オブジェクト検出は、画像またはビデオフレーム内の複数のオブジェクトを識別および特定する重要なコンピュータビジョンタスクです。これは、バウンディングボックスで各オブジェクトの正確な位置を特定することにより、単純な画像分類を超えています。パフォーマンス評価には、精度と計算効率の両方のメトリックが必要であり、Intersection over Union（IoU）とmean Average Precision（mAP）が検出品質を測定します。Frames per second（FPS）とパラメータ数は、モデルの推論速度とリソース要件の主要な指標です。オブジェクト検出アーキテクチャは、CNNベースまたはTransformerベースのいずれかに大別され、最新のモデルは両方の特徴を融合させることがよくあります。処理フローは、領域提案を行い次に分類を実行する2段階検出器と、1回のパスで直接予測する単段階検出器にも分けられます。歴史的に2段階モデルはより高い精度を提供していましたが、単段階検出器はこのギャップをほぼ埋め、一般的に高速です。2026年、2段階パイプラインは競争力が低下しており、主要なモデルは単段階、NMSフリーのTransformerアーキテクチャとYOLOファミリーのバリアントです。RF-DETRは、DINOv2とデフォーマブルクロスアテンションの使用により、複雑なシーンで最も高いmAPを達成し、最も強力なリアルタイムモデルとして際立っています。ドメイン適応性に優れ、検出とセグメンテーションの両方をサポートしますが、エッジデバイスではYOLOよりも重いです。YOLO12は、アテンション中心のアプローチを表し、CNNと自己アテンションメカニズムを統合してバランスの取れたパフォーマンスを実現します。競争力のある推論速度を提供し、グローバルコンテキストの理解から恩恵を受けます。一部のポートで非効率性が指摘されているため、最適なパフォーマンスを得るにはYOLO12の元の実装を使用することが重要です。