EfficientDetと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ぶには、多様なニューラルネットワークを比較検討する必要があります。このガイドでは、スケーラブルな畳み込みニューラルネットワーク(CNN)ファミリーであるEfficientDetと、リアルタイムTransformer検出器であるRTDETRv2という、異なる2つのアプローチを比較します。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におけるデプロイ適性を評価します。
従来のCNNの効率性と最新のTransformerの機能と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。このガイドでは、Ultralytics YOLO26が高速、高精度、使いやすいモデルで両者の隔たりを埋める方法も解説します。
EfficientDetを理解する#
EfficientDetは、体系的なモデルスケーリング手法を導入し、物体検出を進化させました。
- 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
- ドキュメント: 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EfficientNetをバックボーンとして使用し、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し、高速なマルチスケール特徴融合を可能にします。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すべての解像度、深さ、幅を同時に一様に拡大する複合スケーリング手法を組み合わせています。
長所と制約#
EfficientDetの主な強みは、パラメーター効率の高さです。リリース当時、EfficientDet-D0などのモデルは、それ以前のYOLOバージョン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。このため、計算資源が厳しく制限された環境で魅力的な選択肢となりました。
しかし、EfficientDetは後処理で標準的な非極大値抑制(NMS)を使って重複するバウンディングボックスを除外するため、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ことがあります。また、トレーニング手順は十分に文書化されていますが、EfficientDetのファインチューニングは、最新ツールが提供する効率的な開発者体験と比べて煩雑になることがあります。
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、最新のNPUにこれらのモデルをデプロイするには、大規模な手動最適化が必要になることがよくあります。デプロイを効率化するには、より新しい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ベースの検出器を進化させ、従来のアンカーベースのCNNから脱却したモデルです。
- 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
- ドキュメント: RTDETRv2のドキュメント
Transformerの進化#
RTDETRv2はリアルタイム検出Transformer(RT-DETR)をベースラインとして発展させたモデルです。グローバルアテンション機構を使うことで、標準的な畳み込みの局所的な制約を受けずに、複雑なシーンの文脈を理解できます。最も大きなアーキテクチャ上の利点は、ネイティブでNMSフリーな設計です。入力画像からオブジェクトを直接予測することで推論パイプラインを簡素化し、NMS後処理に必要なヒューリスティック調整を不要にします。
強みと弱み#
RTDETRv2は、物体の重なりによって従来のCNNが混乱する高密度環境で優れた性能を発揮します。COCOなどのデータセットを使った複雑なベンチマークでも高い精度を実現します。
高精度である一方、Transformerモデルは大量のメモリを必要とします。トレーニング効率はかなり低く、CNNと比べて収束に必要なエポック数が大幅に多く、CUDAメモリ使用量も増加します。そのため、クラウド予算が限られてい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のようなTransformerモデルのトレーニングには、通常ハイエンドGPUが必要です。Out-Of-Memory (OOM)エラーが発生した場合は、Ultralytics YOLOシリーズのように、トレーニング時のメモリ要件が低いモデルの使用をご検討ください。
パフォーマンスベンチマークの比較#
生のパフォーマンス指標を把握することは、モデル選定に不可欠です。以下の表では、さまざまなモデルサイズでEfficientDetとRTDETRv2を比較します。
| 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) |
|---|---|---|---|---|---|---|
| EfficientDet-d0 | 512 | 34.6 | - | 3.92 | 3.9 | 2.54 |
| EfficientDet-d1 | 640 | 40.5 | - | 7.31 | 6.6 | 6.1 |
| EfficientDet-d2 | 768 | 43.0 | - | 10.92 | 8.1 | 11.0 |
| EfficientDet-d3 | 896 | 47.5 | - | 19.59 | 12.0 | 24.9 |
| EfficientDet-d4 | 1024 | 49.7 | - | 33.55 | 20.7 | 55.2 |
| EfficientDet-d5 | 1280 | 51.5 | - | 67.86 | 33.7 | 130.0 |
| EfficientDet-d6 | 1280 | 52.6 | - | 89.29 | 51.9 | 226.0 |
| EfficientDet-d7 | 1536 | 53.7 | - | 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、プロジェクトの要件、デプロイの制約、エコシステムの好みによって異なります。
EfficientDetを選ぶタイミング#
EfficientDetが適しているのは、次のような場合です。
- Google CloudとTPUパイプライン: EfficientDetのリファレンス実装がTPUでの学習をサポートする、Google Cloud TPUインフラストラクチャ上のTensorFlowベースシステム。
- 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なベンチマーク。
- LiteRT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、LiteRT(旧称TensorFlow Lite)形式へのエクスポートが特に必要なプロジェクト。
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を備えていないデバイスでは、YOLO26nのCPU推論がYOLO11nより最大43%高速であることが明確な利点になります。
- 小物体検出: ドローンによる航空画像やIoTセンサーの分析など、ProgLossとSTALによって小さな物体の精度が大幅に向上する難しいシナリオ。
Ultralyticsの強み:YOLO26の紹介#
EfficientDetとRTDETRv2はコンピュータービジョンの歴史に名を残していますが、現代の本番環境では、速度、精度、優れた開発者体験の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組み合わせています。
YOLO26は、Ultralyticsで定評のある効率化されたエコシステムと、複数のアーキテクチャ上の改善を組み合わせている点が特長です。
競合モデルより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と同様に、YOLO26はNMS後処理を排除するエンドツーエンドヘッド(
nms=False)を備えており、純粋なTransformerのようにパラメーター数を大幅に増やすことなく、より高速でシンプル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: Moonshot AIのKimi K2をはじめとする大規模言語モデルのトレーニング手法に着想を得て、YOLO26はSGDとMuonのハイブリッドを使用します。RTDETRv2で必要となる長いトレーニングスケジュールと比べて、安定したトレーニングと高速な収束を実現します。
- エッジ向けの最適化: YOLO26nはYOLO11nよりCPU推論が最大43%高速であり、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されたハードウェアでは、計算負荷の大きなTransformerモデルを上回ります。
- DFLの削除: Distribution Focal Lossを削除してモデルグラフを簡素化し、TensorRTおよびONNXへのエクスポートを容易にしています。
- ProgLoss + STAL: Progressive Lossとsmall-target-aware label assignmentにより、小物体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に対処します。
- 汎用性: 主に検出に焦点を当てたRTDETRv2とは異なり、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、方向付きバウンディングボックス(OBB)をネイティブにサポートし、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、YOLO26やYOLO11などのモデルをクラウドでトレーニングして、柔軟なAPIを通じてデプロイできます。
Ultralyticsによるシンプルなコード#
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が簡単になります。開発者は最小限の定型コードで、モデルのベンチマークやトレーニングスクリプトの実行を容易に行えます。
from ultralytics import YOLO
# YOLO26モデルを読み込む
model = YOLO("yolo26n.pt")
# 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=50, imgsz=640)
# テスト画像に対して推論を実行します
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、広く使われているUltralytics YOLOv8は安定した選択肢であり、Ultralyticsエコシステムの長期的な信頼性を反映しています。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も、単純な欠陥検出を行う場合も、YOLO26にアップグレードすることで、システムの精度、省メモリ性、最新性を維持できます。
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。