YOLOv6-3.0とYOLOv10
コンピュータービジョンの成熟に伴い、最適なモデルの選択は開発者や機械学習エンジニアにとって重要な判断となっています。物体検出とUltralytics YOLOモデルの進化を評価する際は、さまざまなアーキテクチャ方式のトレードオフを理解することが重要です。このガイドでは、産業用とエッジ向けのデプロイに異なる利点をもたらすYOLOv6-3.0とYOLOv10を、技術面から包括的に比較します。
YOLOv6-3.0の概要:産業用スループットに特化#
サーバー側の産業用途でスループットを最大化するために開発されたYOLOv6-3.0は、特にGPUなどのハードウェアアクセラレーターでの高速な推論を重視しています。最適化されたバックボーンを用いて、高速な動画処理と競争力のある精度の両立を目指しています。
- 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の中核となるのは、ハードウェア親和性の高い設計です。ネックアーキテクチャに双方向連結(BiC)モジュールを組み込み、マルチスケールの特徴融合を強化しています。また、トレーニング中はアンカーベース検出器の安定性を活用しつつ、アンカーフリー方式の推論速度も実現するアンカー補助トレーニング(AAT)戦略を採用しています。
EfficientRepバックボーンを採用したこのモデルは、T4やA100 GPUなどの高性能なNVIDIAハードウェア上でのバッチ処理が一般的な、負荷の高い製造オートメーションタスクに適しています。サーバークラスターでは優れた性能を発揮しますが、特定のハードウェア最適化に依存するため、低消費電力のエッジCPUでは効率が低下する場合があります。
YOLOv10を詳しく見る:NMSフリーのリアルタイム検出#
1年以上後に登場したYOLOv10は、従来の検出パイプラインにおいて根強く残っていたボトルネックの一つ、非最大抑制(NMS)の後処理に対処しました。
- 著者: Ao Wang、Hui Chen、Lihao Liuほか
- 組織: 清華大学
- 日付: 2024-05-23
- arXiv: 2405.14458
- GitHub: THU-MIG/yolov10
アーキテクチャの主な特徴#
YOLOv10の大きな貢献は、エンドツーエンドのNMSフリー設計です。トレーニング中に一貫したデュアル割り当てを用いることで、one-to-oneヘッドは物体ごとに高品質なバウンディングボックスを一つだけ出力するよう学習し、推論中のヒューリスティックに基づくNMS処理を不要にします(Ultralyticsでは、このヘッドを使用するにはnms=Falseを設定します)。これにより、エンドツーエンドの推論レイテンシが低下し、ニューラル処理ユニット(NPU)などを搭載したエッジデバイスのデプロイロジックが簡素化されます。
さらに、このモデルは効率と精度を総合的に考慮した設計を採用しています。さまざまなコンポーネントを最適化することで、YOLOv10は計算の冗長性を削減します。そのため、自動運転車やエッジロボティクスなど、リソースが限られた環境に非常に適しています。
詳細なパフォーマンス比較#
これらのモデルをベンチマークする際は、通常、精度、速度、パラメーター効率を測定します。以下の表は、各アーキテクチャの異なるスケールでの性能を示しています。
| 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) |
|---|---|---|---|---|---|---|
| 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 |
| 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 |
分析#
YOLOv10は、同等サイズのYOLOv6-3.0より高い平均適合率(mAP)を達成します。たとえばYOLOv10nは、わずか230万個のパラメーターでmAP 38.5%を達成する一方、YOLOv6-3.0nはパラメーター数が2倍以上でありながら37.5%です。ただし、T4 GPU上での純粋なTensorRT推論レイテンシはYOLOv6-3.0nの方が高速(1.17 ms)であり、並列処理ハードウェア向けの最適化を反映しています。
GPUでの純粋なレイテンシ指標では、マイクロベンチマーク上、YOLOv6がわずかに優位になる場合があります。しかし、YOLOv10はNMSフリーであるため、特に後処理がCPUのボトルネックになりうるエッジハードウェアでは、実環境のエンドツーエンドパイプラインがより高速になることがよくあります。
ユースケースと推奨事項#
YOLOv6とYOLOv10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。
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。
YOLOv10を選ぶ場合#
YOLOv10は、次のような用途に推奨されます。
- 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。
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を選ぶ理由#
YOLOv6-3.0とYOLOv10は確かなベースラインアーキテクチャを提供しますが、現代の本番環境では高精度と使いやすさを兼ね備えたモデルが求められます。Ultralytics YOLO26は、単独で公開されている学術モデルと比べ、このニーズに応えます。
2026年1月にリリースされたYOLO26は、積極的にメンテナンスされているエコシステム内で、以前のモデルの革新を発展させています。
YOLO26の主な革新点#
- 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のオプションのワン・ツー・ワンヘッド(
nms=False)はNMSの後処理を省略します。その結果、推論時間がより安定し、予測しやすくなり、本番環境への導入も容易になります。 - MuSGDオプティマイザー: Moonshot AIのKimi K2などの大規模言語モデル(LLM)の最適化に着想を得た、SGDとMuonのハイブリッドです。安定したトレーニングと高速な収束を実現します。
- CPU推論が最大43%高速: アーキテクチャの簡素化により、YOLO26nはYOLO11nよりCPUで最大43%高速に動作し、IoTチップや一般向けCPUへのデプロイに役立ちます。
- DFLの削除: Distribution Focal Lossを削除するとヘッドのエクスポートが簡素化され、OpenVINOやNCNNなど、低消費電力のデプロイエンジンとの互換性が向上します。
- ProgLoss + STAL: 段階的な損失関数と小物体を考慮したラベル割り当てにより、小物体認識が向上します。これはドローン(UAV)の運用や遠距離の対象追跡で重要です。
さらに、単一タスク向けのリポジトリとは異なり、Ultralyticsエコシステムは、検出、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、および回転バウンディングボックス(OBB)検出など、幅広いビジョンタスクにすぐに対応します。
学習効率とメモリ最適化#
複雑なRT-DETRなどのTransformerベースのアーキテクチャと比べてCUDAメモリ消費量が少ないことは、Ultralytics YOLOモデルの大きな利点です。開発者は、一般向けGPUまたは無料のクラウドリソースを使ってYOLO26をファインチューニングできます。
コード例:YOLO26を始める#
Ultralytics Python APIを使えば、わずか数行のコードでモデルの読み込み、学習、テストを行えます。
from ultralytics import YOLO
# YOLO26 nanoモデルを初期化します
model = YOLO("yolo26n.pt")
# 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=100, imgsz=640, device=0)
# 検証データでモデルの性能を評価します
metrics = model.val()
# 対象画像でリアルタイムのNMSフリー推論を実行します
predictions = model.predict("https://ultralytics.com/images/bus.jpg", nms=False)
# クロスプラットフォームでのデプロイ向けにONNX形式へエクスポートします
model.export(format="onnx")まとめと代替案#
YOLOv6-3.0とYOLOv10のどちらを選ぶかは、デプロイ環境によって決まります。YOLOv6-3.0は、動画のバッチ処理を重視するGPUが豊富な高スループットのサーバーバックエンドで引き続き有効です。YOLOv10は、精度のバランスと複雑なエッジ統合に適したNMSフリーアーキテクチャを提供します。
一方、優れた性能に加えて、充実したドキュメント、Ultralytics Platformを介したクラウドロギング、マルチタスクへの汎用性を求める開発者には、YOLO26を推奨します。
従来のインフラ要件があるチームは、以前の世代であるUltralytics YOLO11も検討できます。また、オープンボキャブラリー検出にはYOLO-Worldをお試しください。
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。