はじめる

EfficientDetとYOLOv5

適切なニューラルネットワークアーキテクチャの選択は、あらゆるコンピュータービジョンプロジェクトを方向づける重要なステップです。推論レイテンシ、パラメーター効率、検出精度のバランスによって、実環境でのモデル性能が決まります。この技術ガイドでは、GoogleのEfficientDetとUltralytics YOLOv5という、影響力の大きい2つの物体検出フレームワークを分析します。

アーキテクチャの革新、トレーニング手法、デプロイ機能を比較することで、開発者はクラウドサーバーへのスケール展開から制約のあるエッジデバイスでの実行まで、それぞれのデプロイ環境に応じた適切な判断を下せます。

EfficientDet:BiFPNを採用したスケーラブルなアーキテクチャ#

Google Researchが発表したEfficientDetは、バックボーンと特徴ネットワークの両方を体系的にスケーリングし、従来の主要モデルより少ないパラメーターで高い精度を実現するよう設計されました。

モデルの詳細#

アーキテクチャの革新#

EfficientDetはEfficientNet分類モデルをバックボーンとして使用し、ネットワークの幅、深さ、解像度を一様に拡大する複合スケーリング手法を採用しています。物体検出への最も顕著な貢献は、双方向特徴ピラミッドネットワーク(BiFPN)の導入です。特徴をトップダウンに集約するだけの標準的な特徴ピラミッドネットワークとは異なり、BiFPNは複雑な双方向のスケール間接続を可能にし、学習可能な重みを導入して異なる入力特徴の重要度を決定します。

EfficientDetは高精度ですが、TensorFlowエコシステムと特定のAutoMLライブラリに大きく依存しています。この依存関係により、カスタムの軽量なデプロイパイプラインや動的計算グラフを重視する環境への統合が煩雑になることがあります。

EfficientDetの詳細を見る

Ultralytics YOLOv5:リアルタイムAIの民主化#

2020年半ばにリリースされたUltralytics YOLOv5は、アーキテクチャのネイティブなPyTorch実装によってYOLOをより利用しやすくしました。開発者体験、トレーニング効率、リアルタイムデプロイの柔軟性において、新たな基準を確立しました。

モデルの詳細#

アーキテクチャの革新#

YOLOv5は、勾配の流れを改善しながらパラメーター数全体を削減するCSPDarknet(Cross-Stage Partial)バックボーンを採用し、前世代から大幅に改良されました。また、自動学習型アンカーボックスも取り入れており、カスタムトレーニングデータからバウンディングボックスの事前分布を自動計算するため、手動でのアンカー調整が不要です。

YOLOv5はMosaicデータ拡張も多用し、4枚の異なる画像を1つのトレーニングタイルに合成します。これにより、小物体の検出能力と文脈理解が向上し、さまざまな環境で堅牢に動作します。

性能とベンチマーク#

COCOデータセットのような標準ベンチマークでモデルを評価することは、精度と速度のトレードオフを理解するうえで重要です。以下の表は、標準化された条件下におけるEfficientDetとYOLOv5の各サイズの性能を示しています。

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
YOLOv5n64028.0-1.121.94.5
YOLOv5s64037.4-1.927.216.5
YOLOv5m64045.4-4.0321.249.0
YOLOv5l64049.0-6.6146.5109.1
YOLOv5x64050.7-11.8986.7205.7

トレードオフの分析#

EfficientDet-d7は最大53.7 mAPまでスケーリングできますが、YOLOアーキテクチャと比べてGPUハードウェアでの推論レイテンシが大きくなります。一方、YOLOv5はハードウェアアクセラレーションの恩恵を大きく受けます。YOLOv5nはNVIDIA TensorRTを使用したT4 GPUで1.12 msの推論時間を達成し、自動運転や高速製造ラインなどのリアルタイムアプリケーションにより適しています。

YOLOv5モデルは、複雑な複合スケーリングネットワークや大規模なTransformerモデルと比べて、トレーニング時に必要なCUDAメモリも大幅に少なくなります。この省メモリ設計によって最新のAIを利用しやすくなり、研究者は一般的なコンシューマー向けハードウェアで堅牢なモデルをトレーニングできます。

ハードウェア効率を最大化

エッジデバイスでYOLOv5モデルのフレームレート(FPS)を最大限に引き出すには、PyTorchの重みをNVIDIA GPU向けのTensorRT、またはIntel CPU向けのOpenVINOにエクスポートします。この手順により、推論速度を大幅に向上できます。

トレーニングエコシステムと開発者体験#

Ultralyticsエコシステムの主な利点は、ユーザー体験が効率化されていることです。EfficientDetではTensorFlow物体検出APIに関する深い知識が必要ですが、YOLOv5は一貫性のあるシンプルなPython APIを提供します。

適切に保守されているUltralyticsエコシステムは、頻繁なアップデート、活発なコミュニティサポート、Weights & BiasesやClearMLなどの実験管理ツールとの統合を開発者に提供します。

コード例:YOLOv5の使い始め方#

事前トレーニング済みのYOLOv5モデルを使った推論は、Ultralytics Pythonパッケージを利用すれば、わずか数行のコードで実行できます。

from ultralytics import YOLO

# 高効率なYOLOv5sモデルを読み込みます
model = YOLO("yolov5su.pt")  # YOLOv5u: ultralyticsパッケージ向けのアンカーフリーYOLOv5重み

# 画像に対して推論を実行する
results = model("https://ultralytics.com/images/zidane.jpg")

# 検出したバウンディングボックスを表示します
results[0].show()

汎用性と実環境での活用#

EfficientDetは物体検出専用のフレームワークであり、複雑なビジョンパイプラインでの用途が限られます。一方、YOLOv5は複数のコンピュータービジョンタスクに対応するよう進化しました。モデルの最新リリースは高精度なインスタンスセグメンテーションと画像分類に対応し、開発者は機械学習スタックを統合できます。

最適なユースケース#

  • EfficientDet: レイテンシより最高精度を優先し、サーバーグレードのTPUまたは大容量メモリのGPUを利用できるオフライン処理、学術研究、クラウドベースの分析に最適です。
  • YOLOv5: エッジAIのデプロイに適した有力な選択肢です。低レイテンシ、小さなパラメーター数、高い精度を兼ね備えているため、ドローン分析、リアルタイムの小売自動化、CoreMLまたはLiteRTを介したモバイルアプリケーションに適しています。

次世代への進化:YOLO26へのアップグレード#

YOLOv5は今も堅牢で広くデプロイされていますが、AI分野は急速に進化しています。新しいプロジェクトを始めるチームや、最新の最高性能を求めるチーム向けに、Ultralyticsは2026年1月にリリースされたYOLO26を発表しました。

YOLO26は、デプロイを容易にし推論を高速化するアーキテクチャ変更により、速度と精度のトレードオフを改善しています。

YOLO26の主な進化点#

  • エンドツーエンドのNMSフリー設計: YOLO26のオプションのエンドツーエンドヘッド(nms=False)は、非極大値抑制(NMS)による後処理を不要にします。これによりデプロイロジックが簡素化され、レイテンシのばらつきが低減します。このアプローチは、YOLOv10で初めて導入されました。
  • CPU推論が最大43%高速: YOLO11nと比較して、YOLO26nはCPU上で最大43%高速です。専用GPUを搭載しないエッジコンピューティング環境や低消費電力のIoTデバイスに適しています。
  • MuSGDオプティマイザー: Moonshot AIのKimi K2をはじめとする大規模言語モデルのトレーニング手法に着想を得た、SGDとMuonのハイブリッドです。LLMのトレーニング手法をコンピュータービジョンに取り入れ、収束の高速化と安定したトレーニング動作を実現します。
  • ProgLoss + STAL: Progressive Lossとsmall-target-aware label assignment戦略により、小物体認識が大幅に向上します。これは航空画像やロボティクスで重要です。
  • DFLの削除: Distribution Focal Lossを削除してモデルヘッドを簡素化し、旧式のエッジハードウェアや制約の厳しいエッジハードウェアへのエクスポート互換性を高めています。

マルチタスクパイプラインをデプロイするチーム向けに、YOLO26はセグメンテーション用のマルチスケールプロトや、回転バウンディングボックス (OBB)用の専用角度損失など、タスク固有の機能強化も導入しています。エコシステム内の他の最新の選択肢については、YOLO11やYOLOv8アーキテクチャもご覧ください。

結論#

EfficientDetとYOLOv5のどちらを選ぶかは、デプロイ先に大きく左右されます。EfficientDetは、クラウド中心の推論に適した体系的なスケーリング手法を提供します。一方、YOLOv5は、優れた開発者体験、高速なPyTorchトレーニングループ、最適化されたエッジデプロイ機能を備えており、ほとんどの実環境のリアルタイムアプリケーションで優先されます。新しいプロジェクトにはYOLO26が推奨されます。Ultralyticsが提供する包括的なツールを活用することで、チームは市場投入までの時間を短縮し、応答性に優れたAIシステムを構築できます。

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。