YOLOv9とRTDETRv2
リアルタイムの物体検出は、近年大きく変化しました。現在、この分野を主導しているのは、効率的な畳み込みニューラルネットワーク(CNN)と、リアルタイムのDetection Transformer(DETR)という2つの異なるアーキテクチャです。YOLOv9とRTDETRv2は、これら2つのアプローチを代表するモデルです。
このガイドでは、2つのモデルのアーキテクチャ上の革新、性能指標、理想的なデプロイシナリオを分析し、コンピュータービジョンのパイプラインに適したモデルを選べるよう比較します。
概要#
どちらのモデルも優れた結果を達成しますが、異なるデプロイ制約と開発エコシステムに対応しています。
- YOLOv9を選ぶ場合: パラメーターを効率的に利用し、エッジデバイスで高速に推論する必要がある場合です。YOLOv9はCNNのパラメーター効率を重視しているため、計算リソースが厳しく制限された環境に適しています。
- RTDETRv2を選ぶ場合: 特に深刻なオクルージョンや複雑な物体間の関係があるシーンでTransformerが提供するグローバルコンテキストモデリングが必要であり、やや重いアーキテクチャを支えるハードウェアがある場合です。
- YOLO26を選ぶ場合(推奨): CNNの効率性を保ちながらNMSフリー推論を実現したい場合です。Ultralytics Platformで利用できる最新世代のYOLO26は、オプションのエンドツーエンドNMSフリー設計(
nms=False、DETRモデルに類似)を備え、後処理のボトルネックを解消します。また、YOLO26nはYOLO11nよりCPU推論が最大43%高速です。
技術仕様と開発者#
これらのモデルの起源と設計意図を理解すると、アーキテクチャの選択をより適切に把握できます。
YOLOv9#
- 著者: Chien-Yao Wang、Hong-Yuan Mark Liao
- 組織:中央研究院情報科学研究所
- 日付: 2024-02-21
- arXiv: https://arxiv.org/abs/2402.13616
- GitHub: WongKinYiu/yolov9
RTDETRv2#
- 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
アーキテクチャの革新#
YOLOv9:情報ボトルネックの解消#
YOLOv9は、深層ニューラルネットワークをデータが通過する際の情報損失に対処するため、2つの主要な革新を導入しています。
- プログラマブル勾配情報 (PGI): この補助的な教師あり学習フレームワークは、信頼性の高い勾配を生成してネットワークの重みを更新し、非常に深いネットワーク層でも重要な特徴情報を保持できるようにします。
- 汎用効率的レイヤー集約ネットワーク (GELAN): CSPNetとELANの強みを組み合わせたアーキテクチャです。GELANはパラメーター効率を最適化し、従来のCNNと比べて少ないFLOPsでYOLOv9の精度を高めます。
RTDETRv2:リアルタイムTransformerの強化#
オリジナルのRT-DETRを基盤とするRTDETRv2は、非最大値抑制 (NMS)を本質的に不要にするTransformerベースのアーキテクチャを採用しています。主な改良点は次のとおりです。
- Bag-of-Freebies戦略: v2では、推論レイテンシを増やすことなく精度を向上させる、追加の学習手法とデータ拡張が取り入れられています。
- 効率的なハイブリッドエンコーダー: スケール内およびスケール間の注意機構を分離してマルチスケール特徴を処理することで、RTDETRv2はVision Transformerに従来伴っていた高い計算コストを抑えます。
RTDETRv2はNMSを使わない検出にTransformerを用いる一方、新しいYOLO26アーキテクチャは効率的なCNN構造内でオプションの1対1ヘッド (nms=False) を使用してこれを実現し、同様にシンプルなデプロイと、より高速なエッジ推論を提供します。
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には、精度と計算要件のトレードオフが重要です。以下の表では、標準的なベンチマークにおける各モデルサイズの性能を示します。
| 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) |
|---|---|---|---|---|---|---|
| YOLOv9t | 640 | 38.3 | - | 2.3 | 2.0 | 7.7 |
| YOLOv9s | 640 | 46.8 | - | 3.54 | 7.2 | 26.7 |
| YOLOv9m | 640 | 51.4 | - | 6.43 | 20.1 | 76.8 |
| YOLOv9c | 640 | 53.0 | - | 7.16 | 25.5 | 102.8 |
| YOLOv9e | 640 | 55.6 | - | 16.77 | 58.1 | 192.5 |
| 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 |
分析#
データが示すとおり、YOLOv9はパラメーター効率において明確な優位性があります。YOLOv9cモデルは、わずか25.5Mのパラメーターで53.0 mAPを達成します。
一方、RTDETRv2は中規模から大規模のモデルカテゴリーで高い競争力を発揮し、RTDETRv2-sはYOLOv9sより高精度です。ただし、Transformerモデルに典型的な、より多くのパラメーターと大きなFLOPsが必要になります。このアーキテクチャの違いはメモリ使用量にも影響します。YOLOモデルは通常、Transformerベースのモデルと比べて、学習時と推論時のどちらでも必要なCUDAメモリが大幅に少なくなります。
Ultralyticsの強み:エコシステムと汎用性#
アーキテクチャの指標自体も重要ですが、AIプロジェクトの成否はソフトウェアエコシステムによって決まることがよくあります。Ultralytics Python APIを通じてこれらのモデルを利用すると、実用的なメリットが得られます。
効率的な学習とデプロイ#
Detection Transformerの学習には通常、複雑な設定ファイルとハイエンドGPUが必要です。Ultralyticsフレームワークを利用すると、開発者はYOLOv9とRT-DETRの両方を同じシンプルな構文で学習でき、効率的な学習パイプラインとすぐに使える事前学習済み重みを活用できます。
from ultralytics import RTDETR, YOLO
# YOLOv9モデルを学習する
model_yolo = YOLO("yolov9c.pt")
model_yolo.train(data="coco8.yaml", epochs=100, imgsz=640)
# まったく同じAPIを使ってRTDETRモデルを学習する
model_rtdetr = RTDETR("rtdetr-l.pt")
model_rtdetr.train(data="coco8.yaml", epochs=100, imgsz=640)
# モデルをOpenVINOまたはTensorRTへエクスポートします
model_yolo.export(format="openvino")タスクへの対応力#
RTDETRv2のような特化型モデルの大きな制約は、バウンディングボックス検出に用途が限られることです。これに対して、YOLO11やYOLOv8などのモデルを含む幅広いUltralyticsエコシステムは、多様なコンピュータービジョンタスクに対応しています。これには、ピクセル単位のインスタンスセグメンテーション、画像全体の分類、骨格の姿勢推定、航空画像向けの回転バウンディングボックス (OBB)検出が含まれます。
実際の用途#
エッジでの高速分析#
エッジデバイスでのリアルタイム商品認識が必要な小売環境や製造ラインでは、YOLOv9がより優れた選択肢です。GELANアーキテクチャは、NVIDIA Jetsonシリーズのようなリソースに制約のあるハードウェアでも高いスループットを実現し、大きな遅延なく品質管理を自動化できます。
複雑なシーンの分析#
人混みの監視や複雑な交通交差点など、物体同士が頻繁に遮蔽し合う状況では、RTDETRv2のグローバルな注意機構が力を発揮します。画像全体のコンテキストをネイティブに推論できるため、物体の一部が隠れていても、堅牢な追跡と検出を維持できます。
ユースケースと推奨事項#
YOLOv9とRT-DETRのどちらを選ぶかは、プロジェクト固有の要件、デプロイ上の制約、エコシステムの好みによって異なります。
YOLOv9を選ぶ場合#
YOLOv9が適している用途:
- 情報ボトルネックの研究: プログラム可能な勾配情報(PGI)や一般化効率的層集約ネットワーク(GELAN)のアーキテクチャを研究する学術プロジェクト。
- 勾配フロー最適化の研究: 学習中の深層ネットワーク層における情報損失の理解と抑制に焦点を当てた研究。
- 高精度検出のベンチマーク: アーキテクチャの比較において、YOLOv9の優れたCOCOベンチマーク性能を基準として必要とするシナリオ。
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の物体検出に向けて、注意機構やTransformerアーキテクチャを検討するプロジェクト。
- 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#
ほとんどの新規プロジェクトでは、Ultralytics YOLO26が性能と開発者体験の最適な組み合わせを提供します。
- 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。
次世代モデル:YOLO26の登場#
YOLOv9とRTDETRv2は大きな成果を上げていますが、コンピュータービジョン分野は急速に進歩しています。新しいプロジェクトには、YOLO26を推奨します。
2026年1月にリリースされたYOLO26は、CNNの効率性とDETRスタイルのエンドツーエンド推論を組み合わせています。オプションのエンドツーエンドNMSフリーデザイン(nms=False)を備え、NMS後処理をなくします。この手法はYOLOv10がYOLOモデルに導入しました。また、YOLO26はエッジとの互換性向上のために分布焦点損失(DFL)を削除し、MuSGD Optimizerを導入しています。大規模言語モデルのトレーニング、特にMoonshot AIのKimi K2に着想を得たこのSGDとMuonのハイブリッドは、トレーニングの安定性と収束速度を向上させます。
小さな物体の検出を改善するProgLossとSTAL (Progressive Loss and Small-Target-Aware Label Assignment)とあわせて、これらの変更によりYOLO26は最新のAIデプロイに適したモデルとなっています。YOLO26nはCPUでYOLO11nより最大43%高速に動作します。
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。