EfficientDetとYOLOv7
最も効果的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に欠かせません。EfficientDetやYOLOv7などの実績あるモデルを比較することで、開発者は精度と計算効率の両方を最適化できます。
この技術分析では、両モデルのアーキテクチャの詳細、パフォーマンス指標、最適なデプロイシナリオを取り上げます。また、最新のUltralytics YOLO26を含む統合型Ultralyticsエコシステムが、最新のコンピュータービジョンタスクに有力な代替手段となる理由も解説します。
EfficientDetを理解する#
EfficientDetは、さまざまなリソース制約のもとで計算コストを体系的に管理しながら、精度を最大化するよう設計されています。新しいスケーリング手法と特徴融合手法によって、これを実現しました。
EfficientDetの詳細:
- 著者: Mingxing Tan、Ruoming Pang、Quoc V. Le
- 組織: Google
- 日付: 2019-11-20
- arXiv: EfficientDet:スケーラブルで効率的な物体検出
- GitHub: Google AutoMLリポジトリ
アーキテクチャと革新#
EfficientDetの中核となるのは、双方向特徴ピラミッドネットワーク(BiFPN)です。従来のFPNとは異なり、BiFPNは学習可能な重みを導入して異なる入力特徴の重要度を学習することで、高速なマルチスケール特徴融合を実現します。これに、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は高いスケーラビリティを備えています。小型のバリエーション(d0~d2)はパラメーター効率が非常に高く、ストレージに厳しい制約がある環境に適しています。大型のバリエーション(d7など)は、ハイエンドのオフライン処理における平均適合率(mAP)の限界を押し広げます。
しかし、EfficientDetは旧式のTensorFlow実装や複雑なAutoMLパイプラインに大きく依存しています。この古いインフラストラクチャは、現代のPyTorch中心のワークフローへの統合を困難にします。また、高精度のバリアントに拡張すると、エッジデバイスで推論レイテンシが大幅に増加する問題もあります。
YOLOv7を理解する#
2022年に登場したYOLOv7は、リアルタイムアプリケーションの速度と精度を大幅に向上させ、当時のYOLOファミリーに新たなベースラインを確立しました。
YOLOv7の詳細:
- 著者: Chien-Yao Wang、Alexey Bochkovskiy、Hong-Yuan Mark Liao
- 組織: 台湾、中央研究院情報科学研究所
- 日付: 2022-07-06
- arXiv: YOLOv7:学習可能なbag-of-freebiesでリアルタイム物体検出器の新たな最先端を実現
- GitHub: YOLOv7公式リポジトリ
アーキテクチャと革新#
YOLOv7は拡張効率的レイヤー集約ネットワーク(E-ELAN)を導入しました。このアーキテクチャの改良により、元の勾配経路を損なわずにネットワークの学習能力が向上し、モデルは多様な特徴を効率的に学習できます。さらに、計画的な再パラメーター化や動的ラベル割り当てなどの手法を活用する「トレーニング可能な無料特典の集合」を実装し、推論コストを増やさずに精度を高めています。
強みと弱み#
YOLOv7は、動画分析や高速ロボットナビゲーションなどのリアルタイムシナリオで優れた性能を発揮します。サーバーグレードのGPUで良好にスケーリングし、ネイティブのPyTorch実装を提供しているため、学術研究者も利用しやすいモデルです。
高速である一方、YOLOv7は後処理に非極大値抑制(NMS)を使用するため、物体が密集したシーンではレイテンシにばらつきが生じることがあります。トレーニング時のメモリ使用量は新しい世代のモデルよりもかなり多く、大きなバッチサイズを扱うには、より高性能なハードウェアが必要です。
パフォーマンスと指標の比較#
これらのモデルを比較する際は、精度、推論速度、パラメーター数のトレードオフを検討することが重要です。以下の表では、EfficientDetとYOLOv7の各種構成を評価します。
| 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 |
| YOLOv7l | 640 | 51.4 | - | 6.84 | 36.9 | 104.7 |
| YOLOv7x | 640 | 53.1 | - | 11.57 | 71.3 | 189.9 |
EfficientDet-d7は最高のmAPを達成しますが、T4 GPUで約128msを要します。YOLOv7xは11.57msで同等に近い53.1 mAPを達成し、リアルタイムデプロイにおける計算効率を桁違いに向上させます。
ユースケースと推奨事項#
EfficientDetとYOLOv7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。
YOLOv7を選ぶ場合#
YOLOv7は次の用途におすすめです。
- 学術的なベンチマーク: 2022年当時の最先端の結果を再現する場合、またはE-ELANやトレーニング可能なbag-of-freebies技術の効果を研究する場合。
- 再パラメーター化の研究: 計画的な再パラメーター化畳み込みや、複合モデルスケーリング戦略を調査する場合。
- 既存のカスタムパイプライン: YOLOv7固有のアーキテクチャを中心に高度にカスタマイズされ、容易にリファクタリングできないパイプラインを使用するプロジェクト。
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。
Ultralyticsの強み#
適切なアーキテクチャの選択では、単純な指標だけでなく、機械学習ライフサイクル全体を評価する必要があります。Ultralyticsエコシステムは優れた開発者体験を提供し、堅牢なAIのデプロイを始める際の障壁を大幅に下げます。
- 使いやすさ: Ultralyticsは統一されたPython APIを提供します。開発者はわずか数行のコードでモデルのトレーニング、検証、エクスポートを実行でき、EfficientDetで一般的な複雑で分断されたコードベースを管理する必要がありません。
- 整備されたエコシステム: 迅速なアップデート、充実したドキュメント、活発なコミュニティに支えられ、UltralyticsはTensorRTやOpenVINOなどの最新のデプロイフレームワークとの互換性を確保しています。
- メモリ要件: 最適化されたPyTorchデータローダーと効率化されたネットワーク構造により、Ultralytics YOLOモデルは、マルチブランチネットワークやTransformerを多用するモデルと比べて、トレーニング時に必要なCUDAメモリが大幅に少なくなります。
- 汎用性: バウンディングボックス検出に限定された旧式のアーキテクチャとは異なり、Ultralyticsモデルはインスタンスセグメンテーション、姿勢推定、回転バウンディングボックス(OBB)に対応するマルチタスクフレームワークです。
Ultralyticsによるトレーニング効率#
以下のコードは、旧式のTensorFlowパイプラインを構成する場合と比べて、Ultralytics Pythonパッケージを使ったモデルのトレーニングがいかに簡単かを示しています。
from ultralytics import YOLO
# 特におすすめのYOLO26モデルを読み込む
model = YOLO("yolo26s.pt")
# 組み込みのデータ拡張を使用してモデルをトレーニング
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# デプロイ用にモデルをTensorRTへエクスポート
model.export(format="engine")新たな標準:YOLO26#
YOLOv7とEfficientDetは現代のコンピュータービジョンの基礎を築きましたが、2026年1月にUltralytics YOLO26が登場し、状況は大きく変化しました。高精度とエッジでの高速な処理の両方を実現するよう設計されたYOLO26は、新しいビジョンプロジェクトに推奨されるモデルです。
YOLO26の主な革新点#
- エンドツーエンドのNMSフリー設計: YOLOv10の基盤を引き継ぐYOLO26は、ネイティブのエンドツーエンドヘッド(
nms=False)を提供します。NMSによる後処理を完全に排除することで、レイテンシを低減し、ばらつきを抑えます。これは、自動運転のような安全性が極めて重要なシステムに不可欠です。 - CPU推論が最大43%高速: Distribution Focal Loss(DFL)の削除により、YOLO26はエクスポート処理が簡素化され、Raspberry Piなどのエッジデバイスでも高速に推論できます(YOLO26nはCPU上でYOLO11nより最大43%高速)。そのため、エッジコンピューティングに最適です。
- MuSGDオプティマイザー: YOLO26は、Moonshot AIのLLMトレーニング手法に着想を得た、SGDとMuonのハイブリッドであるMuSGDオプティマイザーを採用しています。これにより、安定したトレーニング動作と高速な収束を実現します。
- ProgLoss + STAL: Progressive LossとSmall-Target-Aware Label Assignmentにより、小さな物体の検出能力が向上します。これは、ドローン画像やセキュリティアラームシステムでよく見られる課題です。
- タスク固有の改善: YOLO26は単なる検出器ではありません。高品質なインスタンスセグメンテーションを実現する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プロト、より正確な姿勢推定を可能にするResidual Log-Likelihood Estimation(RLE)、OBBの境界の曖昧さを解消する専用の角度損失を備えています。
代替モデルの検討#
YOLO26は推奨されるデフォルトモデルですが、Ultralyticsエコシステムでは、さまざまなユースケースに合わせた多数のモデルをサポートしています。
既存システムを保守する開発者にとって、YOLO11はUltralytics Platform上で引き続き堅牢なサポート対象モデルです。Transformerベースのアーキテクチャが明確に求められるシナリオでは、RT-DETRがTransformerのエンコーダー・デコーダーを使ってリアルタイム検出を実現し、アテンション機構とリアルタイム実行速度の隔たりを埋めます。
結論として、EfficientDetは複合スケーリングに関する学術的な知見を提供し、YOLOv7は強力なリアルタイム性能のベースラインとなりますが、現代の企業にはUltralytics Platformの導入が最適です。YOLO26を活用することで、チームは優れた性能、最小限のトレーニング負荷、継続的に保守されるデプロイ環境を得られます。
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。