YOLOXとYOLOv10
リアルタイムコンピュータービジョンモデルの進化には、重要なアーキテクチャ上の進歩が見られます。この進化における2つの重要なマイルストーンは、YOLOXとYOLOv10です。2021年にリリースされたYOLOXは、効果的なアンカーフリー設計を導入し、学術研究と産業応用の隔たりを埋める一助となりました。その3年後、YOLOv10は後処理時のNon-Maximum Suppression(NMS)を不要にし、効率と速度を向上させました。
この技術比較では、次の物体検出プロジェクトに適したツールを選べるよう、両モデルのアーキテクチャ、性能指標、理想的なユースケースを検討します。
モデルの由来とメタデータ#
これらのモデルの起源を理解すると、アーキテクチャの選択や想定されるデプロイ環境を把握できます。
YOLOXの詳細
- 著者: Zheng Ge、Songtao Liu、Feng Wang、Zeming Li、Jian Sun
- 組織: Megvii
- 日付: 2021-07-18
- arXiv: https://arxiv.org/abs/2107.08430
- GitHub: https://github.com/Megvii-BaseDetection/YOLOX
- ドキュメント: https://github.com/Megvii-BaseDetection/YOLOX/tree/main/docs
YOLOv10の詳細
- 著者: Ao Wang、Hui Chen、Lihao Liu、Kai Chen、Zijia Lin、Jungong Han、Guiguang Ding
- 組織: 清華大学
- 日付: 2024-05-23
- arXiv: https://arxiv.org/abs/2405.14458
- GitHub: https://github.com/THU-MIG/yolov10
- ドキュメント: https://docs.ultralytics.com/models/yolov10
アーキテクチャの革新#
YOLOXとYOLOv10の主な違いは、バウンディングボックスの予測と後処理の方法にあります。
YOLOX:アンカーフリーデザインの先駆け#
YOLOXはYOLOファミリーをアンカーフリーアーキテクチャへと移行させました。事前定義されたアンカーボックスに頼らず物体の中心を予測することで、独自のデータセット向けに必要な設計パラメーター数とヒューリスティックな調整を大幅に削減しました。また、分類と回帰のタスクを別々の経路に分ける分離型ヘッドも導入しました。このアプローチによって、物体が「何であるか」の特定と「どこにあるか」の判定の競合を減らし、収束速度と精度を大きく向上させました。
YOLOv10:NMSフリーのリアルタイム検出#
YOLOXは検出ヘッドをシンプルにしましたが、重複したバウンディングボックス予測の除去には依然としてNMSを使用していました。YOLOv10は、この根本的なボトルネックに取り組みました。トレーニング中に一貫性のある二重割り当てを用いることで、YOLOv10はネイティブなエンドツーエンド検出を実現します。豊富な教師信号を確保するため、トレーニング中は1対多ヘッドを使用し、推論時には1対1ヘッドを使って最終予測を直接出力します。この効率と精度を総合的に考慮した設計はNMSを完全に排除し、組み込みチップでの推論レイテンシを大幅に低減します。
非極大値抑制は、ニューラルプロセッシングユニット(NPUs)上で高速化するのが難しい処理であることがよくあります。これを取り除くことで、YOLOv10はモデルグラフ全体を専用ハードウェア上で実行できるようになり、OpenVINOやTensorRTなどの最適化フレームワークとの互換性が向上します。
性能指標と比較#
本番環境向けのモデルを評価する際は、精度と計算オーバーヘッドのバランスが重要です。以下の表は、YOLOXとYOLOv10の各スケールにおけるトレードオフを示しています。
| 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) |
|---|---|---|---|---|---|---|
| YOLOXnano | 416 | 25.8 | - | - | 0.91 | 1.08 |
| YOLOXtiny | 416 | 32.8 | - | - | 5.06 | 6.45 |
| YOLOXs | 640 | 40.5 | - | 2.56 | 9.0 | 26.8 |
| YOLOXm | 640 | 46.9 | - | 5.43 | 25.3 | 73.8 |
| YOLOXl | 640 | 49.7 | - | 9.04 | 54.2 | 155.6 |
| YOLOXx | 640 | 51.1 | - | 16.1 | 99.1 | 281.9 |
| YOLOv10n | 640 | 38.5 | - | 1.84 | 2.3 | 6.7 |
| YOLOv10s | 640 | 46.3 | - | 2.49 | 7.2 | 21.6 |
| YOLOv10m | 640 | 51.1 | - | 4.74 | 15.4 | 59.1 |
| YOLOv10b | 640 | 52.5 | - | 5.74 | 19.1 | 92.0 |
| YOLOv10l | 640 | 53.2 | - | 7.28 | 24.4 | 120.3 |
| YOLOv10x | 640 | 54.4 | - | 10.70 | 29.5 | 160.4 |
データの分析#
この指標は、YOLOv10が世代を超えて進化したことを示しています。たとえば、YOLOv10-Sは平均適合率46.3%を達成し、YOLOX-mの46.9%にわずかに及ばないものの、パラメーター数は3分の1未満(7.2M対25.3M)で、FLOPsも大幅に少なくなっています。さらに、最上位モデルのYOLOv10-XはmAPを54.4%に引き上げており、旧世代のYOLOX-xアーキテクチャより高速でありながら、高い精度が求められるタスクでも十分に競争力があります。
Ultralyticsエコシステムの利点#
YOLOXは堅牢なオープンソース研究実装として現在も有用ですが、YOLOv10を採用すれば、Ultralyticsが提供する、適切に保守されたエコシステムをすぐに利用できます。Ultralyticsがサポートするモデルを選ぶことで、シンプルなAPIと豊富なドキュメントを備えた、使いやすい環境を利用できます。
開発者にとって、このフレームワークのメモリ要件の低さは大きな利点です。Ultralyticsモデルのトレーニングでは通常、RT-DETRのような大規模なTransformerベースの代替モデルよりも、CUDAメモリの消費量がはるかに少なくなります。この効率的なトレーニング時のメモリ使用量により、一般向けハードウェアでもバッチサイズを大きくでき、データ収集からモデルのデプロイまでの時間を短縮できます。また、このフレームワークは複数のタスクに対応しているため、コードをほとんど変更せずに物体検出、インスタンスセグメンテーション、姿勢推定を切り替えられます。
トレーニングと推論の例#
統合APIにより、アイデアをすばやく検証できます。次のコードスニペットでは、PyTorchバックエンドを使用してYOLOv10モデルをトレーニングし、デプロイします。
from ultralytics import YOLO
# 事前学習済みのYOLOv10 nanoモデルを読み込みます
model = YOLO("yolov10n.pt")
# COCO8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)
# サンプル画像で推論を実行する
predictions = model.predict("https://ultralytics.com/images/bus.jpg")
# エッジデプロイ用にモデルをエクスポート
model.export(format="engine", quantize=16)組み込みのエクスポート機能を活用すれば、モデルをTensorRTやONNXなどの形式に変換するために必要なのはコード1行だけで、複雑なコンパイル手順を省けます。
最適なユースケースとデプロイシナリオ#
どちらのアーキテクチャを選ぶかは、主にハードウェアの制約と特定の分野の要件によって決まります。
リアルタイムの動画分析#
自動運転やリアルタイムの交通監視など、非常に低いレイテンシが求められるアプリケーションでは、YOLOv10がより適しています。エンドツーエンドのNMSフリー設計により実行時間が予測可能になるため、後処理のレイテンシが変動することを許容できない安全システムにおいて重要です。NVIDIA Jetsonシリーズなどのデバイスでも高いフレームレートを実現します。
学術研究のベースラインとエッジマイクロコントローラー#
研究者がラベル割り当て戦略を検証するための、シンプルな分離ヘッドのベースラインを求める学術分野では、YOLOXにも依然として価値があります。また、非常に小型のYOLOX-Nano(パラメーター数100万未満)は、メモリが厳しく制限された高制約のエッジデバイスにも搭載できます。ただし、ハードウェアが標準的な畳み込み演算に対応している必要があります。
推奨モデル:Ultralytics YOLO26#
YOLOv10はNMSの排除において大きな前進を遂げましたが、コンピュータービジョンの分野は急速に進歩しています。新規プロジェクトには、2026年1月にリリースされたYOLO26をUltralyticsは推奨します。
YOLO26は前世代のアイデアを発展させ、優れたパフォーマンスバランスを提供します。検出、インスタンスセグメンテーション、セマンティックセグメンテーション、深度推定、分類、姿勢推定、回転バウンディングボックスをネイティブにサポートします。
最新のコンピュータービジョンパイプラインにYOLO26をおすすめする理由は次のとおりです。
- エンドツーエンドのNMSフリー設計: YOLOv10を基盤とするYOLO26は、ネイティブなエンドツーエンド推論(
nms=False)に対応し、NMSによる後処理のボトルネックなしに、より高速で予測可能な推論時間を実現します。 - CPU推論が最大43%高速: YOLO26nはCPU上でYOLO11nより最大43%高速に動作するため、モバイルプロセッサーやディスクリートGPUを搭載しないデバイスに適しています。
- MuSGDオプティマイザー: 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YOLO26は、SGDとMuonを組み合わせたハイブリッド方式を採用し、安定したトレーニングと高速な収束を実現します。
- ProgLoss + STAL: Progressive LossとSmall-Target-Aware Label Assignment(STAL)により、小さな物体の検出性能が向上します。これは、航空画像やドローンナビゲーションなど、要求の厳しい分野で重要です。
- DFLの削除: Distribution Focal Lossを取り除くことで、YOLO26はモデルグラフを簡素化し、エッジデバイスや低消費電力デバイスへのエクスポートを容易にします。
- タスク固有の改善: 姿勢推定にResidual Log-Likelihood Estimation(RLE)を使用する場合でも、OBBに専用の角度損失を使用する場合でも、YOLO26は主要な各ビジョンタスクに向けた改善を備えています。
パイプラインをアップグレードする開発者には、YOLO26を搭載したUltralytics Platformが、効率的なトレーニングおよびデプロイツールを提供します。実績のあるアーキテクチャに関心がある場合は、充実したコミュニティサポートと確かな堅牢性を備えたYOLO11やYOLOv8もご検討ください。
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。