Reo's Tech Blog

YOLO26のモデル規模・入力解像度による性能差を比較した

YOLO26n・s・mを320pxと640pxで組み合わせ、6条件の検出品質、PC処理時間、ONNXサイズ、実行時メモリを比較します。Android実機性能はまだ未検証です。

比較結果を先に

前回の記事では3候補を320pxで比べ、YOLO26nを基準にしました。今回はYOLO26系列に絞り、モデル規模と入力解像度を変えています。

次のFP32 / FP16 / INT8比較には、n / 640とs / 640の2条件を渡します。 量子化後の変化を見る前に1条件へ絞るのは早いと判断しました。これはAndroidへの最終採用ではありません。

この記事を読む前の用語

前回記事で扱った言葉も含め、今回の表とグラフを読むために必要な意味だけをまとめます。

用語 この記事での意味
YOLO26n / s / m 同じYOLO26系列のモデル規模違い。n、s、mの順に大きくなる
入力解像度 モデルへ渡す画像の縦横サイズ。今回は320×320と640×640
AP 50-95 見逃しと誤検出のバランスをまとめた品質指標。大きいほど良い
レイテンシ 1枚を処理するのにかかる時間。今回はPC上の推論区間を測定
p50 / p95 測定値を小さい順に並べた中央と、95%の値が収まる境界
パレートフロンティア 品質と速度のどちらを重視するかで評価が変わる候補の境界
ONNXサイズ PCや端末へ読み込むモデルファイルの保存容量
ワーキングセット 実行中のプロセスが物理メモリ上で使っている領域
モデル量子化 FP32などの値をINT8のような小さな整数表現へ変え、小型化や高速化を検討する処理

なぜ6条件を比較したか

比較する2つの軸

モデルを大きくする影響と、入力を細かくする影響を分けるため、3×2の6条件にしました。

YOLO26のn・s・mと320px・640pxを組み合わせ、モデル規模と入力解像度を別々に比較する6条件の構成図

図1: 比較した6条件

640pxで増えるもの

640×640は320×320より縦横が2倍で、入力画素数は4倍です。ただし、品質や処理時間まで単純に4倍になるわけではありません。

比較条件を公平にそろえる

固定した条件

比較条件は次のように固定しました。品質評価には前回と同じCOCO val2017全5,000画像を使い、人（person）と車（car）だけを集計しています。

項目 固定した条件
数値の表現 FP32
入力 static batch 1、320×320または640×640
ONNX変換 opset 20、end-to-end、NMSなし
PC Windows 11 x64、AMD Ryzen 7 H 255
実行環境 ONNX Runtime 1.28.0、CPUExecutionProvider
品質 COCO val2017全5,000画像、person / car
変換前後の一致 固定100画像、warm-up 50回
Detection Point 固定seed 11の500画像
前処理 同じresize、色順、正規化、threshold、評価規則

static batch 1は一度に1枚を入力する設定です。NMSなしは、重なった候補を整理する処理を今回の推論経路に含めていないことを表します。

ONNXへ変換しても一致するか

全6条件で次の確認に成功しました。

parityで一致した検出数は、n / 320から順に185、295、251、340、289、370件で、片方だけに現れた検出は0件でした。ただし、parity合格は変換前後の一致を示すだけで、検出品質の高さとは別です。

6条件の結果

表の読み方

APは元の0〜1の値を100倍し、points表示にしています。

条件 person AP car AP ORT推論 p50 / p95 (ms) ONNX (MiB) peak working set (MiB)
n / 320 40.14 22.17 5.72 / 5.90 9.4 310.8
n / 640 52.86 37.22 18.03 / 18.80 9.5 374.5
s / 320 49.33 31.93 14.05 / 14.39 36.4 355.5
s / 640 60.98 46.63 50.58 / 52.74 36.5 478.5
m / 320 54.69 38.23 37.94 / 39.78 78.0 435.3
m / 640 64.52 51.99 150.74 / 153.77 78.2 666.0

指標ごとに最良条件は違う

最大品質はm / 640、最短レイテンシはn / 320です。一つの列だけでは候補を決められないため、品質とPC速度を同時に見ます。

品質と速度のパレート図

グラフの読み方

横軸は、大きな時間差を読みやすくする対数目盛です。

YOLO26の6条件についてperson・car平均APとPC ORT推論p50を比較し、n・640とs・640を次の候補として示した散布図

図2: 左上ほど高品質・短時間。金色の枠は次へ残す2条件

分かったこと

6条件すべてがパレートフロンティアに残りました。 品質と速度の両方で明確に負ける候補はなく、用途に合う曲がり角を選ぶ結果です。

なお、この横軸はWindows PCのCPUで測ったONNX Runtimeの推論区間です。Androidのカメラアプリで同じ時間やfpsが出ることを示す図ではありません。

小さい物体で解像度が効いた

グラフの読み方

COCOが定めるsmall、medium、large別のAPです。棒が高いほど高品質で、青がsmall、橙がmedium、緑がlargeです。

YOLO26の6条件について、personとcarのAPをCOCOのsmall・medium・large別に比較した棒グラフ

図3: COCOの物体面積別AP

n / 320からn / 640への変化

small APは次のように改善しました。

Class n / 320 n / 640 増加
person small AP 11.66 28.13 +16.47 points
car small AP 7.90 22.89 +14.99 points

large APの増加はpersonが+3.15 points、carが+4.19 pointsでした。今回の評価では、大きく写った対象よりsmall区分で改善が大きい結果です。

smallは「遠距離」の意味ではない

COCOの区分はannotation上の物体面積です。実距離や遮蔽率ではないため、遠くの人や車を検出できるかは実際のカメラ映像で確認します。

Detection Pointの変化

bbox下端中央を見る理由

このプロジェクトでは、検出した枠の下端中央を、将来カメラから地面方向へ線を伸ばす処理の入口にする予定です。そこで固定500画像を使い、予測bboxとCOCOの正解bboxのbottom-centerがどれくらいずれたかも比較しました。

結果

Class n / 320 p95 d2 n / 640 p95 d2 良い方向
person 0.0443 0.0340 小さい
car 0.0271 0.0182 小さい

d2は画像の幅と高さで正規化した2次元のずれです。n / 640ではperson、carともにp95が小さくなりました。

検出例

次の画像では、青い枠が実測したpersonの検出結果、金色の点がbboxのbottom-centerです。何を検出し、どの点を代理評価へ使ったかを見るための例であり、この1枚だけでモデル全体の品質を判断するものではありません。

YOLO26n 640pxが飲食店内の2人を検出し、bboxとbottom-centerを重ねた例

図4: n / 640のperson検出例

Photo: Phu Son、Original、License: CC BY 2.0。元画像を縮小し、実測bbox、label、confidence、bottom-center、説明footerを追加しています。

この指標の限界

この値はCOCO bboxを使った正規化2D代理誤差です。金色の点が実際の足先、車輪、地面との接点の正解位置だという意味ではなく、カメラ角度や実距離の誤差も表していません。

次の量子化比較へ残す2条件

n / 640だけに絞ると、量子化によってs / 640の負荷が下がる可能性を確認できません。そこで、軽量側と品質側から1条件ずつ残します。

n・640を軽量側、s・640を品質側として次のFP32・FP16・INT8比較へ残す判断図

図5: 次へ残すn / 640とs / 640の役割

n / 640：軽量側の基準

s / 640：品質側の候補

s / 640はn / 640より品質が高く、負荷も増えます。

m / 640を次へ含めない理由

m / 640は最大品質ですが、s / 640からの品質増加はpersonが+3.53 points、carが+5.36 pointsです。一方、PC推論p50は+100.16ms、ONNXは+41.6MiB、peak working setは+187.5MiB増えます。

次はn / 640とs / 640の両方を測り、量子化後の品質と負荷を見てから絞ります。 INT8で高速化するか、品質を保てるかは、現時点ではまだ分かりません。

PC測定からは分からないこと

今回測った範囲

今回の18.03ms（n / 640）と50.58ms（s / 640）は、PCのCPUでONNXグラフを同期実行した区間です。スマートフォンアプリ全体の処理時間ではありません。

PCで測定したONNX推論・COCO品質・モデルサイズ・実行時メモリと、Androidで未測定のカメラ入力・画面描画・発熱を分けた図

図6: PC測定とAndroid実機の範囲

Androidでまだ測っていない範囲

PCの推論時間をAndroidのfpsへ換算しません。 PCのpeak working setも、Androidアプリのメモリ使用量ではありません。

COCO val2017は候補間を同じ条件で比べるには役立ちますが、実際のスマートフォンカメラの距離、画角、手ぶれ、遮蔽、明るさをそのまま再現したものではありません。今回分かったのは、PC上の共通条件で次に比べる候補をn / 640とs / 640へ絞れたところまでです。

次回はFP32 / FP16 / INT8を比べる

2モデル×3種類を比較する

n / 640とs / 640の2モデルについて、数値表現を3種類ずつ測ります。

モデル FP32 FP16 INT8
n / 640 比較 比較 比較
s / 640 比較 比較 比較

確認する指標

量子化後の結果を見て、軽量側のnか品質側のsかを判断します。 INT8だから必ず高速になるとは限らないため、実測値で比べます。

その後はAndroid実機へ

POCO X8 Proで次を測ります。

まとめ

今回の結論は、n / 640とs / 640を次の量子化比較へ残すことです。

次はFP32 / FP16 / INT8を比較し、その後にPOCO X8 Proで持続性能を測ります。

参考資料

ライセンスに関する注記

これは技術上の記録であり、法的助言ではありません。

この限定範囲だけで適法性を断定しません。Android統合、配布、一般公開、API / SaaS、商用・法人利用へ進む前に、上記の公式条件を再確認します。

この記事はReo’s Tech Blogの同名記事にも掲載しています。

Reo’s Tech Blogでは、個人開発や日々の技術的な取り組みを記録しています。興味がありましたら、ほかの記事もご覧ください。