EfficientDet vs RTDETRv2#
コンピュータービジョンプロジェクトに最適なアーキテクチャを選択するには、多様なニューラルネットワークの選択肢を検討する必要があります。本ガイドでは、2つの異なるアプローチを詳細に技術比較します。1つは、高いスケーラビリティを持つ畳み込みニューラルネットワーク (CNN) ファミリーのEfficientDet、もう1つは最先端のリアルタイムTransformerモデルであるRTDETRv2です。構造上の違い、トレーニング手法、さまざまなハードウェア環境でのデプロイ適性を評価します。
従来の効率性と最新のTransformer機能のトレードオフを理解することで、開発者は十分な情報に基づいて判断できます。さらに、新しいUltralytics YOLO26のような最新の代替手段が、他に類を見ない速度、精度、使いやすさを提供し、両者の差をどのように埋めるかについても説明します。
EfficientDetの概要#
EfficientDetは、モデルのスケーリングに原理に基づくアプローチを導入することで、物体検出に革新をもたらしました。
- 著者: Mingxing Tan、Ruoming Pang、Quoc V. Le
- 組織： Google
- 日付： 2019年11月20日
- Arxiv: https://arxiv.org/abs/1911.09070
- GitHub: Google AutoMLリポジトリ
- Docs: EfficientDetドキュメント
アーキテクチャと基本概念#
EfficientDetの中核では、バックボーンとしてEfficientNetを利用し、双方向特徴ピラミッドネットワーク (BiFPN) を導入しています。BiFPNは、学習可能な重みを適用して異なる入力特徴の重要度を学習することで、マルチスケール特徴を容易かつ高速に融合できます。これに、バックボーン、特徴ネットワーク、ボックス／クラス予測ネットワークの解像度、深さ、幅をすべて同時に一様にスケーリングする複合スケーリング手法を組み合わせています。
長所と制限事項#
EfficientDetの主な強みは、パラメーター効率にあります。リリース当時、EfficientDet-D0などのモデルは、以前のYOLOバージョンと比較して、より少ないパラメーター数とFLOPsで高い精度を達成しました。そのため、計算リソースに厳しい制限がある環境で非常に魅力的でした。
しかし、EfficientDetは、重複するバウンディングボックスをフィルタリングする後処理で標準的な非最大抑制 (NMS) に依存しているため、リアルタイムパイプラインでレイテンシのボトルネックが生じる可能性があります。また、トレーニングプロセスは十分に文書化されていますが、最新のツールで提供される高度に最適化された開発者体験と比較すると、EfficientDetのファインチューニングは煩雑になる場合があります。
EfficientDetはスケーラブルなネットワークへの道を開きましたが、これらのモデルを最新のNPUにデプロイするには、大規模な手動最適化が必要になることがよくあります。より効率的なデプロイには、新しいUltralyticsモデルのワンクリックエクスポート機能が役立ちます。
RTDETRv2を探る#
RTDETRv2はTransformerベースのアーキテクチャの進化形であり、従来のアンカーベースCNNからパラダイムを転換します。
- 著者： Wenyu Lv、Yian Zhao、Qinyao Chang、Kui Huang、Guanzhong Wang、Yi Liu
- 組織： Baidu
- 日付： 2024-07-24
- Arxiv: https://arxiv.org/abs/2407.17140
- GitHub: RT-DETRリポジトリ
- Docs: RTDETRv2ドキュメント
Transformerの進化#
RTDETRv2は、ベースラインであるリアルタイム物体検出Transformer (RT-DETR) を基盤に構築されています。グローバルアテンション機構を活用することで、標準的な畳み込みの局所的な制約を受けずに、複雑なシーンのコンテキストをモデルが理解できるようにします。最も大きなアーキテクチャ上の利点は、ネイティブでNMSを必要としない設計です。入力画像から直接物体を予測するため、推論パイプラインが簡素化され、NMS後処理で必要となるヒューリスティックなチューニングを回避できます。
長所と短所#
RTDETRv2は、重なり合う物体によって従来のCNNが混乱しやすい高密度環境で優れた性能を発揮します。複雑なベンチマークのCOCOなどのデータセットで高い精度を実現します。
高い精度を備える一方で、Transformerモデルは本質的に大量のメモリを必要とします。トレーニング効率は明らかに低く、CNNと比較して、収束に大幅に多くのエポックと、より大きなCUDAメモリフットプリントが必要です。そのため、クラウド予算に制約がある開発者や、迅速なプロトタイピングを必要とする開発者には、RTDETRv2はあまり適していません。
RTDETRv2などのTransformerモデルのトレーニングには、通常、高性能GPUが必要です。メモリ不足 (OOM) エラーが発生した場合は、Ultralytics YOLOシリーズなど、トレーニング時のメモリ要件がより低いモデルの使用を検討してください。
性能ベンチマーク比較#
生の性能指標を理解することは、モデル選択において重要です。次の表では、さまざまなサイズにおけるEfficientDetとRTDETRv2の比較を示します。
| モデル | サイズ （ピクセル） | mAPval 50-95 | 速度 CPU ONNX （ms） | 速度 T4 TensorRT10 （ms） | パラメーター数 （M） | FLOPs （B） |
|---|---|---|---|---|---|---|
| EfficientDet-d0 | 640 | 34.6 | 10.2 | 3.92 | 3.9 | 2.54 |
| EfficientDet-d1 | 640 | 40.5 | 13.5 | 7.31 | 6.6 | 6.1 |
| EfficientDet-d2 | 640 | 43.0 | 17.7 | 10.92 | 8.1 | 11.0 |
| EfficientDet-d3 | 640 | 47.5 | 28.0 | 19.59 | 12.0 | 24.9 |
| EfficientDet-d4 | 640 | 49.7 | 42.8 | 33.55 | 20.7 | 55.2 |
| EfficientDet-d5 | 640 | 51.5 | 72.5 | 67.86 | 33.7 | 130.0 |
| EfficientDet-d6 | 640 | 52.6 | 92.8 | 89.29 | 51.9 | 226.0 |
| EfficientDet-d7 | 640 | 53.7 | 122.0 | 128.07 | 51.9 | 325.0 |
| RTDETRv2-s | 640 | 48.1 | - | 5.03 | 20 | 60 |
| RTDETRv2-m | 640 | 51.9 | - | 7.51 | 36 | 100 |
| RTDETRv2-l | 640 | 53.4 | - | 9.76 | 42 | 136 |
| RTDETRv2-x | 640 | 54.3 | - | 15.03 | 76 | 259 |
ユースケースと推奨事項#
EfficientDetとRT-DETRのどちらを選ぶかは、具体的なプロジェクト要件、デプロイの制約、エコシステムに関する好みによって異なります。
EfficientDetを選ぶ場合#
EfficientDetが適しているケース:
- Google CloudとTPUパイプライン: Google Cloud Vision APIまたはTPUインフラストラクチャーと密接に統合されたシステムで、EfficientDetがネイティブ最適化を利用できる場合。
- 複合スケーリングの研究: ネットワークの深さ、幅、解像度をバランスよくスケーリングする効果の研究に焦点を当てた学術的ベンチマーク。
- TFLiteによるモバイルデプロイ: Androidまたは組み込みLinuxデバイス向けに、TensorFlow Lite形式でのエクスポートが特に必要なプロジェクト。
RT-DETRを選択するケース#
RT-DETRは次の用途に推奨されます。
- Transformerベースの検出研究： NMSを使用しないエンドツーエンド物体検出のために、アテンションメカニズムやTransformerアーキテクチャを研究するプロジェクト。
- 柔軟なレイテンシーを許容できる高精度シナリオ： 検出精度を最優先し、やや高い推論レイテンシーを許容できるアプリケーション。
- 大きな物体の検出： 主に中型から大型の物体が存在し、Transformerのグローバルアテンションメカニズムが本質的な優位性を発揮するシーン。
Ultralytics (YOLO26)を選ぶタイミング#
ほとんどの新規プロジェクトでは、Ultralytics YOLO26が性能と開発者エクスペリエンスの最適な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の後処理を複雑にすることなく、一貫した低レイテンシー推論が必要なアプリケーション。
- CPUのみの環境: 専用GPUアクセラレーションを持たないデバイスで、YOLO26の最大43%高速なCPU推論が決定的な優位性となる場合。
- 小さな物体の検出: aerial drone imageryやIoTセンサー分析など、ProgLossとSTALによって微小物体の精度が大幅に向上する難しいシナリオ。
Ultralyticsの優位性: YOLO26のご紹介#
EfficientDetとRTDETRv2はコンピュータービジョンの歴史に確固たる地位を築いていますが、最新の本番環境では、速度、精度、そして優れた開発者体験の完璧なバランスが求められます。最近リリースされたUltralytics YOLO26は、これらの異なるアーキテクチャの長所を統合しています。
YOLO26は、Ultralyticsで知られる合理化されたエコシステムと、画期的な内部メカニズムを組み合わせている点で際立っています。
競合製品ではなくYOLO26を選ぶ理由#
- エンドツーエンドのNMSフリー設計: RTDETRv2などのTransformerから着想を得たYOLO26は、ネイティブでエンドツーエンドに対応しています。NMS後処理を排除することで、純粋なTransformerに見られる大量のパラメーター増加なしに、より高速で簡潔なデプロイパイプラインを実現します。
- MuSGDオプティマイザー: 大規模言語モデルのトレーニングにおける革新（Moonshot AIのKimi K2など）から着想を得たYOLO26は、SGDとMuonを組み合わせたハイブリッド手法を利用しています。これにより、RTDETRv2で必要とされる長期的なスケジュールと比較して、かつてないトレーニング安定性と大幅に速い収束速度を実現します。
- エッジ向けに最適化: 最大43%高速なCPU推論を実現するYOLO26は、エッジAI向けに構築されています。携帯電話やスマートカメラなどの制約のあるハードウェア上で、負荷の大きいTransformerモデルを容易に上回ります。
- DFLの削除: Distribution Focal Lossを削除することでモデルグラフが簡素化され、TensorRTおよびONNXへのシームレスなエクスポートが可能になります。
- ProgLoss + STAL: これらの高度な損失関数により、小さな物体の認識が大幅に向上し、航空画像やロボティクスでよく見られるボトルネックを解消します。
- 汎用性: 主に検出に重点を置くRTDETRv2とは異なり、YOLO26はネイティブでインスタンスセグメンテーション、姿勢推定、画像分類、指向性バウンディングボックス (OBB)に対応し、姿勢推定向けのRLEやOBB向けの専用角度損失など、タスク固有の改善も備えています。
Ultralytics Platformを活用すると、データセットを管理し、クラウド上でYOLO26やYOLO11などのモデルをトレーニングし、柔軟なAPIを介してシームレスにデプロイできます。
Ultralyticsによるコードの簡素化#
適切に保守されているUltralytics Python APIにより、モデルのトレーニングと推論を簡単に実行できます。開発者は、最小限のボイラープレートコードでモデルのベンチマークやトレーニングスクリプトの起動を容易に行えます。
from ultralytics import YOLO
# Load the state-of-the-art YOLO26 model
model = YOLO("yolo26n.pt")
# Train the model on your custom dataset
results = model.train(data="coco8.yaml", epochs=50, imgsz=640)
# Run inference on a test image
predictions = model.predict("image.jpg")レガシーインフラストラクチャを管理している場合でも、高く評価されているUltralytics YOLOv8は、安定性と高い性能を兼ね備えた選択肢であり、Ultralyticsエコシステムの長期的な信頼性を示しています。複雑なリアルタイムトラッキングアルゴリズムを実行する場合でも、単純な欠陥検出を行う場合でも、YOLO26へのアップグレードにより、システムの将来性、高精度、メモリ効率を確保できます。