YOLOX vs. RTDETRv2: リアルタイム物体検出モデルの進化を評価する

コンピュータビジョンアプリケーションに最適なアーキテクチャを選択するには、精度、推論速度、およびデプロイの実現可能性の慎重なバランスが求められます。本技術分析では、非常に成功したアンカーフリーCNNアーキテクチャであるYOLOXと、最先端のリアルタイム検出TransformerであるRTDETRv2の基本的な違いを探ります。

両モデルとも物体検出の分野に多大な貢献をしてきましたが、プロダクション対応のアプリケーションを構築する開発者は、Ultralytics YOLO26のような現代の代替モデルの方が、優れたトレーニング効率、より低いメモリ要件、そしてより堅牢なデプロイエコシステムを提供していることに気づくでしょう。

YOLOX: 研究と産業のギャップを埋める

YOLOXは、YOLOシリーズのアンカーフリーな適応型として非常に人気を博しました。リリース当時には印象的なパフォーマンス向上を実現する簡素化された設計が導入されました。

• 著者: Zheng Ge, Songtao Liu, Feng Wang, Zeming Li, Jian Sun
• 組織: Megvii
• 日付: 2021年7月18日
• リンク: Arxiv, GitHub, Docs

アーキテクチャの革新

YOLOXはYOLOファミリーをアンカーフリーのパラダイムへ移行させ、デカップルドヘッドと高度なSimOTAラベル割り当て戦略を統合しました。アンカーボックスを排除することで、このアーキテクチャは設計パラメータの数を大幅に削減し、多様なベンチマークデータセット全体での汎化性能を向上させました。軽量版であるYOLOX-NanoやYOLOX-Tinyは、エッジデバイス上でのビジョンAIアプリケーションをデプロイするための人気の選択肢となりました。

YOLOXの詳細はこちら

RTDETRv2: リアルタイムVision Transformerの進化

RTDETRv2は、その前身の基盤の上に構築されており、Vision Transformer (ViT) の能力を活用することで、リアルタイム推論速度を犠牲にすることなく、非常に競争力のある精度を実現しています。

• 著者： Wenyu Lv, Yian Zhao, Qinyao Chang, Kui Huang, Guanzhong Wang, Yi Liu
• 組織： Baidu
• 日付： 2024-07-24
• リンク: Arxiv, GitHub

アーキテクチャの革新

RTDETRv2は、Non-Maximum Suppression (NMS) をネイティブにバイパスするTransformerベースのアーキテクチャを利用することで、検出パイプラインを根本的に再構築しています。これは、ハイブリッドエンコーダーとIoUアウェアなクエリ選択によって達成され、オブジェクトクエリの初期化が改善されます。このモデルはマルチスケール特徴量を効果的に処理するため、夜間の交通ビデオ検出のような複雑な環境下でも複雑な細部を捉えることが可能です。

しかし、Transformerは本質的にリソースを集中的に消費します。RTDETRv2のトレーニングには、通常、CNNベースの代替モデルよりも大幅に多くのGPUメモリと計算サイクルが必要となります。これは、厳格な予算制約の中で運用するチームや、頻繁なモデルチューニングを必要とするチームにとっては障害となる可能性があります。

RTDETRの詳細はこちら

性能比較表

これらのアーキテクチャを客観的に評価するために、COCOデータセットでのパフォーマンスを検証します。以下の表は、精度（mAP）、パラメータ数、および計算複雑性の間のトレードオフを示しています。

RTDETRv2は印象的な精度を実現していますが、YOLOXは特にNanoおよびTinyバリアントにおいて、軽量なパラメータプロファイルの利点を維持しています。

ユースケースと推奨事項

YOLOXとRT-DETRのどちらを選択するかは、プロジェクト固有の要件、デプロイの制約、およびエコシステムの好みによって異なります。

YOLOXを選択すべき場合

YOLOXは以下の場合に強力な選択肢となります：

• アンカーフリー検出の研究: YOLOXのクリーンでアンカーフリーなアーキテクチャを、新しい検出ヘッドや損失関数の実験のためのベースラインとして使用する学術研究。
• 超軽量エッジデバイス: マイクロコントローラーやレガシーなモバイルハードウェアへのデプロイ。YOLOX-Nanoバリアントの極めて小さなフットプリント（0.91Mパラメータ）が不可欠な場合。
• SimOTAラベル割り当ての研究: 最適輸送ベースのラベル割り当て戦略と、それが学習の収束に与える影響を調査する研究プロジェクト。

RT-DETRを選ぶべき場面

RT-DETRは次の場合に推奨されます：

• Transformerベースの検出研究： NMSなしでのエンドツーエンドの物体検出に向けて、アテンションメカニズムとTransformerアーキテクチャを研究するプロジェクト。
• レイテンシを柔軟に調整できる高精度シナリオ： 検出精度が最優先であり、わずかに高い推論レイテンシが許容されるアプリケーション。
• 大型物体の検出： 主に中型から大型の物体が含まれるシーン。Transformerのグローバルアテンションメカニズムが自然な利点をもたらします。

Ultralytics (YOLO26) を選択すべき場合

ほとんど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の最高の組み合わせを提供します：

• NMSフリーのエッジデプロイ: Non-Maximum Suppressionの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: 専用のGPUアクセラレーションが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ります。
• 小物体の検出: 航空ドローンの映像 やIoTセンサーの分析など、ProgLossとSTALが小物体の精度を大幅に高めることができる困難なシナリオ。

Ultralyticsの利点: YOLO26

YOLOXとRTDETRv2の両方が異なる強みを提供していますが、新しくリリースされたUltralytics YOLO26は、スピード、精度、デプロイの容易さの間の歴史的なトレードオフを解消し、ビジョンAIの最先端を再定義します。

1. エンドツーエンドのNMSフリーアーキテクチャ

Transformerモデルから着想を得つつCNNの効率性を維持したYOLO26は、ネイティブなエンドツーエンドNMSフリー設計を特徴としています。後処理ステップとしてのNon-Maximum Suppressionを排除することで、YOLO26はデプロイパイプラインを劇的に簡素化し、複雑な閾値調整のオーバーヘッドなしに、多様なエッジデバイス間で一貫した推論レイテンシを保証します。

2. 最大43%高速なCPU推論

ハイエンドGPUに大きく依存するRTDETRv2のようなTransformerアーキテクチャとは異なり、YOLO26はエッジコンピューティング環境向けに特別に最適化されています。Distribution Focal Loss (DFL) を削除することで、YOLO26はモデルのエクスポートを効率化し、最大43%高速なCPU推論を実現します。これにより、Raspberry Piや一般的なモバイルデバイスなどのハードウェアへの統合に理想的な選択肢となります。

3. MuSGDによるトレーニング効率

Transformerモデルのトレーニングは、多くの場合、過度なCUDAメモリ消費と長時間のトレーニング時間を引き起こします。YOLO26は、Stochastic Gradient DescentとLLMにインスパイアされたMuonオプティマイザをハイブリッド化した、新しいMuSGDオプティマイザを導入しています。この革新により、非常に安定したトレーニングと高速な収束が実現され、RTDETRv2と比較してハードウェア要件が大幅に削減されます。

4. 比類のないエコシステムと汎用性

Ultralyticsエコシステムは、直感的で効率化された開発者体験を提供します。広範なドキュメント、活発なコミュニティサポート、そしてクラウド駆動のUltralytics Platformにより、AIライフサイクル全体の管理がこれまでになく容易になりました。さらに、YOLO26は非常に多用途です。RTDETRv2は物体検出に重点を置いていますが、YOLO26はインスタンスセグメンテーション、姿勢推定、画像分類、および傾きのあるバウンディングボックス (OBB)タスクをネイティブにシームレスにサポートします。新しいProgLoss + STAL損失関数によって強化されたYOLO26は、航空画像や産業用欠陥検出において極めて重要な機能である、小物体認識にも優れています。

Ultralyticsとのシームレスな統合

モデルのデプロイに、複雑で断片化したコードベースと格闘する必要はありません。Ultralytics Python APIを使用すれば、数行のコードで最先端モデルのロード、トレーニング、エクスポートが可能です。

from ultralytics import YOLO

# Load the latest YOLO26 nano model for optimal edge performance
model = YOLO("yolo26n.pt")

# Train the model on your custom dataset with minimal memory overhead
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Validate the model's performance
metrics = model.val()

# Export seamlessly to ONNX or TensorRT for deployment
model.export(format="onnx", optimize=True)

Ultralyticsを活用することで、研究用リポジトリにありがちな複雑な環境設定を回避し、市場投入までの時間を短縮できます。

結論

YOLOXとRTDETRv2は、リアルタイム物体検出の進化における重要なマイルストーンを象徴しています。YOLOXは高効率なアンカーフリーCNNの実現可能性を証明し、RTDETRv2はTransformerをリアルタイム制約に合わせて成功裏に適応させました。

しかし、スマート小売分析から組み込みロボティクスまで、現代のアプリケーションにはUltralytics YOLO26が決定的なソリューションを提供します。NMSフリーの推論と比類のないCPU速度、削減されたメモリフットプリント、そしてUltralytics Platformの強力なサポートを融合させることで、YOLO26は開発者が次世代の信頼性が高く高性能なコンピュータビジョンシステムを構築できるように支援します。