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
- 著者: Mingxing Tan、Ruoming Pang、Quoc V. Le
- 組織: Google Research
- 日付: 2019-11-20
- arXiv: 1911.09070
- GitHub: google/automl/efficientdet
YOLO26
- 著者: Glenn Jocher、Jing Qiu
- 組織: Ultralytics
- 日付: 2026-01-14
- GitHub: ultralytics/ultralytics
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。
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-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 |
| YOLO26n | 640 | 40.9 | 38.9 | 1.7 | 2.4 | 5.5 |
| YOLO26s | 640 | 48.6 | 87.2 | 2.5 | 9.5 | 20.9 |
| YOLO26m | 640 | 53.1 | 220.0 | 4.7 | 20.4 | 68.4 |
| YOLO26l | 640 | 55.0 | 286.2 | 6.2 | 24.8 | 86.8 |
| YOLO26x | 640 | 57.5 | 525.8 | 11.8 | 55.7 | 194.4 |
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。
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。