はじめる

YOLOv7とYOLOv10

コンピュータービジョンの分野はここ数年で急速に進歩し、YOLO(You Only Look Once)モデルファミリーがリアルタイム物体検出をリードしてきました。コンピュータービジョンプロジェクトに適したアーキテクチャを選ぶには、利用可能な選択肢を明確に理解する必要があります。この技術比較では、画期的な2つのアーキテクチャ、YOLOv7とYOLOv10の主な違いを取り上げます。

モデルの概要#

どちらのモデルも物体検出における重要なマイルストーンですが、物体検出の課題を解決するために、根本的に異なるアプローチを採用しています。

YOLOv7:バッグ・オブ・フリービーの先駆け#

2022年7月6日に、中央研究院情報科学研究所の研究者であるChien-Yao Wang、Alexey Bochkovskiy、Hong-Yuan Mark LiaoによってリリースされたYOLOv7は、リアルタイム検出器を最適化する新しい手法を導入しました。学術論文で詳述され、公式GitHubリポジトリで公開されている当初の研究では、アーキテクチャの再パラメーター化と、学習可能な「bag-of-freebies」に重点が置かれていました。

YOLOv7は拡張効率的レイヤー集約ネットワーク(E-ELAN)を活用し、元の勾配経路を損なうことなく、ネットワークが多様な特徴を学習できるようにします。そのため、学術研究のベンチマークや、標準的なハイエンドGPUに大きく依存するシステムに適した堅牢な選択肢となっています。

YOLOv7の詳細を見る

YOLOv10: リアルタイムのエンドツーエンド検出#

清華大学のAo Wang氏らによって開発されたYOLOv10は、2024年5月23日にリリースされました。arXivの論文および清華大学のGitHubリポジトリで詳しく説明されているように、このモデルは物体検出に長年存在していたボトルネックである非極大抑制(NMS)を排除します。

YOLOv10は、NMSフリー学習のための一貫したデュアル割り当てを導入し、後処理パイプラインを変更しました。効率性と精度を包括的に考慮したモデル設計により計算の冗長性を削減しており、低レイテンシが必要なエッジデバイスに適したアーキテクチャを実現しています。

YOLOv10の詳細を見る

NMSフリーアーキテクチャ

YOLOv10ではNon-Maximum Suppression(NMS)が不要なため、モデル全体を単一の計算グラフとしてエクスポートできます。これにより、TensorRTやOpenVINOなどのランタイムを使用したデプロイが簡素化されます。

パフォーマンスと指標の比較#

モデルの性能を分析する際は、精度、速度、計算負荷のトレードオフを評価することが重要です。次の表では、各モデルの異なるサイズを比較します。

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)
YOLOv7l64051.4-6.8436.9104.7
YOLOv7x64053.1-11.5771.3189.9
YOLOv10n64038.5-1.842.36.7
YOLOv10s64046.3-2.497.221.6
YOLOv10m64051.1-4.7415.459.1
YOLOv10b64052.5-5.7419.192.0
YOLOv10l64053.2-7.2824.4120.3
YOLOv10x64054.4-10.7029.5160.4

トレードオフの分析#

上記の指標から、世代間の明確な差が分かります。YOLOv7xは53.1%の高いmAPval50-95を達成しますが、71.3Mのパラメーターと189.9B FLOPsが必要です。一方、YOLOv10lはその精度を上回り(53.2% mAP)、必要なパラメーター数は約3分の1(24.4M)、FLOPsも大幅に少なくなっています(120.3B)。さらに、YOLOv10nはTensorRTを使用したT4 GPU上で1.84 msで動作するため、リアルタイム動画分析やモバイルアプリケーションに適しています。

実際のユースケース#

これらのモデルのアーキテクチャの違いによって、最適なユースケースも異なります。

YOLOv7を使用する場面#

YOLOv7の豊かな特徴表現は、GPUハードウェア上の複雑なシーンに適しています。人口密集地域での交通流の監視、衛星画像の分析、重工業の製造自動化における欠陥の特定などのユースケースでは、再パラメーター化アーキテクチャの利点を活用できます。また、特定のPyTorch 1.xパイプラインを基盤とするレガシー環境でも、引き続き広く利用されています。

YOLOv10を使用する場面#

YOLOv10のNMS不要な軽量設計は、エッジコンピューティングデバイスなどの制約のある環境に適しており、NVIDIA JetsonモジュールやRaspberry Piなどで利用できます。低レイテンシのパフォーマンスにより、スポーツ分析、自律型ドローンのナビゲーション、コンベヤーベルト上での高速ロボット仕分けなど、動きの速いアプリケーションにも適しています。

Ultralyticsエコシステムの利点#

どちらのモデルも学術研究に強い基盤を持っていますが、YOLOv10はUltralyticsエコシステムとUltralytics Platform内で最も簡単にトレーニングおよびデプロイできます。コンピュータービジョンモデルをゼロから開発するのは困難ですが、Ultralyticsエコシステムは機械学習エンジニアのワークフローを簡素化します。

  • 使いやすさ: Ultralytics Python APIは統一されたインターフェースを提供します。数行のコードでモデルのトレーニング、検証、エクスポートができ、学術リポジトリでよく見られる依存関係の競合を回避できます。
  • 適切に保守されたエコシステム: Ultralyticsのコードベースは積極的に開発されており、ユーザーはログ記録用のWeights & Biasesや、すばやいWebデモ用のGradioなど、人気のMLツールとの統合を利用できます。
  • メモリ要件: Transformerベースの物体検出器は、トレーニング中に大量のCUDAメモリを消費することがよくあります。一方、Ultralytics YOLOモデルは必要なメモリが大幅に少ないため、一般消費者向けハードウェアでもはるかに大きなバッチサイズを使用できます。
  • 汎用性: Ultralyticsのパイプラインは、標準的なバウンディングボックスに限定されません。インスタンスセグメンテーション、画像分類、姿勢推定、方向付きバウンディングボックスに対応しており、YOLO11やYOLOv8など、サポート対象のモデルファミリーで利用できます。

簡素化されたトレーニング例#

Ultralyticsでトレーニングパイプラインを実行するのは簡単です。YOLOv10のNMS不要な高速性を活用する場合も、ほかのサポート対象モデルを使う場合も、構文は一貫しています(UltralyticsパッケージはYOLOv7のトレーニングをサポートしていない点にご注意ください)。

from ultralytics import YOLO

# 優先するモデル(例: YOLOv10 Nano)を読み込みます
model = YOLO("yolov10n.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)

# サンプル画像に対して推論を実行します
predictions = model.predict("https://ultralytics.com/images/bus.jpg")

# ONNXなど、エッジに適した形式にエクスポートします
model.export(format="onnx")

ユースケースと推奨事項#

YOLOv7とYOLOv10のどちらを選ぶかは、プロジェクトの要件、デプロイ上の制約、エコシステムに関する希望によって異なります。

YOLOv7を選ぶ場合#

YOLOv7が適しているケース:

  • 学術的なベンチマーク: 2022年当時の最先端の結果を再現する場合、またはE-ELANやトレーニング可能なbag-of-freebies技術の効果を研究する場合。
  • 再パラメーター化の研究: 計画的な再パラメーター化畳み込みや、複合モデルスケーリング戦略を調査する場合。
  • 既存のカスタムパイプライン: YOLOv7固有のアーキテクチャを中心に高度にカスタマイズされ、容易にリファクタリングできないパイプラインを使用するプロジェクト。

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。

今後の展望: YOLO26の紹介#

YOLOv7とYOLOv10は目覚ましい成果ですが、AIの最先端技術は常に進歩しています。2026年1月にリリースされたUltralytics YOLO26は、エッジとクラウドの両方のデプロイで効率性と精度を実現する推奨モデルです。

現在、新しいコンピュータービジョンプロジェクトを始める場合は、YOLO26が推奨アーキテクチャです。YOLO26は、複数の革新技術により先行モデルを発展させています。

  • エンドツーエンドのNMS不要設計: YOLOv10に着想を得た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、リアルタイムロボティクスにおけるレイテンシを低減して安定させます。
  • CPU推論が最大43%高速: Distribution Focal Loss(DFL)モジュールを削除することで、YOLO26はGPUを搭載しないエッジハードウェアでの実行を高速化します。YOLO26nはCPU上でYOLO11nより最大43%高速に動作するため、IoTデバイスに適しています。
  • MuSGDオプティマイザー: 近年の大規模言語モデルのトレーニングにおける革新に着想を得て、YOLO26はSGDとMuonを組み合わせたハイブリッド方式を採用し、トレーニングの安定性と収束速度を高めています。
  • ProgLoss + STAL: 進行型損失と小さな対象物を考慮したラベル割り当てにより、小さな物体の認識が向上し、旧世代のYOLOが歴史的に抱えていた弱点を克服します。
  • マルチタスクの汎用性: YOLO26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、分類、姿勢推定、OBBに対応します。また、姿勢推定向けのResidual Log-Likelihood Estimation(RLE)や、航空画像における正確なOBB検出向けの専用角度損失など、タスク固有の最適化も備えています。

速度、精度、デプロイの容易さの最適なバランスを求めるエンジニアにとって、YOLO26はレガシーモデルからの自然なアップグレードです。

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。