YOLOv9 と RTDETRv2#
リアルタイムobject detectionの分野は、近年パラダイムシフトを経験しています。この分野では、高度に最適化された畳み込みニューラルネットワーク（CNN）とリアルタイム検出Transformer（DETR）という、異なる2つのアーキテクチャの哲学が主流として台頭してきました。これら2つのアプローチの頂点に立っているのが、YOLOv9とRTDETRv2です。
この包括的なガイドでは、これら2つの強力なモデルを比較し、そのアーキテクチャの革新、performance metrics、および理想的なデプロイシナリオを分析して、computer visionパイプラインに適したモデルを選択できるようにします。
エグゼクティブサマリー#
両モデルとも最先端の成果を達成していますが、デプロイメントの制約や開発エコシステムにおいて、それぞれわずかに異なるニーズに対応しています。
- YOLOv9を選択すべき場合: 高効率なパラメータ活用と、エッジデバイス上での高速な推論が必要な場合。YOLOv9はCNN効率の理論的限界を押し広げており、計算リソースが厳しく制限される環境に最適です。
- RTDETRv2を選択すべき場合: Transformersが提供するニュアンスのある文脈理解が必要な場合、特に重度のオクルージョン（遮蔽）や複雑な物体関係があるシーンで有効です。また、わずかに重いアーキテクチャをサポートできるハードウェア環境が必要です。
- YOLO26（推奨）を選ぶべき理由: 両方の長所を最大限に活かしたい場合。Ultralytics Platformで利用可能な最新世代であるYOLO26は、ネイティブなEnd-to-End NMS-Free Design（DETRモデルに似ていますが、より高速です）を備えており、後処理のボトルネックを排除し、前世代と比較して最大43%高速なCPU推論を実現します。
技術仕様と著作権情報#
これらのモデルの起源と設計意図を理解することは、そのアーキテクチャの選択における重要な背景情報を提供します。
YOLOv9#
著者: Chien-Yao Wang、Hong-Yuan Mark Liao
組織: Institute of Information Science, Academia Sinica
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決#
Ultralytics YOLOv9は、ディープ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に設計された2つの主要な革新を導入しています。
- Programmable Gradient Information (PGI): この補助的な教師あり学習フレームワークは、ネットワークの重みを更新するための信頼性の高い勾配が生成されることを保証し、非常に深いネットワーク層においても重要な特徴情報を保持します。
- Generalized Efficient Layer Aggregation Network (GELAN): CSPNetとELANの強みを組み合わせた新しいアーキテクチャです。GELANはパラメータ効率を最適化し、従来のCNNと比較して少ないFLOPsでより高い精度を達成することを可能にします。
RTDETRv2: リアルタイムTransformersの強化#
オリジナルのRT-DETRの成功を基盤として、RTDETRv2は、Non-Maximum Suppression（NMS）の必要性を本質的に回避するTransformerベースのアーキテクチャを活用しています。その改良点には以下が含まれます：
- Bag-of-Freebies Strategy: v2イテレーションには、推論レイテンシに負荷をかけることなく精度を大幅に向上させる高度なトレーニング手法とデータ拡張が含まれています。
- Efficient Hybrid Encoder: マルチスケール特徴を分離されたイントラスケールおよびクロススケールアテンションメカニズムを通じて処理することで、RTDETRv2はVision Transformersの伝統的に高い計算コストを効率的に管理します。
RTDETRv2はNMSフリーの検出にTransformerを活用していますが、新しいYOLO26 architectureは、高度に最適化されたCNN構造内でこれをネイティブに実現し、同様の効率的なデプロイを可能にしながら、圧倒的に優れたエッジ推論速度を提供します。
パフォーマンスの比較#
本番環境向けにモデルを評価する際、accuracyと計算要件のトレードオフが重要になります。以下の表は、標準的なベンチマークにおけるさまざまなモデルサイズのパフォーマンスを示しています。
| モデル | サイズ (ピクセル) | mAPval 50-95 | 速度 CPU ONNX (ms) | 速度 T4 TensorRT10 (ms) | パラメータ (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv9t | 640 | 38.3 | - | 2.3 | 2.0 | 7.7 |
| YOLOv9s | 640 | 46.8 | - | 3.54 | 7.1 | 26.4 |
| YOLOv9m | 640 | 51.4 | - | 6.43 | 20.0 | 76.3 |
| YOLOv9c | 640 | 53.0 | - | 7.16 | 25.3 | 102.1 |
| YOLOv9e | 640 | 55.6 | - | 16.77 | 57.3 | 189.0 |
| 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#
データが示すように、YOLOv9はパラメータ効率において厳然とした優位性を維持しています。YOLOv9cモデルは、わずか25.3Mのパラメータで53.0 mAPという素晴らしい成果を達成しており、非常に軽量です。
一方、RTDETRv2は、中規模から大規模のモデルカテゴリにおいて強力な競合となります。しかし、これはパラメータ数の増加と、Transformer modelsに典型的な大幅に大きいFLOPsを代償としています。このアーキテクチャの違いはメモリ使用量にも表れており、YOLOモデルは、Transformerモデルと比較して、トレーニングと推論の両方で必要なCUDAメモリが通常はるかに少なくなります。
Ultralyticsの利点: エコシステムと汎用性#
純粋なアーキテクチャの指標も重要ですが、AIプロジェクトの成否は多くの場合ソフトウェアエコシステムによって決まります。Ultralytics Python APIを通じてこれらの高度なモデルにアクセスすることで、比類のない利点が得られます。
効率化されたトレーニングとデプロイメント#
検出Transformerのトレーニングには通常、複雑な設定ファイルとハイエンドGPUが必要です。Ultralytics frameworkを利用することで、開発者は同一のシンプルな構文でYOLOv9およびRTDETRモデルをトレーニングでき、効率的なトレーニングパイプラインとすぐに利用できる事前学習済みウェイトの恩恵を受けることができます。
from ultralytics import RTDETR, YOLO
# Train a YOLOv9 model
model_yolo = YOLO("yolov9c.pt")
model_yolo.train(data="coco8.yaml", epochs=100, imgsz=640)
# Train an RTDETR model using the exact same API
model_rtdetr = RTDETR("rtdetr-l.pt")
model_rtdetr.train(data="coco8.yaml", epochs=100, imgsz=640)
# Export models to OpenVINO or TensorRT seamlessly
model_yolo.export(format="openvino")比類のないタスク汎用性#
RTDETRv2のような特化型モデルの大きな制限は、バウンディングボックス検出への過度な特化です。対照的に、YOLO11やYOLOv8などのモデルを網羅する広範なUltralyticsエコシステムは、幅広いcomputer vision tasksをサポートしています。これには、ピクセル精度のinstance segmentation、骨格のpose estimation、画像全体のclassification、および航空画像向けのOriented Bounding Box (OBB)検出が含まれます。
実際のアプリケーション#
高速エッジ解析#
エッジデバイスでのリアルタイムな製品認識が必要な小売環境や製造ラインでは、YOLOv9が優れた選択肢となります。そのGELAN architectureは、NVIDIA Jetsonシリーズなどの制約のあるハードウェア上で高いスループットを保証し、重大な遅延なしに自動品質管理を可能にします。
複雑なシーン解析#
密集した群衆監視や、物体が頻繁に重なり合う複雑な交差点などのシナリオでは、RTDETRv2のグローバルアテンションメカニズムが真価を発揮します。画像全体のコンテキストをネイティブに推論するモデルの能力により、物体が部分的に隠れている場合でも強力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のどちらを選択するかは、特定のプロジェクト要件、デプロイメントの制約、およびエコシステムの優先順位に依存します。
YOLOv9を選択すべき場合#
YOLOv9は以下の場合に強力な選択肢となります:
- 情報ボトルネック研究: Programmable Gradient Information (PGI)およびGeneralized Efficient Layer Aggregation Network (GELAN)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: トレーニング中の深層ネットワーク層における情報損失の理解と軽減に重点を置いた研究。
- 高精度検出ベンチマーク: アーキテクチャ比較の基準点として、YOLOv9の強力なCOCOベンチマークパフォーマンスが必要とされるシナリオ。
RT-DETRを選択すべき時#
RT-DETRが推奨される場合:
- Transformerベースの検出研究： NMSなしのエンドツーエンド物体検出に向けたアテンションメカニズムやTransformerアーキテクチャを探求するプロジェクト。
- 高い精度が求められ、レイテンシに柔軟性があるシナリオ： 検出精度が最優先され、多少推論レイテンシが高くても許容されるアプリケーション。
- 大きな物体の検出： 主に中規模から大規模な物体が中心となるシーンで、Transformerのグローバルアテンションメカニズムが自然な利点となる場合。
Ultralytics (YOLO26) を選択すべき時#
ほとんどの新しい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の最高の組み合わせを提供します。
- NMSフリーのエッジ展開： Non-Maximum Suppression後処理の複雑さを伴わずに、一貫した低レイテンシの推論が求められるアプリケーション。
- CPUのみの環境： GPUアクセラレーションを利用できないデバイスにおいて、YOLO26の最大43%高速なCPU推論が決定的な利点となる場合。
- 小物体検出: ProgLossとSTALにより極小オブジェクトの精度が大幅に向上する、空中ドローン画像やIoTセンサー分析などの困難なシナリオ。
未来への展望: YOLO26の登場#
YOLOv9とRTDETRv2は大きな達成を代表するものではありますが、computer visionの分野は急速に進化しています。新しいプロジェクトを開始しようとしている開発者にとって、**YOLO26**が推奨される最先端のソリューションです。
2026年にリリースされたYOLO26は、CNNとDETRの両方の優れた機能を統合しています。End-to-End NMS-Free Designを備え、後処理の遅延を完全に排除します。この技術はYOLOv10で初めて先駆けて採用されました。さらに、YOLO26はエッジ互換性を高めるためにDistribution Focal Loss（DFL）を削除し、革新的な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（具体的にはMoonshot AIのKimi K2）にインスパイアされたこのハイブリッドオプティマイザーは、これまでにないトレーニングの安定性と高速な収束を保証します。
ProgLossやSTALといった改良された損失関数と組み合わさることで、小さな物体の認識において卓越した能力を発揮するYOLO26は、最大43%高速なCPU推論を実現し、現代のAIデプロイメントのための究極のモデルとしての地位を確固たるものにしています。