はじめる

YOLOXとRTDETRv2

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、デプロイの実現可能性のバランスを慎重に取る必要があります。この技術分析では、広く利用されているアンカーフリーのCNNアーキテクチャであるYOLOXと、リアルタイム物体検出TransformerであるRTDETRv2の主な違いを解説します。

どちらのモデルも物体検出分野に大きく貢献してきましたが、本番環境対応のアプリケーションを構築する開発者は、Ultralytics YOLO26のような新しい代替モデルのほうが、トレーニング効率、メモリ要件、成熟したデプロイエコシステムの点で優れていると感じることがよくあります。

YOLOX:研究と産業の隔たりを埋める#

YOLOXは、YOLOシリーズをアンカーフリーに適応させたモデルとして人気を集め、リリース当時に顕著な性能向上をもたらしたシンプルな設計を導入しました。

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、分離型ヘッドと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なくすことで、アーキテクチャの設計パラメーター数を大幅に減らし、さまざまなベンチマークデータセットに対する汎化性能を高めました。軽量版のYOLOX-NanoとYOLOX-Tinyは、エッジデバイス上でのビジョンAIアプリケーションのデプロイで人気の選択肢となりました。

従来モデルに関する考慮事項

YOLOXは大きな進歩をもたらしましたが、従来の非最大値抑制(NMS)による後処理に依存しているため、ネイティブなエンドツーエンドモデルよりレイテンシが高くなる可能性があります。

YOLOXの詳細はこちら

RTDETRv2:リアルタイムビジョンTransformerの進化#

RT-DETRを基盤とするRTDETRv2は、Vision Transformer(ViT)を活用し、リアルタイム推論速度を維持しながら競争力のある精度を実現します。

  • 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Transformerベースのアーキテクチャで検出パイプラインを見直し、NMSをネイティブに回避します。これをハイブリッドエンコーダーとIoUを考慮したクエリ選択によって実現し、オブジェクトクエリの初期化を改善します。このモデルはマルチスケール特徴を効果的に処理し、夜間の交通映像検出などの複雑な環境で細部を捉えます。

ただし、Transformerは多くのリソースを必要とします。RTDETRv2のトレーニングでは通常、CNNベースの代替モデルよりも大幅に多くのGPUメモリと計算時間が必要となるため、厳しい予算制約のあるチームや、頻繁なモデルのチューニングが必要なチームにとって障壁となる場合があります。

RTDETRv2の詳細を見る

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、COCOデータセットでの性能を検証します。以下の表では、精度(mAP)、パラメーター数、計算複雑度のトレードオフを示します。

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)
YOLOXnano41625.8--0.911.08
YOLOXtiny41632.8--5.066.45
YOLOXs64040.5-2.569.026.8
YOLOXm64046.9-5.4325.373.8
YOLOXl64049.7-9.0454.2155.6
YOLOXx64051.1-16.199.1281.9
RTDETRv2-s64048.1-5.032060
RTDETRv2-m64051.9-7.5136100
RTDETRv2-l64053.4-9.7642136
RTDETRv2-x64054.3-15.0376259

RTDETRv2は、同程度のレイテンシでより高い精度を実現します(たとえば、RTDETRv2-xは15.03 msで54.3 mAP、YOLOXxは16.1 msで51.1 mAP)。一方、YOLOXは軽量なパラメータ構成で優位性を保ち、特にNanoおよびTinyバリアントが強みです。

ユースケースと推奨事項#

YOLOX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、エコシステムへの好みによって決まります。

YOLOXを選ぶタイミング#

YOLOXは次のような用途に適しています:

  • アンカーフリー検出の研究: 新しい検出ヘッドや損失関数を試す際のベースラインとして、YOLOXのシンプルなアンカーフリーアーキテクチャを使用する学術研究。
  • 超軽量エッジデバイス: YOLOX-Nanoバリアントの極めて小さなフットプリント(パラメーター数0.91M)が重要となる、マイクロコントローラーや旧式のモバイルハードウェアへのデプロイ。
  • SimOTAラベル割り当ての研究: 最適輸送に基づくラベル割り当て戦略と、トレーニングの収束への影響を調査する研究プロジェクト。

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。

Ultralyticsの強み: YOLO26#

YOLOXとRTDETRv2にはそれぞれ異なる強みがありますが、2026年1月にリリースされたUltralytics YOLO26は、速度、精度、デプロイの容易さに関する従来のトレードオフの多くに対処します。

1. エンドツーエンドのNMSフリーアーキテクチャ#

Transformerモデルの着想を取り入れつつCNNの効率性を維持したYOLO26は、オプションのエンドツーエンドNMSフリーデザイン(nms=False)を備えています。後処理の非最大値抑制をなくすことで、YOLO26はデプロイパイプラインを簡素化し、複雑なしきい値調整を伴わずに、さまざまなエッジデバイスで一貫した推論レイテンシを実現します。

2. CPU推論が最大43%高速#

通常GPUに依存するRTDETRv2などの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に最適化されています。Distribution Focal Loss(DFL)を削除してモデルのエクスポートを簡素化し、YOLO26nはYOLO11nよりCPU推論が最大43%高速です。そのため、Raspberry Piなどのハードウェアや一般的なモバイルデバイスへの統合に適しています。

3. MuSGDによるトレーニング効率#

Transformerモデルのトレーニングでは、過剰なCUDAメモリ消費や長時間のトレーニングが発生することがよくあります。YOLO26は、確率的勾配降下法とLLMに着想を得たMuon Optimizerを組み合わせたMuSGD Optimizerを導入し、安定したトレーニングと高速な収束を実現します。CNNアーキテクチャと相まって、トレーニングに必要なハードウェア要件をRTDETRv2より低く抑えます。

4. エコシステムと汎用性#

Ultralyticsエコシステムは、直感的で効率的な開発者体験を提供します。充実したドキュメント、活発なコミュニティサポート、クラウドを活用したUltralytics Platformにより、AIのライフサイクル全体を簡単に管理できます。YOLO26は汎用性にも優れています。RTDETRv2が物体検出に重点を置く一方、YOLO26は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)タスクにネイティブ対応します。新しいProgLoss + STAL(Progressive Loss and Small-Target-Aware Label Assignment)により、小さなオブジェクトの検出精度も向上し、航空画像や産業用欠陥検出に不可欠な機能を実現します。

その他の対応モデル

Ultralyticsフレームワークは、旧世代のYOLO11とYOLOv8にも対応しているため、既存のパイプラインを簡単にベンチマークし、移行できます。

Ultralyticsとの統合#

モデルのデプロイに、複雑で断片化したコードベースへの対応が必要であってはなりません。Ultralytics Python APIを使えば、わずか数行のコードで最先端モデルの読み込み、トレーニング、エクスポートが可能です。

from ultralytics import YOLO

# エッジで最高の性能を発揮する最新のYOLO26 nanoモデルを読み込みます
model = YOLO("yolo26n.pt")

# メモリ使用量を最小限に抑えながら、カスタムデータセットでモデルをトレーニングします
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# モデルの性能を検証します
metrics = model.val()

# デプロイ用にONNXまたはTensorRTへエクスポートします
model.export(format="onnx")

Ultralyticsを活用すれば、研究用リポジトリで一般的な複雑な環境設定を回避でき、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発展における重要な節目となりました。YOLOXは効率的なアンカーフリーCNNの実用性を示し、RTDETRv2はTransformerをリアルタイムの制約に適応させました。

しかし、スマートリテール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を推奨します。NMSフリー推論、高速なCPU処理、少ないメモリ使用量、Ultralytics Platformのサポートを組み合わせたYOLO26は、信頼性と高性能を備えたコンピュータービジョンシステムの構築に役立ちます。

コントリビューター

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。