EfficientDetとYOLOv6-3.0
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の成功の要です。このガイドでは、GoogleのEfficientDetとMeituanのYOLOv6-3.0という、重要な2つの物体検出モデルを技術的に比較します。
どちらのアーキテクチャも登場当時は大きな進歩でしたが、その後AIは、より汎用性が高くエッジ向けに最適化されたソリューションを生み出してきました。このガイドでは、EfficientDetとYOLOv6-3.0の性能、トレーニング手法、アーキテクチャの詳細を比較し、多くの開発者がデプロイにUltralytics YOLO26のような最新のエコシステムを選ぶ理由を解説します。
EfficientDet:スケーラブルなAutoMLアーキテクチャ#
Google Brainチームが開発したEfficientDetは、AutoMLが設計したEfficientNetバックボーンを基盤とし、複合スケーリングされた特徴ネットワークを組み合わせています。
- 著者: Mingxing Tan、Ruoming Pang、Quoc V. Le
- 組織: Google Research
- 日付: 2019-11-20
- arXiv: 1911.09070
- GitHub: google/automl
- ドキュメント: EfficientDet README
アーキテクチャの革新#
EfficientDetの中核的な革新は、BiFPN(双方向特徴ピラミッドネットワーク)です。特徴をトップダウンに集約するだけの従来のFPN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、学習可能な重みを使って異なる入力特徴の重要度を捉えます。これに、ネットワークの解像度、深さ、幅を同時に一様に拡大する複合スケーリング手法を組み合わせています。
強みと弱み#
EfficientDetは、パラメーター数に対して優れた平均適合率(mAP)を達成し、登場当時は高い精度を実現しました。しかし、旧式のTensorFlow環境に大きく依存しています。この依存関係により、ハイパーパラメーターの調整が複雑になり、トレーニング時のメモリ使用量が増え、一般的なハードウェアでの推論レイテンシも、最新のPyTorchベースの一段階検出器と比べて長くなることがよくあります。
YOLOv6-3.0:産業用スループットのチャンピオン#
大量の産業処理向けに構築されたYOLOv6-3.0は、NVIDIA T4やA100 GPUなどのハードウェアアクセラレーターでスループットを最大化するよう一から設計された畳み込みニューラルネットワーク(CNN)です。
- 著者: Chuyi Li、Lulu Li、Yifei Gengほか
- 組織: Meituan Vision AI
- 日付: 2023-01-13
- arXiv: 2301.05586
- GitHub: meituan/YOLOv6
- ドキュメント: YOLOv6ドキュメント
アーキテクチャの革新#
YOLOv6-3.0は、従来のモジュールをネック部のBi-directional Concatenation(BiC)モジュールに置き換え、正確な位置情報を維持します。また、Anchor-Aided Training(AAT)戦略も採用しています。AATはトレーニング時にアンカーベースの補助ブランチを統合して追加の勾配ガイダンスを提供し、推論時にはこれを破棄することでアンカーフリーの速度上の利点を維持します。
強みと弱み#
ハードウェア効率に優れたEfficientRepバックボーンを基盤とするYOLOv6-3.0は、専用GPUでバッチ処理が可能な高速の産業用製造環境で優れた性能を発揮します。ただし、GPUスループットに合わせて設計されているため、エッジデバイスやCPUのみの環境では速度面の優位性が縮小することがあります。
パフォーマンス比較#
生のパフォーマンス指標を把握することは、特定のデプロイ制約に適したモデルを選ぶうえで不可欠です。以下の表では、精度、速度、計算負荷を比較します。
| 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 |
| YOLOv6-3.0n | 640 | 37.5 | - | 1.17 | 4.7 | 11.4 |
| YOLOv6-3.0s | 640 | 45.0 | - | 2.66 | 18.5 | 45.3 |
| YOLOv6-3.0m | 640 | 50.0 | - | 5.28 | 34.9 | 85.8 |
| YOLOv6-3.0l | 640 | 52.8 | - | 8.95 | 59.6 | 150.7 |
YOLOv6-3.0はT4 GPU上でTensorRTによる非常に高速な処理を実現しますが、制約のあるエッジハードウェアやCPUにデプロイする開発者には、Ultralytics YOLO26のような低消費電力環境向けに設計されたアーキテクチャが大きなメリットをもたらします。
ユースケースと推奨事項#
EfficientDetとYOLOv6のどちらを選ぶかは、プロジェクトの要件、デプロイの制約、エコシステムの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。
YOLOv6を選ぶ場合#
YOLOv6は、次のような場合に推奨されます。
- 産業用ハードウェアを考慮したデプロイ: モデルのハードウェアを考慮した設計と効率的な再パラメーター化によって、特定のターゲットハードウェア上で最適な性能が得られるシナリオです。
- 高速な1ステージ検出: 制御された環境でのリアルタイム動画処理において、GPU上での生の推論速度を重視するアプリケーションです。
- Meituanエコシステムとの統合: すでにMeituanの技術スタックとデプロイインフラストラクチャを利用しているチームです。
Ultralytics (YOLO26)を選ぶ場合#
ほとんどの新規プロジェクトでは、Ultralytics YOLO26が性能と開発者体験の最適な組み合わせを提供します。
- NMSフリーのエッジデプロイ: Non-Maximum Suppression (NMS)の後処理を複雑にすることなく、一貫して低レイテンシの推論を必要とするアプリケーションに適しています。
- 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: 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。
Ultralyticsの強み:YOLO26を選ぶ理由#
EfficientDetとYOLOv6-3.0はビジョン研究における重要な節目でしたが、最新の本番環境へのデプロイには、複雑な依存関係、分断されたAPI、多大なメモリ要件への対処が伴うことがよくあります。Ultralyticsエコシステムは、こうしたワークフローのボトルネックをネイティブに解消します。
高い性能と使いやすさを求める開発者にとって、Ultralytics YOLO26(2026年1月リリース)は大きな前進です。新しいデプロイに推奨されるモデルです。
YOLO26の革新#
- エンドツーエンドのNMSフリー設計: YOLO26はネイティブのエンドツーエンド推論に対応しており、
nms=Falseで1対1ヘッドを選択すると、NMSによる後処理が不要になります。これによりレイテンシのばらつきが抑えられ、多様なエッジハードウェアへのモデルのデプロイが簡素化されます。 - MuSGDオプティマイザー: Moonshot AIのKimi K2などのLLMトレーニングに着想を得て、YOLO26はSGDとMuonのハイブリッドを使用します。これにより、大規模言語モデルのトレーニングで培われた安定性をコンピュータービジョンにもたらし、収束の高速化と効率的なトレーニングを実現します。
- CPU推論が最大43%高速: エッジコンピューティングや低消費電力デバイス向けに最適化されたYOLO26は、従来の産業用モデルが苦手とするCPU推論を高速に実行し、YOLO26nはYOLO11nより最大43%高速です。
- DFLの削除: Distribution Focal Lossを削除してエクスポートグラフを簡素化し、OpenVINOやCoreMLなどのデプロイランタイムとの互換性を高めています。
- ProgLoss + STAL: Progressive Lossとsmall-target-aware label assignmentにより、小物体認識が大幅に向上します。YOLO26はドローンマッピング、IoTセンサー、ロボティクスに適しています。
汎用性#
バウンディングボックス検出に限定されるEfficientDetとは異なり、YOLO26はネイティブにマルチタスクに対応します。統一された同一のPython APIで、インスタンスセグメンテーション、画像分類、姿勢推定、回転バウンディングボックス(OBB)検出をすぐに利用でき、セマンティックセグメンテーション損失やResidual Log-Likelihood Estimation(RLE)などのタスク固有の改善もアーキテクチャに直接組み込まれています。
コードの統合#
高度なニューラルネットワークのトレーニングに、定型コードを何百行も書く必要はなくなりました。Ultralyticsライブラリを使えば、研究者はCOCOなどの標準データセットで、数行のコードからモデルの読み込み、トレーニング、検証を実行できます。
from ultralytics import YOLO
# Initialize the natively end-to-end YOLO26 Nano model
model = YOLO("yolo26n.pt")
# Train the model efficiently with automatic hardware detection
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# Validate the model's performance
metrics = model.val()
print(f"Achieved mAP50-95: {metrics.box.map:.3f}")
# Export directly to ONNX or TensorRT without NMS overhead
model.export(format="onnx", nms=False)検討すべきその他のモデル#
古いハードウェア構成への対応が必要な場合や、レガシーコードベースを保守している場合も、幅広いUltralyticsエコシステムがサポートします。
- Ultralytics YOLO11: YOLO26の直前の世代にあたるモデルで、成熟した十分に文書化されたパイプラインを必要とする企業環境で広く使われています。
- Ultralytics YOLOv8: 開発者体験の高い基準を打ち立てた、広く採用されているモデルです。TensorBoardやWeights & Biasesなどのツールと緊密に統合された汎用コンピュータービジョンタスクにも、引き続き適しています。
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。