EfficientDet vs YOLO11#
最適なニューラルネットワークアーキテクチャの選択は、成功するあらゆるコンピュータービジョンアプリケーションの基盤となります。本総合ガイドでは、GoogleのEfficientDetとUltralytics YOLO11を技術的に詳細比較し、アーキテクチャの違い、パフォーマンス指標、理想的なデプロイシナリオを分析します。
エッジAIデバイスでミリ秒単位のレイテンシを目指す場合でも、クラウドベースの推論でスケーラブルな精度が必要な場合でも、これらのモデルの微妙な違いを理解することが重要です。
モデルの概要と技術詳細#
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ことで、実際の物体検出タスクにおけるパフォーマンスを適切に捉えられます。
EfficientDet#
Google Brainの研究者によって開発されたEfficientDetは、新しい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アプローチを導入しました。
- 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
- Docs: 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もので、リアルタイムパフォーマンス、パラメーター効率、マルチタスク学習の限界を押し広げています。
- 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#
これら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バックボーンを活用し、BiFPNを導入することで、トップダウンおよびボトムアップのマルチスケール特徴量融合を可能にしています。複合スケーリング手法を使用し、バックボーン、特徴量ネットワーク、ボックス／クラス予測ネットワークの解像度、深さ、幅をすべて同時に均一にスケーリングします。平均適合率（mAP）を最大化するうえで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モジュールと高度なアンカーフリー検出ヘッドを使用します。この合理化されたアプローチにより、特徴量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率を最大化するようYOLO11を設計しており、旧来のアーキテクチャや大規模なトランスフォーマーモデルと比較して、トレーニング時と推論時の両方でメモリ要件を大幅に削減しています。
EfficientDetが厳密には物体検出器であるのに対し、YOLO11は非常に高い汎用性を備えています。単一のYOLO11アーキテクチャで、インスタンスセグメンテーション、画像分類、ポーズ推定、回転バウンディングボックス（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データセット上で、さまざまなスケールにおける両モデルファミリーのパフォーマンスを比較しています。
| 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 |
| YOLO11n | 640 | 39.5 | 56.1 | 1.5 | 2.6 | 6.5 |
| YOLO11s | 640 | 47.0 | 90.0 | 2.5 | 9.4 | 21.5 |
| YOLO11m | 640 | 51.5 | 183.2 | 4.7 | 20.1 | 68.0 |
| YOLO11l | 640 | 53.4 | 238.6 | 6.2 | 25.3 | 86.9 |
| YOLO11x | 640 | 54.7 | 462.8 | 11.3 | 56.9 | 194.9 |
バランスの取れた分析：長所と短所#
GPUアクセラレーション： YOLO11はGPU環境で優れた性能を発揮します。例えば、YOLO11mはTensorRTを使用するT4 GPU上で、わずか4.7msでmAP 51.5%を達成します。同等の精度を実現するには、EfficientDet-d5では67.86msかかり、14倍以上低速です。これは、リアルタイムアプリケーションにおけるUltralyticsモデルの優れた性能バランスを示しています。
CPU環境: EfficientDetは、ONNXを使用する小型バリアント（d0やd1など）で、高度に最適化されたCPU推論速度を示します。ただし、d7のような大型バリアントでは、GPUレイテンシに大きなペナルティが生じることなく精度をスケーリングするのは困難です。
トレーニング手法とエコシステム#
開発者エクスペリエンスは、モデルの理論上の能力と同じくらい重要な場合が多くあります。ここでUltralyticsエコシステムが力を発揮します。
EfficientDetは、レガシーなTensorFlowエコシステムと複雑なAutoMLライブラリに大きく依存しています。カスタムトレーニングパイプラインのセットアップには、高い学習コスト、複雑な依存関係管理、アンカーと損失関数の手動設定が必要です。
一方、Ultralyticsは他に類を見ない使いやすさを提供します。適切に保守されたPyTorchエコシステムに支えられており、YOLOモデルのトレーニングに必要なコードはわずか数行です。フレームワークは、ハイパーパラメータチューニング、高度なデータ拡張、最適な学習率スケジューリングを標準で自動管理します。
コード例: Ultralyticsを使い始める#
この堅牢で本番環境に対応したコードスニペットは、Python APIでのトレーニングと推論がいかに簡単かを示しています。
from ultralytics import YOLO
# Load a pre-trained YOLO11 small model
model = YOLO("yolo11s.pt")
# Train the model on your custom dataset with automated hyperparameter tuning
train_results = model.train(data="coco8.yaml", epochs=50, imgsz=640, device=0)
# Perform fast inference on an image
results = model.predict("https://ultralytics.com/images/bus.jpg")
results[0].show()理想的なユースケース#
EfficientDetを使用する場合: EfficientDetは、TensorFlowパイプラインを深く利用している研究環境や、d0のような初期アーキテクチャが十分に機能する特定のCPU制約下では、依然として有力な選択肢です。
YOLO11を使用する場合: YOLO11は、現代のエンタープライズデプロイメントにおける決定的な選択肢です。その優れた速度は、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不良検出に最適です。さらに、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は非常に高い性能を備えていますが、新しいプロジェクトを始める開発者は、実績のあるYOLOv8や、新たにリリースされたYOLO26など、他のUltralyticsアーキテクチャも評価する必要があります。2026年初頭にリリースされたYOLO26は、YOLO11の基盤を引き継ぎ、いくつかの画期的なイノベーションを導入しています。
- エンドツーエンドのNMSフリーデザイン: YOLOv10のレガシーを基盤として、YOLO26は後処理における非最大抑制（NMS）を完全に排除し、レイテンシを大幅に削減するとともに、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（大規模言語モデルのトレーニングに着想を得た手法）を組み合わせたハイブリッドオプティマイザーで、トレーニングの安定性を大幅に向上させます。
- CPU推論が最大43%高速化: 専用GPUを搭載しないエッジデバイスでも、特定の最適化によりYOLO26は非常に高い性能を発揮します。
- ProgLoss + STAL: 小さな物体の検出を大幅に改善する高度な損失関数で、航空画像やロボティクスに不可欠です。
RT-DETRのようなトランスフォーマーベースの検出器を含む、ビジョンアーキテクチャの幅広い領域については、包括的なUltralytics Docsをご覧ください。