EfficientDetとYOLO11
適切なニューラルネットワークアーキテクチャの選択は、computer visionアプリケーションの成否を左右する基盤です。このガイドでは、GoogleのEfficientDetとUltralytics YOLO11を技術的に比較し、アーキテクチャの違い、性能指標、最適なデプロイシナリオを分析します。
edge AIデバイスでミリ秒単位のレイテンシを目指す場合も、クラウド推論でスケーラブルな精度が必要な場合も、これらのモデルの違いを理解しておくと役立ちます。
モデルの概要と技術的な詳細#
各アーキテクチャの系譜と基盤となる設計思想を理解すると、実環境の物体検出タスクにおける性能を適切に捉えられます。
EfficientDet#
Google Brainの研究者が開発したEfficientDetは、独自のBiFPN(双方向特徴ピラミッドネットワーク)とともに、物体検出ネットワークを体系的にスケーリングする手法を導入しました。
- 著者: Mingxing Tan、Ruoming Pang、Quoc V. Le
- 組織: Google
- 日付: 2019-11-20
- arXiv: https://arxiv.org/abs/1911.09070
- GitHub: https://github.com/google/automl/tree/master/efficientdet
- ドキュメント: https://github.com/google/automl/tree/master/efficientdet#readme
YOLO11#
YOLO11はUltralyticsエコシステムにおける大きな進化を示すモデルであり、リアルタイム性能、パラメーター効率、マルチタスク学習を向上させています。
- 著者: Glenn Jocher、Jing Qiu
- 組織: Ultralytics
- 日付: 2024-09-27
- GitHub: https://github.com/ultralytics/ultralytics
- ドキュメント: https://docs.ultralytics.com/models/yolo11
アーキテクチャの比較#
この2つのモデルのアーキテクチャの違いは、長年にわたる設計戦略の分岐を浮き彫りにしています。
EfficientDetはEfficientNetバックボーンを採用し、トップダウンとボトムアップのマルチスケール特徴融合を可能にするBiFPNを導入しています。複合スケーリング手法によって、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、幅を一様にスケーリングします。mean Average Precision (mAP)の最大化には非常に効果的ですが、BiFPNの複雑なルーティングは、推論時にメモリ帯域幅のボトルネックとなる場合があります。
一方、YOLO11は最適化されたC3k2モジュールとアンカーフリーの検出ヘッドを採用しています。この合理化されたアプローチにより、特徴抽出時のオーバーヘッドを最小限に抑えます。UltralyticsはGPUハードウェアの利用効率を最大化するようYOLO11を設計しており、旧世代のアーキテクチャや大型のtransformerモデルと比べて、学習時と推論時のメモリ要件を大幅に削減しています。
EfficientDetは物体検出専用ですが、YOLO11は非常に汎用性に優れています。単一のYOLO11アーキテクチャで、Instance Segmentation、Image Classification、Pose Estimation、Oriented Bounding Boxes (OBB)をネイティブにサポートします。
性能ベンチマーク#
以下の表では、COCOデータセットにおけるさまざまなスケールで、両モデルファミリーの性能を比較しています。
| 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) |
|---|---|---|---|---|---|---|
| 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 |
| YOLO11n | 640 | 39.5 | 56.1 | 1.5 | 2.6 | 6.5 |
| YOLO11s | 640 | 47.0 | 90.0 | 2.5 | 9.4 | 21.6 |
| YOLO11m | 640 | 51.5 | 183.2 | 4.7 | 20.1 | 68.1 |
| YOLO11l | 640 | 53.4 | 238.6 | 6.2 | 25.3 | 87.2 |
| YOLO11x | 640 | 54.7 | 462.8 | 11.3 | 56.9 | 195.3 |
バランスの取れた分析:長所と短所#
YOLO11はGPU環境で優れた性能を発揮します。たとえば、YOLO11mはT4 GPU上でTensorRTを使用し、4.7msでmAP 51.5%を達成します。同じ精度を実現するのに、EfficientDet-d5は67.86msかかり、14倍以上遅くなります。これは、リアルタイムアプリケーションにおけるUltralyticsモデルの性能バランスを示しています。
トレーニング手法とエコシステム#
開発者体験は、モデルの理論上の能力と同じくらい重要な場合があります。この点で、Ultralyticsエコシステムは際立っています。
EfficientDetは、古いTensorFlowエコシステムや複雑なAutoMLライブラリに大きく依存しています。カスタム学習パイプラインを構築するには、習得に時間がかかるうえ、依存関係の管理も複雑で、アンカーやloss functionsの設定も手動で行う必要があります。
一方、Ultralyticsは使いやすさを重視して設計されています。適切に保守されたPyTorchエコシステムを基盤としており、YOLOモデルの学習は数行のコードで実行できます。フレームワークがデータ拡張と学習率スケジューリングを自動で処理し、hyperparameter tuning機能も組み込まれています。
コード例:Ultralyticsを使い始める#
このコード例は、Python APIを使った学習と推論がいかに簡単かを示しています。
from ultralytics import YOLO
# 事前トレーニング済みのYOLO11小型モデルを読み込みます
model = YOLO("yolo11s.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
train_results = model.train(data="coco8.yaml", epochs=50, imgsz=640, device=0)
# 画像に対して高速な推論を実行します
results = model.predict("https://ultralytics.com/images/bus.jpg")
results[0].show()最適なユースケース#
EfficientDetの使用が適している場面: EfficientDetは、TensorFlowパイプラインが広く定着している研究環境では、依然として有力な選択肢です。
YOLO11を使用する場面: YOLO11は、最新のエンタープライズ環境へのデプロイに適した有力な選択肢です。その速度は、自動運転車、リアルタイムのスポーツ分析、高スループットの製造欠陥検出に適しています。また、メモリ使用量が少ないため、NVIDIA Jetsonのようなリソースに制約のあるハードウェアにも柔軟にデプロイできます。
今後の展望:YOLO26へのアップグレード#
YOLO11は非常に高性能ですが、新しいプロジェクトを始める開発者は、最近リリースされたYOLO26を評価してください。一方、実績のあるYOLOv8も既存のデプロイ向けに引き続き利用できます。2026年1月にリリースされたYOLO26は、YOLO11を基盤とし、いくつかの新しい技術を導入しています。
- エンドツーエンドのNMSフリー設計: YOLOv10を発展させたYOLO26は、オプションのone-to-one head(
nms=False)を使用することで、後処理のNon-Maximum Suppression (NMS)を完全に省略できます。これにより、レイテンシを削減し、デプロイパイプラインを簡素化します。 - MuSGDオプティマイザー: 標準的なSGDとMuonを組み合わせたハイブリッドオプティマイザーです。大規模言語モデルの学習に着想を得ており、学習の安定性を高めます。
- 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、ディスクリートGPUのないエッジデバイスに適しています。
- ProgLoss + STAL: Progressive Lossと小物体を考慮したラベル割り当てにより、小物体検出の性能が向上します。これは航空画像やロボティクスで特に重要です。
RT-DETRのようなTransformerベースの検出器を含む、幅広いビジョンアーキテクチャについて、Ultralytics Docsで詳しくご覧ください。
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。