EfficientDet vsYOLO11：包括的な技術比較
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、あらゆる成功するコンピュータビジョンアプリケーションの基盤です。この包括的なガイドでは、GoogleEfficientDetと Ultralytics YOLO11の包括的な技術比較を行い、アーキテクチャの違い、性能指標、および理想的な導入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追求する場合でも、クラウドベースの推論でスケーラブルな精度を必要とする場合でも、これらのモデルの微妙な違いを理解することが極めて重要です。
モデルプロファイルと技術詳細
各アーキテクチャの系譜と根底にある設計思想を理解することは、実世界の物体検出タスクにおけるそれらの性能を文脈化するのに役立つ。
EfficientDet
Google の研究者によって開発されたEfficientDetは、革新的な双方向特徴ピラミッドネットワーク（BiFPN）と共に、物体検出ネットワークのスケーリングに対する原理に基づいたアプローチを導入した。
- 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 Ultralytics における重要な進化をYOLO11 、リアルタイム性能、パラメータ効率、マルチタスク学習の限界を押し広げます。
- 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
これら二つのモデルの建築的差異は、長年にわたる設計戦略の分岐を浮き彫りにしている。
EfficientDetはEfficientNetのバックボーンを活用し、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融合を可能にするBiFPNを導入する。これは、すべてのバックボーン、特徴ネットワーク、およびボックス/クラス予測ネットワークに対して、解像度、深度、幅を同時に均一にスケーリングする複合スケーリング手法を用いる。平均精度（mAP）の最大化には非常に効果的であるが、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る。
一方、YOLO11最適化されたC2fモジュールと先進的なアンカーフリー検出ヘッドを採用している。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が最小化される。Ultralytics GPU の利用率をYOLO11 Ultralytics 、従来のアーキテクチャや重いトランスフォーマーモデルと比較して、学習時と推論時の両方でメモリ要件が大幅に低減された。
マルチタスクの汎用性
EfficientDetが純粋な物体検出器であるのに対し、YOLO11 極めて高い汎用性をYOLO11 。単一YOLO11 、インスタンスセグメンテーション、画像分類、姿勢推定、およびオリエンテッドバウンディングボックス（OBB）をネイティブにサポートする。
パフォーマンスベンチマーク
以下の表は、COCO において、両モデルファミリーの様々なスケールでの性能を比較したものです。
| モデル | サイズ (ピクセル) | mAPval 50-95 | 速度 CPU ONNX (ms) | 速度 T4 TensorRT10 (ms) | params (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：強みと弱み
GPU : YOLO11 GPU YOLO11 。例えば、T4GPU 上でGPU 、YOLO11mは驚異的な4.7msでmAP 51.mAP を達成する。 TensorRTでmAP 51.5%を達成。同等の精度を得るにはEfficientDet-d5が67.86ms（14倍以上遅い）を要する。これはUltralytics 優れた性能バランスを実証している。
CPU CPU :EfficientDetは、d0やd1などの小型バリアントにおいて、 ONNXを使用することで、高い最適化が図られています。ただし、d7のような大規模なバリエーションでは、GPU ペナルティを大幅に発生させずに精度を向上させることは困難です。
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様に重要な場合が多い。Ultralytics 真価を発揮するのはこの点である。
EfficientDetは従来の TensorFlow エコシステムと複雑なAutoMLライブラリに依存しています。カスタムトレーニングパイプラインの設定には、急峻な学習曲線、複雑な依存関係管理、アンカーや損失関数の手動設定が伴います。
一方、Ultralytics 比類のない使いやすさをUltralytics 。整備PyTorch を基盤として、YOLO トレーニングはわずか数行のコードで実現可能です。このフレームワークは、ハイパーパラメータ調整、高度なデータ拡張、最適な学習率スケジューリングを、初期設定のまま自動的に管理します。
コード例:Ultralytics入門
この堅牢で実運用可能なスニペットは、Python 内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の使用タイミング: TensorFlow が深く根付いた研究環境や、d0などの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、EfficientDetは依然として有効な選択肢です。
YOLO11適応シーン： YOLO11 現代の企業導入における決定的なYOLO11 。その卓越した処理速度は、自動運転車両、リアルタイムスポーツ分析、高スループット製造欠陥検出に最適です。さらに、メモリ使用量が少ないため、NVIDIA のようなリソース制約のあるハードウェア上でも柔軟な導入が可能です。
展望：YOLO26のアップグレード
YOLO11 高性能Ultralytics 、新規プロジェクトを開始する開発者は、実績のある YOLOv8 や新たにリリースされたYOLO26などのUltralyticsアーキテクチャを評価すべきです。2026年初頭にリリースされたYOLO26は、YOLO11 基盤を継承YOLO11 いくつか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：YOLOv10の遺産を基盤とし、YOLO26は後処理段階における非最大抑制（NMS）を完全に排除。これにより遅延を大幅に削減し、デプロイメント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 ューオン（大規模言語モデル訓練に着想を得た手法）SGD 融合したハイブリッド最適化アルゴリズム。これにより学習の安定性が劇的に向上する。
- 最大43%高速CPU ：特定の最適化により、YOLO26は独立したGPUを持たないエッジデバイス上で驚異的な性能を発揮します。
- ProgLoss + STAL:航空画像やロボティクスにおいて極めて重要な小物体検出を著しく改善する高度な損失関数。
ビジョンアーキテクチャのより広範な領域を探求し、トランスフォーマーベースの検出器（例： RT-DETRなどのトランスフォーマーベースの検出器を含む、より広範なビジョンアーキテクチャのUltralytics 像を、当社の包括的なUltralyticsドキュメントで探求してください。