コンテンツにスキップ

YOLOv7 YOLO: 包括的な技術比較

リアルタイム物体検出の技術は絶えず進化を続けており、研究者やエンジニアは速度と精度の最適なバランスを模索している。本技術比較では、2022年に登場した2つの注目すべきアーキテクチャを深く掘り下げる： YOLOv7 とYOLO。両モデルはコンピュータビジョンコミュニティに新たな概念を導入し、モデルトレーニング、アーキテクチャ設計、デプロイメントにおける異なる課題に取り組んでいます。

モデルの背景と技術的詳細

これらのアーキテクチャを掘り下げる前に、両モデルの起源を理解することが不可欠である。いずれも主要な研究グループによって開発され、リアルタイム物体検出の限界を押し広げる先進的な手法を導入した。

YOLOv7

YOLO 継続として開発YOLOv7 、推論コストを増加させることなく精度を大幅に向上させるため、学習可能な「bag-of-freebies」の概念YOLOv7 。

YOLOv7について詳しくはこちら

YOLO

アリババグループの研究者によって開発YOLO 、多様なハードウェア向けに高効率モデルを構築するため、ニューラルアーキテクチャ検索（NAS）と高度な知識蒸留にYOLO 。

DAMO-YOLOの詳細

アーキテクチャの革新

YOLOv7: 勾配経路解析と再パラメータ化

YOLOv7 拡張効率的層集約ネットワーク（E-ELAN）に重点YOLOv7 。著者らはネットワークの勾配経路を分析し、元の勾配経路を損なうことなくネットワークが継続的に学習できるように設計した。 さらに、YOLOv7 推論時にモデルの再パラメータ化をYOLOv7 活用し、層をシームレスに融合させることでFLOPsを削減し実行時間を加速します。これにより、現代のGPU上でのリアルタイム推論に極めて高い能力を発揮します。

YOLO: 神経アーキテクチャ探索とRepGFPN

YOLO 、レイテンシ制約下でニューラルアーキテクチャ探索（NAS）を多用することでYOLO 。MAE-NASと呼ばれるフレームワークを活用し、モバイルデバイスや特定のエッジアクセラレータなど、特定のハードウェア向けに最適化されたバックボーンを発見する。ネック部には効率的なRepGFPN（Rep-パラメータ化汎用特徴ピラミッドネットワーク）を導入し、予測ヘッドの計算負荷を最小化するためZeroHead設計を採用している。

蒸留の違い

YOLOv7 強力な固有のアーキテクチャ最適化にYOLOv7 に対し、YOLO 複雑な多段階知識蒸留プロセスに大きくYOLO 。大規模な教師モデルを訓練して知識を小規模な生徒モデルに蒸留する必要があり、訓練フェーズにおいて計算コストが高くなる可能性がある。

パフォーマンスとメトリクスの比較

これらのモデルを比較する際には、mAP 平均精度）、推論速度、およびモデルの複雑さを検討することが極めて重要です。

モデルサイズ
(ピクセル)		mAPval
50-95		速度
CPU ONNX
(ms)		速度
T4 TensorRT10
(ms)		params
(M)		FLOPs
(B)
YOLOv7l64051.4-6.8436.9104.7
YOLOv7x64053.1-11.5771.3189.9
DAMO-YOLOt64042.0-2.328.518.1
DAMO-YOLOs64046.0-3.4516.337.8
DAMO-YOLOm64049.2-5.0928.261.8
DAMO-YOLOl64050.8-7.1842.197.3

上記の表は、YOLOv7 精度領域（YOLOv7x）へ良好にYOLOv7 一方、YOLO 制約環境向けに高度に最適化された小型モデルYOLO 示している。

トレーニング効率とメモリ要件

両アーキテクチャの主な相違点は、その学習手法にある。YOLO知識蒸留に依存していることは、新規モデルをゼロから学習させる場合やカスタムコンピュータビジョンデータセットで微調整を行う場合、通常より大幅に多くのVRAMとGPU 必要とすることを意味する。

一方、Ultralytics に統合YOLOv7 モデルは、メモリ要件に対して大幅に最適化されている。これにより開発者は、メモリ不足エラーに遭遇することなく、コンシューマー向けハードウェア上でより大きなバッチサイズを利用可能となり、実験の追跡と反復プロセスが簡素化される。

Ultralyticsの利点

YOLOv7 YOLO はいずれも優れた機能YOLO 、Ultralytics 内でモデルを展開することで、比類のない開発者体験が実現します。

コード例：素早く始める

Ultralytics を使用したモデルの読み込み、トレーニング、推論の実行が、いかに簡単かをご紹介します：

from ultralytics import YOLO

# Load a pre-trained YOLOv7 model (or newer models like yolo26n.pt)
model = YOLO("yolov7.pt")

# Train the model on the COCO8 dataset with automated hyperparameter handling
results = model.train(data="coco8.yaml", epochs=50, imgsz=640)

# Run inference on an image
predictions = model("https://ultralytics.com/images/bus.jpg")

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

モデルのエクスポート

Ultralytics、学習済み重みをTensorRT CoreML TensorRT 各種ハードウェアアクセラレーション形式へエクスポートする処理が、エクスポートコマンドの単一引数で処理されるため、複雑なスクリプト設定に要する時間を大幅に削減できます。

次世代：YOLO26

YOLOv7 強力なレガシーアーキテクチャですが、この分野は急速に進歩しています。新規導入においては、Ultralytics （2026年1月リリース）が推奨される標準であり、ほぼ全ての指標において前世代を上回る性能を発揮します。

  • エンドツーエンドのNMS：最初に YOLOv10で初めて導入されたYOLO26は、ノン・マキシマム・サプレッション（NMS）後処理をネイティブに排除します。これにより、ロボティクスや自動運転技術に不可欠な、決定論的で超低遅延の推論が保証されます。
  • MuSGDオプティマイザー：先進的なLLMトレーニング技術（Moonshot AIのKimi K2など）に着想を得たこのハイブリッドオプティマイザーは、SGD ミューオンSGD 融合させ、データセット全体で極めて安定したトレーニングとより速い収束を実現します。
  • 最大43%高速CPU ：ディストリビューション焦点損失（DFL）を戦略的に除去することで、YOLO26はエッジコンピューティングプラットフォームおよびCPU上で大幅な性能向上を実現します。
  • ProgLoss + STAL:これらの高度な損失関数は、小さな物体の検出において大幅な改善をもたらし、YOLO26を航空写真や詳細な監視に極めて適したものとしています。

YOLO26についてさらに詳しく

理想的なユースケース

DAMO-YOLOを選択するタイミング

  • NASにおける学術研究：貴組織がニューラルアーキテクチャ検索手法の研究に多大な投資を行っている場合。
  • 特定ハードウェアにおける超制約レイテンシ：カスタムAIアクセラレータチップ向けに最適化されたバックボーンを見つけるため、網羅的なNAS検索を実行するリソースがある場合。

YOLOv7を選択すべき時

  • GPU ：ハイエンドNVIDIA 上でYOLOv7特定のE-ELANアーキテクチャに深く最適化されたレガシーな生産パイプラインを維持しているチーム向け。

なぜUltralytics （YOLO11 YOLO26）に移行するのか

小売分析やスマート製造から医療まで、企業向けアプリケーションの大多数において、Ultralytics 比類のない性能を発揮します。Ultralytics との統合により、完全な機械学習パイプラインが提供され、使いやすさ、優れたドキュメント、堅牢なコミュニティサポート、マルチタスク対応の汎用性を実現します。ラズベリーパイでの在庫追跡からクラウドでの大規模分析まで、YOLO26のようなモデルは、コンピュータービジョンの未来に向けた理想的な性能バランスを提供します。


コメント