はじめる

YOLOv6-3.0とYOLOv9

リアルタイム物体検出は、より高い精度、低いレイテンシ、優れたハードウェア活用への需要に後押しされ、進化を続けています。この比較では、産業用スループットを目的に開発されたYOLOv6-3.0と、ディープラーニングにおける情報ボトルネックを解消する新しいアーキテクチャを導入したYOLOv9という、この分野の重要な二つのマイルストーンを取り上げます。

どちらのモデルも独自のアーキテクチャ上の革新を備えていますが、性能とデプロイの簡便さのバランスを求める開発者は、最新のエコシステムへ移行することがよくあります。新規プロジェクトには、オプションのエンドツーエンドNMSフリーヘッドを備えるUltralytics YOLO26を推奨します。最先端の精度と、より効率化された開発者エクスペリエンスを提供します。

YOLOv6-3.0:産業用スループットの最適化#

MeituanのVision AI Departmentが開発したYOLOv6-3.0は、特にGPUハードウェアを使う産業用途で最大のスループットを実現するために、徹底的に設計されています。

  • 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年1月13日
  • arXiv: 2301.05586
  • GitHub: meituan/YOLOv6

アーキテクチャの革新#

YOLOv6-3.0では、特徴融合とハードウェア効率を高めるために、いくつかの重要な変更が導入されました。アーキテクチャのネックには、より正確な位置特定の手がかりを提供する双方向連結(BiC)モジュールが組み込まれています。また、アンカー支援学習(AAT)戦略も採用しています。この手法は、アンカーベースの学習による豊富なガイダンスと、アンカーフリー方式の推論速度を組み合わせ、デプロイを遅くすることなく性能を向上させます。

バックボーンには、GPU推論で高いハードウェア親和性を実現するよう最適化されたEfficientRep設計を採用しています。そのため、負荷の高いバッチ処理が一般的な産業製造のシナリオに非常に適しています。

強みと弱み#

YOLOv6-3.0の主な強みは、NVIDIA T4などのGPUで高いフレームレートを実現することであり、高密度な動画理解ストリームに適しています。ただし、特定のハードウェア最適化への依存度が高いため、CPUのみのエッジデバイスではレイテンシが最適でない場合があります。また、統合性の高いフレームワークと比べて、学習パイプラインの構築が複雑になることがあります。

YOLOv6の詳細はこちら

YOLOv9:プログラム可能な勾配情報#

1年後にリリースされたYOLOv9は、深層畳み込みニューラルネットワーク(CNN)に内在する情報ボトルネック問題の解決に重点を置いています。

アーキテクチャの革新#

YOLOv9の主な貢献は、複数のネットワーク層を通過する際に重要な情報を保持し、より信頼性の高い重み更新を可能にするプログラム可能な勾配情報(PGI)です。PGIに加え、このモデルは汎用効率的層集約ネットワーク(GELAN)を採用しています。GELANはパラメーター効率を最大化し、YOLOv9が多くの従来モデルより少ないFLOPsで高い精度を実現できるようにします。

強みと弱み#

YOLOv9はCOCOなどのベンチマークデータセットで高い平均適合率(mAP)を達成しており、純粋な精度を重視する研究者に人気があります。ただし、YOLOv6と同様、後処理には従来の非最大抑制(NMS)を使用します。この処理はレイテンシを増加させ、特にONNXやTensorRTなどのフォーマットでエッジデバイスに移植する際に、モデルのデプロイパイプラインを複雑にします。

YOLOv9の詳細を見る

パフォーマンス比較#

これらのモデルを比較する際は、精度、パラメーター数、推論速度のバランスを確認することが重要です。

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)
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
YOLOv9t64038.3-2.32.07.7
YOLOv9s64046.8-3.547.226.7
YOLOv9m64051.4-6.4320.176.8
YOLOv9c64053.0-7.1625.5102.8
YOLOv9e64055.6-16.7758.1192.5

Ultralyticsの強み:YOLO26の紹介#

YOLOv6-3.0とYOLOv9は堅牢なアーキテクチャを提供しますが、本番環境では適切にメンテナンスされたエコシステム、低いメモリ要件、使いやすさが求められます。Ultralytics Platformと、YOLO11や新しいYOLO26などのモデルは、こうしたニーズに応えるよう設計されています。

2026年1月にリリースされたYOLO26は、従来のボトルネックをいくつか取り除き、デプロイ効率を向上させています。

ネイティブのエンドツーエンド設計

YOLO26はエンドツーエンドのNMSフリー設計を採用しています。オプションのone-to-oneヘッド(nms=False)により、非最大抑制の後処理が不要になります。これにより推論レイテンシのばらつきが小さくなり、エッジデプロイのロジックが簡素化されます。

YOLO26の主な革新点#

  1. 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)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。コンピュータービジョンタスクに安定したトレーニングと高速な収束をもたらします。
  2. CPU推論が最大43%高速: YOLOv6のGPU重視の設計とは異なり、YOLO26はエッジデバイス向けに最適化されています。YOLO26nはYOLO11nよりCPUで最大43%高速に動作します。Distribution Focal Loss(DFL)の削除によってヘッドも簡素化され、低消費電力のCPUやエッジコンピューティングハードウェアとの互換性が高まります。
  3. 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、小物体検出が向上します。これは航空画像やロボティクスで重要です。
  4. 汎用性: 検出専用エンジンであるYOLOv6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、およびOriented Bounding Box(OBB)検出にも対応します。

Ultralyticsでのトレーニング#

最先端モデルの学習に複雑なbashスクリプトは必要ありません。Ultralytics Python APIは、自動データ読み込み、最小限のCUDAメモリ使用量、組み込みのトラッキング機能を備え、効率化された体験を提供します。

from ultralytics import YOLO

# YOLO26 nanoモデルを読み込みます
model = YOLO("yolo26n.pt")

# COCO8データセットで学習します(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)

# 1つのコマンドで学習済みモデルをONNXにエクスポートします
model.export(format="onnx")

最適なユースケース#

適切なアーキテクチャは、対象とするデプロイ環境によって決まります。

  • YOLOv6-3.0の用途:A100などのサーバーグレードGPUを豊富に利用でき、バッチ処理でスループットを最大化できる、工場のオートメーションや欠陥検出。
  • YOLOv9を使用する場合: COCOなどの標準データセットで可能な限り高いmAPを達成することが主な目標となる、学術研究やコンペティションに適しています。
  • YOLO26を使用する場合: 現代の商用アプリケーションのほとんどに適しています。オプションのNMSフリー推論、少ないメモリ使用量、高速なCPU推論により、セキュリティ警報システム、スマートリテール、組み込みデバイスでのリアルタイム物体追跡に適しています。

充実したUltralyticsエコシステムを活用すれば、開発者はYOLOv8、YOLO11、YOLO26を簡単に試し、実際の課題に適した性能バランスを見つけられます。

コントリビューター

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。