はじめる

EfficientDetとYOLO26の比較

適切なコンピュータービジョンアーキテクチャの選定は、スケーラブルで効率的なAIシステムを構築するための重要なステップです。このガイドでは、2019年にリリースされたGoogleのEfficientDetと、2026年1月にリリースされたUltralytics YOLO26を技術的に比較します。基盤となるアーキテクチャ、性能指標、トレーニング手法を評価し、デプロイ上の制約に適したモデルを選べるようにします。

モデルの系譜と開発者#

これらのアーキテクチャの起源を理解することは、その設計思想や想定されるユースケースを把握するうえで役立ちます。

EfficientDet

EfficientDetの詳細を見る

YOLO26

アーキテクチャの革新#

この2つのモデルのアーキテクチャ上の違いは明確であり、ここ数年におけるディープラーニングの急速な進歩を反映しています。

EfficientDetはBiFPN(双方向特徴ピラミッドネットワーク)を中心に構築され、解像度、深さ、幅にわたって複合スケーリング手法を使用します。2019年には優れた効率性を実現しましたが、古いTensorFlowフレームワークと複雑なAutoML探索アルゴリズムに大きく依存しており、カスタムデータセットに適応させる際に手間がかかることがよくあります。

これに対し、Ultralytics YOLO26は、リアルタイムコンピュータービジョン向けの最新のUltralyticsモデルです。現代のデプロイパイプラインを想定した、いくつかのアーキテクチャ上の改良を導入しています。

  • エンドツーエンドNMSフリーデザイン:YOLO26は、ネイティブのエンドツーエンド1対1ヘッド(nms=False)を備え、非最大値抑制(NMS)による後処理を不要にします。YOLOv10で初めて導入されたこのアプローチにより、デプロイのロジックが高速かつシンプルになり、エッジチップ上でのレイテンシのばらつきも抑えられます。
  • DFLの削除: Distribution Focal Loss (DFL)を削除することで、YOLO26は出力ヘッドを簡素化し、エッジコンピューティングや低消費電力デバイスとの互換性を高めます。
  • MuSGDオプティマイザー: Moonshot AIのKimi K2を支える手法など、大規模言語モデルの学習技術に着想を得たYOLO26は、SGDとMuonを組み合わせたハイブリッドオプティマイザー、MuSGDを採用しています。これにより、標準的なオプティマイザーよりも安定した学習と高速な収束を実現します。
  • ProgLoss + STAL: Progressive Loss (ProgLoss)とSmall-Target-Aware Label Assignment (STAL)を組み合わせることで、小さな物体の認識性能が大幅に向上します。これはaerial imageryやロボティクスで特に重要です。
ヒント:NMSフリーのデプロイ

NMSフリーヘッドを選択すると(nms=False)、モデル全体を単一の連続した計算グラフとして実行できます。これにより、ONNXやTensorRTなどの形式へのエクスポートが容易になり、NPU/GPUの使用効率も向上します。

パフォーマンス指標とベンチマーク#

物体検出モデルの真価は、実環境での性能によって決まります。以下の表では、mean Average Precision (mAP)で測定した精度を、推論速度および計算要件と比較しています。

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-d051234.6-3.923.92.54
EfficientDet-d164040.5-7.316.66.1
EfficientDet-d276843.0-10.928.111.0
EfficientDet-d389647.5-19.5912.024.9
EfficientDet-d4102449.7-33.5520.755.2
EfficientDet-d5128051.5-67.8633.7130.0
EfficientDet-d6128052.6-89.2951.9226.0
EfficientDet-d7153653.7-128.0751.9325.0
YOLO26n64040.938.91.72.45.5
YOLO26s64048.687.22.59.520.9
YOLO26m64053.1220.04.720.468.4
YOLO26l64055.0286.26.224.886.8
YOLO26x64057.5525.811.855.7194.4

上記のとおり、YOLO26は優れた性能バランスを実現しています。最小のEfficientDetモデルはFLOPsが非常に少ない一方、YOLO26はあらゆる精度レベルでGPU推論が大幅に高速です。たとえばYOLO26xは57.5 mAPを達成し、T4上のTensorRTではEfficientDet-d7より10倍以上高速に動作します。また、YOLO26nはYOLO11nよりもCPU推論が最大43%高速であり、edge AIに適した有力な選択肢です。

Ultralyticsエコシステムの利点#

アーキテクチャの選択は、理論上のFLOPsだけで決まるものではなく、エンジニアリングのワークフローにも大きく左右されます。多くの開発者がUltralyticsを選ぶ理由の一つは、使いやすさです。

EfficientDetの学習では、複雑な依存関係の管理、手動でのハイパーパラメーター調整、古いTensorFlow環境が必要になることがよくあります。一方、Ultralytics modelsはシンプルなAPIを備えています。同じ使いやすさはUltralytics Platformにも受け継がれており、クラウド学習、データアノテーション、リアルタイムの実験追跡をすぐに利用できます。

Transformerベースの検出器や複雑なAutoMLモデルは、大量のメモリを消費する傾向もあります。Ultralyticsモデルはメモリ要件が効率的なことで知られており、メモリ不足(OOM)エラーに悩まされることなく、一般向けハードウェアで堅牢なモデルを学習できます。

汎用性とタスクへの対応#

EfficientDetは物体検出専用のネットワークです。YOLO26は、複数のタスクに対応する統合学習モデルです。アーキテクチャには、タスクに特化した次の革新的な機能が組み込まれています。

  • セマンティックセグメンテーション損失とマルチスケールのプロトを使用して、より高品質なInstance Segmentationマスクを生成します。
  • Residual Log-Likelihood Estimation (RLE)により、Pose Estimationの精度を向上させます。
  • 回転バウンディングボックス(OBB)の境界問題を解決するための、角度に特化した損失処理を備えています。
旧バージョンのサポート

既存システムを保守している場合も、Ultralyticsは同じAPIでYOLO11とそれ以前のバージョンを引き続き完全にサポートしています。ただし、新しい開発には、リソース効率と精度のバランスに優れたYOLO26をおすすめします。

ユースケースと推奨事項#

EfficientDetとYOLO26のどちらを選ぶかは、プロジェクト固有の要件、デプロイ上の制約、エコシステムに関する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。

YOLO26を選ぶ場合#

YOLO26は、次の用途に推奨されます:

  • 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、YOLO26が最大43%高速なCPU推論(YOLO26nとYOLO11nの比較)を実現し、明確な優位性を発揮します。
  • 小物体検出: 航空ドローン画像やIoTセンサーの分析など、難易度の高いシナリオでは、ProgLossとSTALによって小さな物体の精度が大幅に向上します。

実装例:YOLO26のトレーニング#

Ultralytics Pythonパッケージを使えば、最適化された学習を数行のコードで開始できます。このフレームワークは、混合精度スケーリング、PyTorchによるマルチGPUオーケストレーション、拡張パイプラインをネイティブに処理します。

from ultralytics import YOLO

# Load the lightweight, end-to-end YOLO26n model
model = YOLO("yolo26n.pt")

# Train on the COCO8 dataset
results = model.train(
    data="coco8.yaml",
    epochs=100,
    imgsz=640,
    device=0,  # Train on the first CUDA GPU
)

# Export the NMS-free end-to-end head to ONNX
exported_path = model.export(format="onnx", nms=False)
print(f"Model seamlessly exported to: {exported_path}")

結論:どのモデルを選ぶべきか?#

EfficientDetは、複合スケーリング研究における重要な足掛かりであり続けています。しかし、クラウドクラスターでも、制約のあるRaspberry Piデバイスでも、最新のアプリケーションではUltralytics YOLO26が優位です。

NMSの排除、VRAM要件の削減、成熟した開発者エコシステムとの統合により、YOLO26は堅牢で本番環境に対応したコンピュータービジョンに推奨されるアーキテクチャです。製造上の欠陥検出から農作物の収量マッピングまで、Ultralytics Platformを使えば、データセットからデプロイまでを迅速に進められます。

コントリビューター

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。