EfficientDetとYOLOv10
computer visionでは、精度、レイテンシ、計算効率のバランスを取るうえで、適切な物体検出アーキテクチャの選択が重要です。この技術ガイドでは、GoogleのEfficientDetと清華大学のYOLOv10という、影響力のある2つのモデルを比較します。どちらも物体検出を大きく進歩させましたが、アーキテクチャ設計とモデル最適化へのアプローチは大きく異なります。
このガイドでは、それぞれの基本アーキテクチャを取り上げ、COCOなどの標準データセットでの性能ベンチマークを確認し、Ultralyticsエコシステムを含む最新の機械学習パイプラインとの統合について解説します。
EfficientDet:複合スケーリングの先駆け#
2019年後半に発表されたEfficientDetは、ネットワークの各次元を体系的にスケーリングする手法を導入し、拡張性と精度を両立する物体検出の新たな基準を確立しました。
主な革新とアーキテクチャ#
- 著者: Mingxing Tan、Ruoming Pang、Quoc V. Le
- 組織: Google Brain
- 日付: 2019-11-20
- arXiv: https://arxiv.org/abs/1911.09070
- GitHub: EfficientDetリポジトリ
EfficientDetはEfficientNetバックボーンを基盤とし、新しいBi-directional Feature Pyramid Network (BiFPN)を採用しています。重要度を区別せずに特徴を合算する従来のFeature Pyramid Networks (FPN)とは異なり、BiFPNは学習可能な重みを使ってマルチスケール特徴を融合します。これにより、最終予測にどの解像度の特徴が最も寄与するかをネットワークが効果的に学習できます。またEfficientDetは、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、幅を一様にスケーリングする複合スケーリング手法も採用しています。
EfficientDetは、旧式のTensorFlowパイプラインと深く統合されたレガシーシステムでは依然として有力な選択肢ですが、トレーニング時にかなりのメモリーを必要とします。また、動的な最新フレームワークと比べて扱いにくい旧式のエコシステムに依存しています。
YOLOv10:NMSフリーの革新モデル#
2024年半ばにリリースされたYOLOv10は、後処理でのNon-Maximum Suppression (NMS)を不要にし、推論レイテンシを大幅に削減することで、リアルタイム物体検出を変革しました。
主な革新とアーキテクチャ#
- 著者: Ao Wang、Hui Chen、Lihao Liuほか
- 組織: 清華大学
- 日付: 2024-05-23
- arXiv: https://arxiv.org/abs/2405.14458
- GitHub: YOLOv10リポジトリ
YOLOv10は、NMSフリーの学習を実現する一貫したデュアル割り当て戦略を導入しています。学習時にone-to-manyとone-to-oneの両方のラベル割り当てを利用することで、NMSで重複を除去せずとも、一意に対応するバウンディングボックスを生成するようネットワークを学習させます。効率と精度を総合的に重視したこのモデル設計は、計算の冗長性を減らすため、エッジコンピューティングや低レイテンシの動画ストリーミングに適しています。また、Ultralyticsエコシステムに統合されており、開発者はシンプルなPython APIを利用できます。
NMSの処理をなくすことで、YOLOv10はシーン内で検出される物体数にかかわらず推論速度を一定に保ち、混雑したコンピュータービジョンアプリケーションでよく見られるレイテンシの急増を防ぎます。
性能比較:精度、速度、効率#
実環境にモデルをデプロイする際、開発者はパラメーター数や計算量(FLOPs)と平均適合率(mAP)を比較検討する必要があります。以下の表では、両モデルの各スケーリングバリアントについて、これらの指標を詳しく示します。
| 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 |
| YOLOv10n | 640 | 38.5 | - | 1.84 | 2.3 | 6.7 |
| YOLOv10s | 640 | 46.3 | - | 2.49 | 7.2 | 21.6 |
| YOLOv10m | 640 | 51.1 | - | 4.74 | 15.4 | 59.1 |
| YOLOv10b | 640 | 52.5 | - | 5.74 | 19.1 | 92.0 |
| YOLOv10l | 640 | 53.2 | - | 7.28 | 24.4 | 120.3 |
| YOLOv10x | 640 | 54.4 | - | 10.70 | 29.5 | 160.4 |
注: YOLOv10nは、最小のEfficientDetモデルよりも少ないパラメーター数(2.3M)で、TensorRTの速度も大幅に高速(1.84ms)です。そのため、本番環境でのリアルタイム推論により適しています。
モデルのデプロイにUltralyticsを選ぶ理由#
どちらのモデルにも歴史的、構造的な意義がありますが、最新のパイプラインへの統合は容易ではありません。そこで役立つのがUltralytics Platformです。統合されたエコシステムを提供することで、Ultralyticsはデータアノテーションからデプロイまで、ライフサイクル全体を簡素化します。
- 使いやすさ: Ultralytics Pythonパッケージは、モデルのトレーニング、検証、エクスポートを単一のインターフェースで実行できます。数百行に及ぶ定型コードを簡潔なコマンドに置き換えられます。
- エコシステムと汎用性: EfficientDetは検出に特化していますが、Ultralytics YOLOモデルはInstance Segmentation、分類、Pose Estimation、Oriented Bounding Boxes (OBB)にも対応します。
- 学習効率: オートバッチングや分散学習などの技術により、Ultralyticsモデルは大型のTransformerアーキテクチャや旧世代のマルチブランチTensorFlowアーキテクチャよりも高速に学習し、CUDAメモリの消費量も大幅に抑えます。
コード例:YOLOv10のトレーニング#
Ultralyticsを使ったYOLOv10のデプロイは簡単です。以下のコード例では、Python APIだけでYOLOv10ネットワークの初期化、学習、評価を行う方法を示します。
from ultralytics import YOLO
# 事前学習済みのYOLOv10モデルを読み込みます(エッジでの高速動作に適したnanoバリアント)。
model = YOLO("yolov10n.pt")
# COCO8データセットでモデルをトレーニングします
results = model.train(data="coco8.yaml", epochs=50, imgsz=640, batch=16)
# 検証セットでモデルを評価します
metrics = model.val()
# 本番環境へのデプロイに向けて、モデルをONNXにエクスポートします
model.export(format="onnx")ユースケースと推奨事項#
EfficientDetとYOLOv10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。
YOLOv10を選ぶ場合#
YOLOv10は、次のような用途に推奨されます。
- NMSを使用しないリアルタイム検出: 非最大抑制を使用しないエンドツーエンド検出によって、デプロイを簡素化できるアプリケーション。
- 速度と精度のバランス: さまざまなモデルスケールで、推論速度と検出精度の優れたバランスが必要なプロジェクト。
- レイテンシーが安定している必要のあるアプリケーション: ロボティクスや自律システムなど、予測可能な推論時間が重要なデプロイシナリオ。
Ultralytics (YOLO26)を選ぶ場合#
多くの新規プロジェクトにおいて、Ultralytics YOLO26はパフォーマンスと開発者体験を最適なバランスで提供します。
- 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、YOLO26nのCPU推論がYOLO11nより最大43%高速であることが明確な利点になります。
- 小物体検出: ドローンによる航空画像やIoTセンサーの分析など、ProgLossとSTALによって小さな物体の精度が大幅に向上する難しいシナリオ。
未来はここに:Ultralytics YOLO26の登場#
YOLOv10はNMSフリーのYOLO設計を導入しましたが、技術はさらに進化しています。2026年1月にリリースされたUltralytics YOLO26は、現在推奨されているUltralyticsのビジョンAIモデルです。YOLO11のマルチタスク機能やRT-DETRのエンドツーエンド検出など、従来のアーキテクチャの強みを単一の最適化されたモデルファミリーに統合しています。
新しいプロジェクトを始める場合は、YOLO26からお試しください。Ultralytics Platformを通じて、柔軟性と使いやすさを活用できます。
YOLO26の主な技術革新:
- エンドツーエンドのNMSフリー設計: YOLOv10の基盤を発展させたYOLO26は、オプションのエンドツーエンドone-to-oneヘッド(
nms=False)を備え、NMSを省略してデプロイ時のロジックを最小限に抑えます。 - CPU推論が最大43%高速: Distribution Focal Loss (DFL)を削除して計算オーバーヘッドを大幅に削減したYOLO26は、YOLO26nでCPU上の推論がYOLO11nより最大43%高速です。edge AIデバイスに適しています。
- MuSGDオプティマイザー: YOLO26は大規模言語モデル(LLM)の学習技術を取り入れています。SGDの安定性とMuonの速度を組み合わせることで、より高速かつ安定した収束を実現します。
- ProgLoss + STAL: Progressive Lossと小物体を考慮したラベル割り当ては、小物体検出で長年課題となっていた問題に対処します。この分野は、従来EfficientDetが苦手としていました。
結論:ユースケースに応じたモデル選び#
最終的に、どちらのネットワークを選ぶかはデプロイ上の制約によって決まります。
- EfficientDetは複合スケーリングに関する学術的な研究対象として引き続き重要であり、実行速度よりもモデルの重みファイルのサイズを重視する、既存のTensorFlowシステムを保守する研究者に適しています。
- YOLOv10はNMSフリーアーキテクチャを採用しているため、高速な複数物体追跡や交通監視など、極めて低いレイテンシが求められるアプリケーションに適しています。
- 一方、最新のコンピュータービジョンプロジェクトにはYOLO26を最もおすすめします。堅牢なUltralyticsエコシステムに支えられ、精度、低いメモリ使用量、マルチタスクの汎用性を優れた性能バランスで実現します。
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。