EfficientDetとYOLO11#
最適なニューラルネットワークアーキテクチャの選定は、あらゆるコンピュータービジョンアプリケーションの成功の基盤です。この包括的なガイドでは、GoogleのEfficientDetとUltralytics YOLO11を技術的に詳しく比較し、アーキテクチャの違い、パフォーマンス指標、最適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、これらのモデルの特性を理解することが重要です。
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バックボーンを活用し、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り、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、幅を一括して均等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非常に効果的ですが、BiFPNの複雑なルーティングが推論時のメモリ帯域幅のボトルネックに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採用しています。この合理化された手法により、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ハードウェアの使用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、トレーニング時と推論時のメモリー要件を大幅に削減しています。
EfficientDetが物体検出専用であるのに対し、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、姿勢推定、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) | mAPval 50-95 | 速度 CPU ONNX (ms) | 速度 T4 TensorRT10 (ms) | パラメーター (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 | 21.6 |
| 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#
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。たとえばYOLO11mは、TensorRTを使用するT4 GPU上で、わずか4.7msという非常に短い時間で51.5%のmAPを達成します。同等の精度を得るために、EfficientDet-d5では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モデルの優れた性能バランスを示しています。
CPU環境： EfficientDetは、小型のバリアント（d0やd1など）でONNXを使用した場合、CPU推論速度が高度に最適化されています。しかし、d7のような大型バリアントではGPUレイテンシが大幅に増加し、精度のスケーリングも良好ではありません。
トレーニング手法とエコシステム#
開発者の体験は、モデルの理論上の能力と同じくらい重要なことがよくあります。Ultralyticsエコシステムの強みが発揮されるのはこの点です。
EfficientDetは、旧式の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。カスタムのトレーニングパイプラインを構築するには、習得に時間がかかり、依存関係の管理も複雑で、アンカーや損失関数を手動で設定する必要があります。
一方、Ultralyticsは比類のない使いやすさを提供します。十分に保守されたPyTorchエコシステムを基盤としており、YOLOモデルのトレーニングはわずか数行のコードで実行できます。このフレームワークは、高度なデータ拡張と学習率スケジューリングをすぐに自動管理でき、ハイパーパラメーター調整機能も組み込まれています。
コード例：Ultralyticsを使い始める#
この堅牢で本番環境に対応したコード例は、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
# 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を使用する場合： EfficientDetは、TensorFlowのパイプラインが深く定着した研究環境や、d0などの初期アーキテクチャで十分な性能が得られる、特定のCPU依存の制約下で、引き続き有効な選択肢です。
YOLO11を使用する場合： YOLO11は、現代のエンタープライズ環境へのデプロイに最適な選択肢です。優れた速度により、自動運転車、リアルタイムのスポーツ分析、高スループットな製造上の欠陥検出に適しています。さらに、メモリー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アーキテクチャも検討してください。2026年初頭にリリースされたYOLO26は、YOLO11の基盤を引き継ぎ、次の画期的な革新を導入しています。
- エンドツーエンドのNMSフリーデザイン： YOLOv10の系譜を受け継ぐYOLO26は、オプションのワンツーワンヘッド（
nms=False）により、後処理のNon-Maximum Suppression（NMS）を完全に省略でき、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トレーニングに着想を得ています）。トレーニングの安定性を大幅に向上させます。
- CPU推論を最大43%高速化： 個別のGPUを搭載しないエッジデバイスでも、YOLO26は特化した最適化によって非常に高い性能を発揮します。
- ProgLoss + STAL： 高度な損失関数により、小物体検出の性能が大きく向上します。これは航空画像やロボティクスで重要です。
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は、包括的なUltralytics Docsをご覧ください。