOLOモデルに導入したNMSフリー学習を基盤として、YOLO26ではオプションのNMSフリーのワン・ツー・ワンヘッド(
nms=False)を利用できます。このヘッドはNMSの後処理を省略します。これにより、最適化されたCNNの速度を保ちながら、RTDETRv2のようなデプロイの簡便さを実現できます。 - 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) のトレーニングに着想を得て、YOLO26はSGDとMuonのハイブリッドを採用しています。トレーニングの安定性と収束速度が向上し、カスタムデータセットに必要な時間と計算リソースを削減します。
- エッジでのパフォーマンス: Distribution Focal Loss (DFL) を削除することで、エクスポートが簡素化されます。軽量なヘッドと合わせて、YOLO26nはYOLO11nよりもCPU推論が最大43%高速になり、エッジAIやIoTデバイスに適しています。
- 小物体検出の強化: ProgLossの目的関数とSTALの割り当て戦略により、小物体検出性能が向上します。これは、ドローン分析や航空画像に不可欠です。
- タスクの汎用性: 検出に特化したYOLOv6とは異なり、YOLO26は単一の統合APIから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、画像分類、姿勢推定、回転バウンディングボックス (OBB)などのマルチタスクワークフローをサポートします。
学習効率と使いやすさ#
Ultralytics Python APIは、開発者の生産性を最大化するよう設計されています。独立した研究用リポジトリで必要となる複雑な環境設定を行わずに、数行のコードでトレーニングからデプロイへ移行できます。
以下は、Ultralyticsパッケージを使用してYOLO26モデルをトレーニングおよび検証する、完全な実行可能サンプルです。
from ultralytics import YOLO
# Load the 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 download 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")結論#
YOLOv6-3.0とRTDETRv2は、どちらもAIコミュニティに大きく貢献しています。YOLOv6-3.0はGPUを活用した産業オートメーションにおける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。
しかし、信頼性が高く本番環境に対応し、活発なコミュニティサポートを備えたフレームワークを必要とするチームには、Ultralytics YOLOモデルが有力な選択肢です。Hugging FaceやTensorRTなどのツールとの統合と、トレーニング時のメモリ使用量の少なさにより、限られたハードウェアでも高性能モデルを実用的に利用できます。YOLO26にアップグレードすると、開発者はMuSGDオプティマイザーとオプションのNMSフリーヘッドを利用して、より高速で高機能かつ拡張性の高いコンピュータービジョンパイプラインを構築できます。
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。