YOLOv7 vs RTDETRv2: リアルタイム物体検出のための技術比較

コンピュータビジョンの領域は急速に進化を続けており、畳み込みニューラルネットワーク（CNN）とVision Transformer（ViT）の競合から大きな影響を受けています。本技術比較では、高度に最適化されたCNNベースの物体検出器であるYOLOv7と、最先端のリアルタイムDetection TransformerであるRTDETRv2という2つの重量級アーキテクチャを深掘りします。

開発者は、これらのアーキテクチャの違い、パフォーマンス指標、および理想的なデプロイシナリオを分析することで、これらのVision AIモデルを本番パイプラインに統合する際に、十分な情報に基づいた意思決定を行うことができます。

YOLOv7: Bag-of-Freebies CNNアーキテクチャ

YOLOv7は、従来のYOLOファミリーにいくつかのパラダイムシフトとなる構造的最適化を導入し、「トレーニング可能なbag-of-freebies」のシリーズを通じて、リアルタイム物体検出の限界を押し広げました。

主要な特性: 著者: Chien-Yao Wang, Alexey Bochkovskiy, Hong-Yuan Mark Liao
組織: Institute of Information Science, Academia Sinica
日付: 2022-07-06
Arxiv: https://arxiv.org/abs/2207.02696
GitHub: WongKinYiu/yolov7

アーキテクチャと強み

YOLOv7は、拡張効率的レイヤー集約ネットワーク（E-ELAN）アーキテクチャを強みとしています。この構造設計により、モデルは元の勾配パスを破壊することなく、より多様な特徴を学習できます。さらに、計画的な再パラメータ化畳み込みを組み込むことで、精度を低下させることなく推論速度を最適化しています。その分離ヘッド構造により、速度と精度の間で優れたトレードオフを実現しており、サーバーグレードのGPU上でのリアルタイム物体検出タスクに非常に適しています。

YOLOv7は汎用性も非常に高いです。標準的なバウンディングボックス検出を超えて、リポジトリでは姿勢推定やインスタンスセグメンテーションのブランチも提供されており、その適応性を示しています。

制限事項

多くのレガシーなCNNモデルと同様に、YOLOv7は後処理としてNon-Maximum Suppression（NMS）に依存しています。NMSは特に混雑したシーンで可変レイテンシを引き起こし、エッジデバイスでの厳格なリアルタイム保証を複雑にする可能性があります。

YOLOv7の詳細はこちら

RTDETRv2: リアルタイムTransformerの進化

RTDETRv2はオリジナルのRT-DETRフレームワークに基づいて構築されており、高い空間精度を維持しながらリアルタイムレイテンシにおいてTransformerがYOLOアーキテクチャと競合できることをさらに実証しました。

主要な特性: 著者: Wenyu Lv, Yian Zhao, Qinyao Chang, Kui Huang, Guanzhong Wang, Yi Liu
組織: Baidu
日付: 2024-07-24
Arxiv: https://arxiv.org/abs/2407.17140
GitHub: lyuwenyu/RT-DETR

アーキテクチャと強み

RTDETRv2は、Vision Transformerにとって重要な前進を表しています。柔軟なクエリ選択プロセスと効率的なハイブリッドエンコーダーを活用し、マルチスケール特徴を迅速に処理します。Detection Transformer（DETR）専用に調整された新しい「bag-of-freebies」を導入することで、空間推論を限界まで引き上げます。ネイティブにNMSフリーであるため、決定論的な推論時間を提供し、これは厳格なスマートシティアプリケーションや自動運転において不可欠な機能です。

制限事項

その進歩にもかかわらず、RTDETRv2にはTransformerベースのアーキテクチャ特有の伝統的な負荷が伴います。CNNと比較して、トレーニングと推論の両方で大幅に多くのCUDAメモリを必要とします。さらに、トレーニングの収束時間が著しく長く、大量の高品質なアノテーション付きデータ（COCO datasetなど）と膨大な計算リソースを必要とします。

RTDETRv2の詳細はこちら

パフォーマンスの比較

これらのモデルをベンチマークする際は、精度、生の推論速度、計算フットプリントを含む全体像を見る必要があります。以下に直接比較表を示します。

Ultralyticsの利点: エコシステムと進化

YOLOv7とRTDETRv2は強力な機能を提供しますが、本番環境へのデプロイにはしばしば物流上の摩擦が伴います。ここでUltralyticsエコシステムが優位性を発揮します。シームレスなエンドツーエンドの統合のために設計されたUltralyticsフレームワークは、コンピュータビジョンパイプラインの典型的な複雑さを抽象化する統一されたAPIを開発者に提供します。

比類なき汎用性とメモリ効率

膨大なVRAMを消費する硬直的なTransformerモデルとは異なり、Ultralytics YOLOモデルは厳格なメモリ効率を維持します。これにより、アクセス可能なハードウェア上での迅速なモデルトレーニングが可能になります。このエコシステムは、単一のコードベースから画像分類や向き付きバウンディングボックス（OBB）検出を含む複数のコンピュータビジョンタスクを本質的にサポートしており、RTDETRv2には現在欠けている柔軟性を提供します。

シームレスなデプロイ

研究から本番環境への移行には、堅牢なデプロイオプションが必要です。Ultralytics APIは、業界標準フォーマットへのワンクリックモデルエクスポートをネイティブに処理します。クロスプラットフォーム互換性のためにONNXをターゲットにする場合でも、GPUアクセラレーションを最大化するためにTensorRTをターゲットにする場合でも、パイプラインは完全に自動化され、信頼性が高いものです。

究極のアップグレード: Ultralytics YOLO26

YOLOv7とRTDETRv2の間で議論している開発者にとって、最適な前進の道は、Vision AIにおける新しい標準であるUltralytics YOLO26です。2026年1月にリリースされたYOLO26は、CNNの速度とTransformerの洗練された推論との間のギャップを埋めると同時に、それぞれの弱点を完全に排除しています。

YOLO26の詳細はこちら

YOLO26は、サーバーおよびエッジデプロイの両方に最適化された革新的な機能を導入しています:

• エンドツーエンドのNMSフリー設計: YOLOv10で最初に開拓されたYOLO26は、ネイティブにNMS後処理を排除します。これにより、Transformerの負荷のかかる計算オーバーヘッドなしで、RTDETRv2の決定論的なレイテンシを保証します。
• MuSGDオプティマイザー: 大規模言語モデルのトレーニング技術（Moonshot AIのKimi K2など）に触発されたYOLO26は、SGDとMuonのハイブリッドを利用します。これにより、ViTで使用される標準的なAdamW実装と比較して、前例のないトレーニングの安定性と大幅に速い収束時間を実現します。
• ProgLoss + STAL: これらの高度な損失関数は、小物体認識において顕著な改善をもたらし、RTDETRv2のマルチスケール特徴の利点と直接競合します。これはロボット自動化において重要です。
• エッジ最適化とDFL削除: Distribution Focal Loss（DFL）を削除することで、YOLO26は出力ヘッドを合理化し、CPU推論を最大43%高速化しました。これにより、重量級のTransformerモデルよりもエッジデバイスへのデプロイがはるかに容易になっています。

Ultralyticsでのトレーニング例

Ultralytics Python APIのシンプルさにより、わずか数行のコードで最先端のYOLO26モデルをトレーニングできます:

from ultralytics import YOLO

# Load the highly efficient YOLO26 small model
model = YOLO("yolo26s.pt")

# Train the model on the COCO8 dataset
# The framework automatically manages data augmentation and hyperparameter tuning
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device="0")

# Effortlessly export to TensorRT for deployment
model.export(format="engine", dynamic=True)

理想的な使用ケース

適切なアーキテクチャの選択は、デプロイの制約とハードウェアの可用性に大きく依存します:

YOLOv7を検討すべき場合:

• YOLOv7が確立されたベースラインであるレガシーな研究プロジェクト。
• 生のGPUアクセラレーションが豊富で、NMSレイテンシのジッターが許容される環境。

RTDETRv2を検討すべき場合:

• 絶対的に最大のmAPを必要とするハイエンドのサーバーデプロイ。
• TransformerバックボーンをサポートするためのVRAMがあることを前提として、決定論的な推論レイテンシ（NMSフリー）が厳格に求められるシナリオ。

Ultralytics YOLO26を選択すべき場合:

• ほぼすべての場合。 RTDETRv2のNMSフリーな決定論的動作を提供し、YOLOv7の速度と精度を凌駕し、使用するVRAMが大幅に少なく、データセット管理、トレーニング、デプロイを容易にするUltralytics Platformに完全に統合されています。