YOLOv9とYOLOv6-3.0
リアルタイム物体検出の進化は、ニューラルネットワークアーキテクチャの継続的な革新によって推進され、推論速度、精度、計算効率のバランスが追求されてきました。開発者や研究者が数多くのコンピュータービジョンフレームワークから選ぶ際には、用途に合ったツールを選定するため、主要なアーキテクチャを比較することが欠かせません。
この技術ガイドでは、優れた2つのモデル、深層ネットワーク内の情報保持で知られるYOLOv9と、産業用途に特化したモデルであるYOLOv6-3.0を比較します。
YOLOv9の概要:特徴保持の最大化#
2024年初頭に登場したYOLOv9は、ディープニューラルネットワークにおける最も根深い課題の一つ、フィードフォワード処理中の情報損失に取り組みます。勾配の信頼性を保ち、特徴マップが重要なデータを維持できるようにすることで、精度を向上させます。
- 著者: Chien-Yao Wang、Hong-Yuan Mark Liao
- 所属機関: 台湾、中央研究院情報科学研究所
- 日付: 2024年2月21日
- リンク: arXiv論文、GitHubリポジトリ
アーキテクチャと手法#
YOLOv9は、Programmable Gradient Information(PGI)の概念とGeneralized Efficient Layer Aggregation Network(GELAN)を導入しています。PGIは補助的な監視を提供して情報ボトルネックに対処し、推論時の負荷を増やすことなく、メインネットワークが堅牢で信頼性の高い特徴を学習できるようにします。一方、GELANはパラメーターの利用効率を最適化し、計算コストを抑えながら最先端の平均適合率(mAP)を達成できます。そのため、特徴の忠実性が重要となる医療画像解析や極小物体の検出に適しています。
YOLOv6-3.0の概要:産業規模向けに構築#
Meituanが開発したYOLOv6-3.0(v3.0とも呼ばれます)は、負荷の高い産業用途向けに一から設計されています。2023年初頭にリリースされ、デプロイ効率に重点を置き、エッジハードウェアで優れた性能を発揮する、量子化に適した一連のモデルを提供します。
- 著者: Chuyi Li、Lulu Li、Yifei Geng、Hongliang Jiang、Meng Cheng、Bo Zhang、Zaidan Ke、Xiaoming Xu、Xiangxiang Chu
- 組織: Meituan
- 日付: 2023年1月13日
- リンク: arXiv論文、GitHubリポジトリ
アーキテクチャと手法#
YOLOv6-3.0の特徴は、RepOptimizerとAnchor-Aided Training(AAT)の手法です。RepVGGに着想を得たハードウェア対応のニューラルネットワーク設計を採用しており、推論時にレイヤーを融合することでGPU上で非常に高速に動作します。3.0アップデートでは、位置特定精度を向上させるBi-directional Concatenation(BiC)モジュールを導入し、アーキテクチャをさらに改良しました。TensorRTやOpenVINOなどのデプロイ形式向けに高度に最適化されているため、YOLOv6-3.0は物流、製造自動化、高スループットのサーバー環境で広く採用されています。
パフォーマンス比較#
標準のCOCOデータセットでこれらのモデルを評価すると、精度と実推論速度の間に明確なトレードオフが見られます。
| 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 |
| YOLOv6-3.0n | 640 | 37.5 | - | 1.17 | 4.7 | 11.4 |
| YOLOv6-3.0s | 640 | 45.0 | - | 2.66 | 18.5 | 45.3 |
| YOLOv6-3.0m | 640 | 50.0 | - | 5.28 | 34.9 | 85.8 |
| YOLOv6-3.0l | 640 | 52.8 | - | 8.95 | 59.6 | 150.7 |
技術分析#
T4ハードウェアで実測速度が最速なのはYOLOv6-3.0n(1.17 ms)ですが、YOLOv9tはパラメーター数を半分以下(200万対470万)に抑えながら、わずかに高いmAP(38.3%)を達成し、FLOPsも大幅に削減します。複雑な高精度要件に対しては、最大モデルのYOLOv9eがmAP 55.6%に達し、深層ネットワークにおけるPGIアーキテクチャの有効性を示しています。
新しいコンピュータービジョンプロジェクトには、UltralyticsはYOLO26を推奨します。2026年1月にリリースされたYOLO26は、ネイティブのエンドツーエンドNMSフリー設計(nms=False)を備え、Non-Maximum Suppression(NMS)の後処理レイテンシを排除します。また、YOLO26nはYOLO11nよりCPU推論が最大43%高速です。
Ultralyticsエコシステムの利点#
どのモデルのアーキテクチャ思想を選ぶ場合でも、Ultralytics Python APIを通じてネイティブに実装することで、一貫した開発者エクスペリエンスを得られます。
使いやすさとトレーニング効率#
複雑なディープラーニングモデルのトレーニングには、従来、多くの定型コードが必要でした。Ultralytics PlatformとPythonパッケージが、こうした複雑な処理を担います。YOLOv9を欠陥検出向けにファインチューニングする場合も、YOLOv6をモバイルアプリケーション向けにエクスポートする場合も、ワークフローは一貫しています。
Ultralyticsのアーキテクチャは一般に、重いTransformerベースのモデルよりも、トレーニング時のCUDAメモリ要件が低くなっています。これにより、開発者はコンシューマー向けGPUでより大きなバッチサイズを使用でき、トレーニング効率を高められます。
from ultralytics import YOLO
# モデルファイルの文字列を変更するだけで、アーキテクチャを簡単に切り替えられます
# model = YOLO("yolov6n.yaml") # YOLOv6はYAML設定として利用できます(事前学習済み重みはありません)
model = YOLO("yolov9c.pt")
# 組み込みのデータ拡張とキャッシュを使用してモデルをトレーニングします
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device="0")
# ONNXまたはTensorRTにエクスポートします
model.export(format="engine", quantize=16)多様なビジョンタスクに対応#
YOLOv6-3.0はバウンディングボックスの高速生成に高度に最適化されていますが、最新のコンピュータービジョンプロジェクトでは、複数タスクへの対応が求められることがよくあります。Ultralyticsのモデルは汎用性の高さで知られています。Ultralytics YOLOv8や新しいYOLO26などのモデルを使えば、1つのフレームワークで物体検出、インスタンスセグメンテーション、画像分類、姿勢推定、回転バウンディングボックス(OBB)に対応できます。
YOLO26の紹介:新たな標準#
性能とデプロイの容易さを両立させたい組織には、YOLO26が速度と精度を兼ね備えた優れた選択肢です。
YOLO11の成功を基盤として、YOLO26では複数の新機能を導入しています。
- MuSGDオプティマイザー: Moonshot AIのKimi K2のような大規模言語モデル(LLM)のトレーニング手法に着想を得た、SGDとMuonのハイブリッド手法です。安定したトレーニングと高速な収束を実現します。
- DFLの削除: Distribution Focal Lossを削除することでYOLO26のエクスポートグラフを簡素化し、低消費電力のエッジコンピューティングチップとの互換性を高めます。
- ProgLoss + STAL: Progressive LossとSmall-Target-Aware Label Assignment(STAL)によって小さな物体の検出精度が向上し、ドローン運用やIoTアプリケーションで重要な性能を発揮します。
- タスク固有の改良: YOLO26には、セグメンテーション用のマルチスケールprotoモジュール、姿勢推定用のResidual Log-Likelihood Estimation(RLE)、OBB検出の境界問題を解決する専用の角度損失が含まれています。
最適なデプロイシナリオ#
適切なアーキテクチャを選ぶには、最終的に本番環境の制約を考慮する必要があります。
産業製造分野で確立されたパイプラインがあり、量子化に大きく依存し、ハードウェアのレイテンシを最小限に抑えるために専用の推論アクセラレーターを利用する場合は、YOLOv6-3.0を選択してください。
微妙なピクセルレベルの特徴を見落とせない医療診断や長距離監視に取り組む場合は、YOLOv9を選択してください。
一方、高精度とシンプルなNMSフリーのデプロイを両立するには、継続的な開発、包括的なドキュメント、コミュニティサポートを備えたUltralytics YOLO26が、最新のコンピュータービジョン開発に推奨される選択肢です。
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。