YOLOv8 RTDETRv2の比較：包括的な技術比較
急速に進化するコンピュータビジョンにおいて、適切な物体検出モデルを選択することはプロジェクトの成功に不可欠です。この比較では YOLOv8とBaiduの洗練された変換器ベースのモデルであるRTDETRv2との技術的な違いを掘り下げます。両者のアーキテクチャ、性能指標、必要リソースを分析することで、開発者や研究者が特定のニーズに最適なソリューションを選択できるようにすることを目的としている。
パフォーマンスの違いを視覚化する
下のグラフは、様々なモデルサイズにおけるスピードと精度のトレードオフを示しており、YOLOv8 全体的に優れた効率を維持していることを強調しています。
性能分析：速度 vs. 精度
次の表は、主要なメトリクスの直接的な比較である。RTDETRv2が最大のモデルで高い精度を達成しているのに対し、YOLOv8 推論速度とパラメータ効率、特に変圧器モデルがレイテンシのボトルネックに直面することが多いCPU ハードウェア上で大きな優位性を示しています。
| モデル | サイズ (ピクセル) | mAP値 50-95 | 速度 CPU ONNX (ms) | 速度 T4 TensorRT10 (ms) | params (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 | 165.2 |
| 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 |
Ultralytics YOLOv8：汎用性とスピードのスタンダード
2023年初頭発売、 YOLOv8は、YOLO ファミリーの大きな飛躍を象徴するもので、複数のコンピュータ・ビジョン・タスクのための統一されたフレームワークを導入している。YOLOv8は、速度と精度のトレードオフを最適化するよう設計されており、産業オートメーションからスマートシティ・インフラストラクチャに至るまで、リアルタイム・アプリケーションに非常に適している。
- 著者: Glenn Jocher、Ayush Chaurasia、Jing Qiu
- 組織Ultralytics
- Date: 2023-01-10
- GitHubultralytics
- ドキュメントYOLOv8 ドキュメント
主な建築上の特徴
YOLOv8 アンカーフリーの検出ヘッドを採用しており、学習プロセスを簡素化し、異なる物体形状に対する汎化性を向上させている。そのアーキテクチャは、効率的な特徴抽出のためのCSP（Cross-Stage Partial）ダークネットバックボーンと、ロバストなマルチスケールフュージョンのためのPAN（Path Aggregation Network）-FPNネックを特徴としています。多くの競合他社とは異なり、YOLOv8 、単一のユーザーフレンドリーなAPI内で、画像分類、インスタンス分割、姿勢推定、および指向性物体検出（OBB）をネイティブにサポートしています。
長所
- 卓越した効率性：メモリ使用量と計算負荷を最適化し、NVIDIA JetsonやRaspberry Piなどのエッジデバイスへの展開を可能にします。
- トレーニング速度：トランスフォーマベースのアーキテクチャと比較して、トレーニングに必要なCUDA メモリと時間が大幅に削減される。
- 豊富なエコシステム：包括的なドキュメント、活発なコミュニティによるサポート、そして以下のようなツールとのシームレスな統合に支えられています。 TensorRTや OpenVINO.
- 使いやすさ：「pip installultralytics」エクスペリエンスにより、開発者は数分でトレーニングと予測を開始できる。
RTDETRv2：プッシング・トランスの精度
RTDETRv2はReal-Time Detection TransformerRT-DETR）を進化させたもので、Vision Transformer（ViT）のグローバルコンテキスト機能を利用しつつ、ViT固有の待ち時間の問題を軽減するために開発された。自己注意メカニズムを活用することで、精度ベンチマークでYOLO モデルを打ち負かすことを目指しています。
- 著者: Wenyu Lv、Yian Zhao、Qinyao Chang、Kui Huang、Guanzhong Wang、Yi Liu
- 組織百度
- 日付：2024-07-24（v2リリース）
- ArxivRT-DETRv2 論文
- GitHubRT-DETR
アーキテクチャの概要
RTDETRv2はハイブリッドアプローチを採用しており、CNNバックボーン（通常はResNet）を用いて特徴を抽出し、それを変換エンコーダ・デコーダで処理する。自己アテンション機構により、モデルは画像の離れた部分間の関係を理解することができ、これはオクルージョンのある複雑なシーンで役立つ。バージョン2では、離散サンプリング演算子を導入し、動的学習の安定性を向上させた。
長所と短所
- 長所:
- グローバル・コンテキスト：トランスフォーマーであるため、複雑なオブジェクトの関係やオクルージョンの処理に優れている。
- 高い精度：最大のモデルは、YOLOv8x比較して、COCO データセットのmAP スコアがわずかに高い。
- アンカーフリー： YOLOv8同様、手動によるアンカーボックスの調整が不要。
- 弱点:
- リソース集約型：FLOPとパラメータ数が多いため、CPUでは遅くなり、トレーニングには高価なGPUが必要になる。
- 限られたタスクサポート： Ultralytics フレームワークのネイティブなマルチタスクの汎用性（セグメンテーション、ポーズなど）に欠けている。
- 複雑な展開：トランスフォーマーアーキテクチャは、純粋なCNNと比較して、モバイルや組み込みのターゲットに最適化することがより困難になる可能性がある。
詳細な比較アーキテクチャとユーザビリティ
トレーニングの効率と記憶力
最も明確な違いの一つは、トレーニングプロセスにある。RTDETRv2のような変換器ベースのモデルは、データを大量に消費し、メモリを大量に消費することで有名です。YOLOv8ようなCNNと比較すると、収束するまでにかなり多くのCUDA メモリと長い学習エポックを必要とすることが多い。GPU リソースが限られている研究者や新興企業向け、 Ultralytics YOLOv8は、コンシューマー・グレードのハードウェアで効率的なカスタム・トレーニングを可能にし、よりアクセスしやすい参入障壁を提供します。
多用途性とエコシステム
RTDETRv2は、純粋な検出タスクでは学術的に強力な候補だが、Ultralytics モデルを取り巻く全体的なエコシステムが欠けている。YOLOv8 単なるモデルではなく、それをサポートするプラットフォームの一部である：
- データ管理：以下のようなデータセットを簡単に扱うことができる。 COCOやObjects365のようなデータセットを簡単に扱うことができます。
- MLOpsとの統合 Weights & Biases, CometおよびUltralytics HUBとの統合。
- 展開：ワンクリックで ONNXやCoreML、TFLite 形式にワンクリックでエクスポートできます。
ハードウェアの検討
展開先がCPU 推論（標準的なサーバーやラップトップなど）や低消費電力のエッジデバイスを含む場合、 YOLOv8の方が、最適化されたCNNアーキテクチャにより、圧倒的に良い選択である。RTDETRv2は、専用のハイエンドGPU アクセラレーションを使用するシナリオに最適です。
理想的なユースケース
YOLOv8選ぶとき
YOLOv8 、実戦配備の大部分に選ばれています。スピード、正確さ、使いやすさのバランスがとれたYOLOv8は、次のような用途に最適です：
- リアルタイム分析：トラフィック監視、小売店分析、高FPSが重要なスポーツ分析。
- エッジコンピューティング：ドローン、ロボット、モバイルアプリでAIを実行する。
- マルチタスクアプリケーション： 物体追跡、セグメンテーション、分類を同時に必要とするプロジェクト。
RTDETRv2を選択するタイミング
RTDETRv2は、計算コストは二の次で精度がわずかに向上するような特定のニッチで輝きを放つ：
- 学術研究：視覚トランスフォーマーの特性の研究
- クラウドベースの処理：強力なサーバーファームでの画像のバッチ処理。待ち時間は、困難なオクルードオブジェクトの検出よりも重要ではありません。
コード例：YOLOv8使い始める
Ultralytics APIはシンプルに設計されています。Python コードを数行書くだけで、事前にトレーニングされたモデルをロードしたり、予測を実行したり、トレーニングを開始したりすることができます。
from ultralytics import YOLO
# Load a pretrained YOLOv8 model
model = YOLO("yolov8n.pt")
# Run inference on an image
results = model("https://ultralytics.com/images/bus.jpg")
# Display the results
results[0].show()
# Train on a custom dataset
# model.train(data="coco8.yaml", epochs=100, imgsz=640)
結論
RTDETRv2は、高精度を実現するトランス・アーキテクチャの可能性を示している、 Ultralytics YOLOv8は、実用的なプロダクション・グレードのコンピュータ・ビジョンとしては、依然として優れた選択肢です。YOLOv8アーキテクチャの効率性は、より高速な推論、より低いトレーニングコスト、より幅広いハードウェア互換性をもたらします。さらに、堅牢なUltralytics エコシステムは、開発者がAIソリューションを効率的に実現するために必要なツール、ドキュメント、コミュニティサポートを確実に提供します。
最新のパフォーマンスと効率性をお求めの方には、次の製品もお勧めします。 YOLO11は、YOLO 伝統をさらに洗練させ、精度とスピードのトレードオフをさらに改善したものです。
その他のモデルを見る
Ultralytics エコシステム内の選択肢をさらに探したり、他のSOTAモデルを比較したりすることに興味がある方は、以下のリソースをご覧ください：
- YOLO11：最新鋭のYOLO モデル。
- YOLOv10:リアルタイムのエンドツーエンドのオブジェクト検出器。
- RT-DETR:オリジナルのリアルタイム検出トランスフォーマー。
- YOLOv9：プログラマブルなグラデーション情報にフォーカス。