YOLOv8 vs RTDETRv2
コンピュータービジョンの状況は常に進化しており、新しいアーキテクチャによってリアルタイム物体検出で可能なことが広がっています。大きな注目を集めるモデルとして、Ultralytics YOLOv8とBaiduのRTDETRv2があります。このガイドでは両モデルを技術的に比較し、アーキテクチャ、性能指標、最適なデプロイシナリオを解説します。
YOLOv8の概要#
Ultralytics YOLOv8は、YOLO(You Only Look Once)モデルファミリーにおける重要な節目となるモデルで、幅広いタスクで速度、精度、使いやすさを兼ね備えています。
主な特徴:
- 著者: Glenn Jocher、Ayush Chaurasia、Jing Qiu
- 組織: Ultralytics
- 日付: 2023年1月10日
- GitHub: Ultralyticsリポジトリ
- ドキュメント: YOLOv8のドキュメント
アーキテクチャと強み#
YOLOv8は、特徴抽出とバウンディングボックス回帰の両方を最適化する、効率化されたアーキテクチャを導入しています。アンカーフリー検出器であるため、予測ヘッドがシンプルになり、トレーニング時に必要なハイパーパラメータ調整も減少します。その結果、推論速度と平均適合率(mAP)のバランスに優れ、エッジデバイスとクラウドサーバーの両方で実環境にデプロイするのに適しています。
YOLOv8は、トレーニング時のメモリ要件もTransformerベースのアーキテクチャより低いため、開発者はメモリ不足に陥ることなく、一般的なコンシューマー向けGPUでモデルをトレーニングできます。
汎用性#
YOLOv8の特徴的な強みの1つは、ネイティブな汎用性です。バウンディングボックスだけに特化したモデルが多い中、YOLOv8は物体検出、インスタンスセグメンテーション、画像分類、姿勢推定、Oriented Bounding Box(OBB)検出をすぐに利用できる形でサポートします。
RTDETRv2の概要#
RTDETRv2(リアルタイム検出Transformerバージョン2)は、従来のRT-DETRを基盤とし、Vision Transformerのアテンション機構をリアルタイム物体検出アプリケーションに導入することを目指しています。
主な特徴:
- 著者: Wenyu Lv、Yian Zhao、Qinyao Chang、Kui Huang、Guanzhong Wang、Yi Liu
- 組織: Baidu
- 日付: 2024-07-24
- arXiv: 2407.17140
- GitHub: RT-DETRリポジトリ
- ドキュメント: RTDETRv2のREADME
アーキテクチャと強み#
RTDETRv2は、畳み込みニューラルネットワーク(CNN)のバックボーンとTransformerのエンコーダー・デコーダー構造を組み合わせたハイブリッドアーキテクチャを採用しています。これにより、セルフアテンション機構を通じて、複雑な空間的関係やグローバルコンテキストを捉えられます。「bag-of-freebies」と呼ばれる複数のトレーニング戦略を活用することで、RTDETRv2はCOCOデータセットなどの標準ベンチマークデータセットで競争力のあるmAPスコアを達成します。
弱点#
高精度である一方、RTDETRv2はTransformerベースのモデルであるため、純粋なCNNアーキテクチャと比べてメモリ消費量が多く、トレーニング時間も長くなります。通常、Transformerではより多くのVRAMが必要となるため、リソースが限られたハードウェアでのトレーニングは困難です。また、RTDETRv2は検出性能に優れていますが、Ultralyticsエコシステムに組み込まれているセグメンテーションや姿勢推定などのマルチタスク対応はありません。
パフォーマンス比較#
本番環境向けのモデルを評価する際は、モデルサイズ、推論速度、精度のトレードオフが重要です。以下の表では、YOLOv8とRTDETRv2の各モデルを直接比較します。
| 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) |
|---|---|---|---|---|---|---|
| YOLOv8n | 640 | 37.3 | 80.4 | 1.47 | 3.2 | 8.7 |
| YOLOv8s | 640 | 44.9 | 128.4 | 2.66 | 11.2 | 28.6 |
| YOLOv8m | 640 | 50.2 | 234.7 | 5.86 | 25.9 | 78.9 |
| YOLOv8l | 640 | 52.9 | 375.2 | 9.06 | 43.7 | 165.1 |
| YOLOv8x | 640 | 53.9 | 479.1 | 14.37 | 68.2 | 257.8 |
| RTDETRv2-s | 640 | 48.1 | - | 5.03 | 20 | 60 |
| RTDETRv2-m | 640 | 51.9 | - | 7.51 | 36 | 100 |
| RTDETRv2-l | 640 | 53.4 | - | 9.76 | 42 | 136 |
| RTDETRv2-x | 640 | 54.3 | - | 15.03 | 76 | 259 |
ユースケースと推奨事項#
YOLOv8とRT-DETRのどちらを選ぶかは、具体的なプロジェクト要件、デプロイの制約、エコシステムに関する優先事項によって異なります。
YOLOv8を選ぶ場合#
YOLOv8は、次のような場合に適しています。
- Versatile Multi-Task Deployment: Ultralyticsエコシステム内で、検出、セグメンテーション、分類、姿勢推定に対応する実績あるモデルが必要なプロジェクトに適しています。
- 確立済みの本番システム: 安定性と十分なテストが確認されたデプロイパイプラインを備え、すでにYOLOv8アーキテクチャを基盤として構築されている本番環境。
- 広範なコミュニティとエコシステムのサポート: YOLOv8の豊富なチュートリアル、サードパーティ製ツールとの統合、活発なコミュニティリソースを活用できるアプリケーション。
RT-DETRを選ぶケース#
RT-DETRは、次の用途に推奨されます。
- Transformerベースの検出研究:NMSを使わないエンドツーエンド物体検出に向けて、アテンション機構やTransformerアーキテクチャを研究するプロジェクト。
- レイテンシに柔軟性がある高精度シナリオ: 検出精度を最優先し、推論レイテンシがやや高くても許容できるアプリケーション。
- 大きなオブジェクトの検出: 主に中型から大型のオブジェクトが存在し、Transformerのグローバル注意機構が本質的な優位性をもたらすシーン。
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アクセラレーションのないデバイスでは、YOLO26nのCPU推論がYOLO11nより最大43%高速であることが大きな強みになります。
- 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#
モデルの選定では、生の性能指標だけでなく、開発者の生産性を左右する周辺のソフトウェアエコシステムも重要です。Ultralyticsエコシステムは使いやすさを重視して設計されており、機械学習のライフサイクル全体を簡素化する統合Python APIを提供します。
データセット管理から分散トレーニングまで、Ultralyticsは複雑な定型コードを処理します。すぐに使える事前学習済み重みや、Hugging Faceなどのプラットフォームや実験モニタリングツールとの統合を活用できます。エコシステムは活発に開発され、頻繁に更新されており、大規模なコミュニティに支えられています。
Ultralytics YOLOモデルは、トレーニングプロセスでの高速な収束と低いメモリ使用量にも最適化されているため、RTDETRv2のようなTransformerベースの検出器と比べて実験を迅速に進められます。
今後の展望: YOLO26の力#
YOLOv8は引き続き優れたモデルですが、新しいプロジェクトには、2026年1月にリリースされたYOLO26をUltralyticsが推奨しています。YOLO26には、次のような複数の改良が加えられています。
- エンドツーエンドのNMSフリーデザイン:YOLO26の任意で有効にできる1対1ヘッド(
nms=False)は、Non-Maximum Suppression(NMS)の後処理を不要にし、より高速で予測可能なデプロイワークフローを実現します。 - DFLの削除:Distribution Focal Lossを取り除くことで、エッジデバイスや低消費電力デバイスへの適合性が向上するようモデルを効率化します。
- MuSGD Optimizer:LLMのトレーニングに着想を得たMuSGD(SGDとMuonのハイブリッド)により、トレーニングがより安定し、収束も速くなります。
- CPU推論が最大43%高速:YOLO26nはCPU上のONNX推論でYOLO11nより最大43%高速に動作するため、専用GPUがない環境に適しています。
- ProgLoss + STAL: Progressive LossとSmall-Target-Aware Label Assignmentにより、小さな物体の認識性能が大幅に向上します。これは航空画像やロボティクスで特に重要です。
Ultralyticsの製品群で検討する価値のあるその他の最新モデルとして、既存のプロジェクトに適した堅実な選択肢であるYOLO11があります。ただし、新しいデプロイにはYOLO26を推奨します。
コード例:トレーニングと推論#
Ultralytics APIはシンプルなため、数行のPythonコードでモデルの読み込み、トレーニング、デプロイができます。次の例を実行する前に、PyTorchがインストールされていることを確認してください。
from ultralytics import YOLO
# 事前学習済みのYOLOv8 smallモデルを読み込みます
model = YOLO("yolov8s.pt")
# カスタムデータセットでモデルをトレーニングします
# メモリ効率の高いトレーニングにより、より大きなバッチサイズを使用できます
train_results = model.train(data="coco8.yaml", epochs=50, imgsz=640, batch=16)
# テスト画像に対して推論を実行します
results = model("https://ultralytics.com/images/bus.jpg")
# 結果を表示します
results[0].show()
# エッジデプロイ用にエクスポートします
export_path = model.export(format="onnx")Ultralyticsでは、ONNX、TensorRT、CoreMLなど多数の形式にワンコマンドでエクスポートできるため、さまざまなハードウェアアーキテクチャに対応したモデルのデプロイ方法を簡素化できます。
結論#
YOLOv8とRTDETRv2は、どちらもリアルタイム物体検出に優れた機能を備えています。RTDETRv2はTransformerがグローバルコンテキストを捉える方法を示しており、推論速度やメモリ負荷が主な制約ではない、複雑な空間推論タスクに適しています。
一方、速度、精度、リソース効率のバランスを重視する開発者には、Ultralytics YOLOモデルのほうが実用的な選択肢です。YOLOv8は軽量な設計、使いやすさ、マルチタスク対応、活発なオープンソースエコシステムを備えているため、拡張性の高い本番環境に適しています。エッジで最高の性能を求める場合、YOLO26はNMSフリー推論と高速なCPU処理を実現します。
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。