EfficientDetとYOLOv9
コンピュータービジョンは、ニューラルネットワーク設計の着実な進歩によって発展してきました。モデル選択では、計算効率と検出精度の適切なバランスが重要です。GoogleのEfficientDetは、スケーラブルなアーキテクチャを導入して2019年に強固なベースラインを確立し、2024年にリリースされたYOLOv9は、Programmable Gradient Information (PGI)を用いて物体検出をさらに発展させました。
このガイドでは、これら2つのモデルを技術的に比較するとともに、本番環境向けに最適化された堅牢なエンドツーエンドソリューションであるUltralytics YOLO26を紹介します。
モデルアーキテクチャと革新技術#
EfficientDetとYOLOv9の基礎的な仕組みを理解することは、それぞれに最適な用途を判断するうえで欠かせません。
EfficientDet:複合スケーリングとBiFPN#
Google Researchが開発したEfficientDetは、体系的なスケーリングと効率的な特徴融合を重視しています。バックボーンにEfficientNetを使用し、新しい特徴ネットワークアーキテクチャを導入しています。
主なアーキテクチャ上の特徴: EfficientDetは、マルチスケール特徴を高速に融合するBi-directional Feature Pyramid Network (BiFPN)を中心に構成されています。また、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。当時は非常に高精度でしたが、古いTensorFlow環境に強く依存しているため、最新のデプロイパイプラインは複雑になりがちです。
YOLOv9:情報ボトルネックの解消#
Academia Sinicaの研究者が開発したYOLOv9は、データが深層ニューラルネットワークを通過する際に生じる情報の劣化に対処します。
- 著者: Chien-Yao Wang、Hong-Yuan Mark Liao
- 組織: Academia Sinica 情報科学研究所
- 日付: 2024年2月21日
- リンク: arXiv、GitHub、ドキュメント
主なアーキテクチャ上の特徴: YOLOv9は補助的な教師信号を提供するProgrammable Gradient Information (PGI)を導入し、ネットワークの重みを確実に更新するための重要なデータを保持します。また、パラメーター効率を最大化するGeneralized Efficient Layer Aggregation Network (GELAN)も備えています。こうした進歩を遂げた一方で、YOLOv9は後処理にNon-Maximum Suppression (NMS)を必要とし、レイテンシが増加します。
パフォーマンス比較#
これらのモデルを評価する際は、実測の性能指標を分析すると、使用するハードウェアに最適なトレードオフを実現するアーキテクチャを判断できます。
| 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 |
| YOLOv9t | 640 | 38.3 | - | 2.3 | 2.0 | 7.7 |
| YOLOv9s | 640 | 46.8 | - | 3.54 | 7.2 | 26.7 |
| YOLOv9m | 640 | 51.4 | - | 6.43 | 20.1 | 76.8 |
| YOLOv9c | 640 | 53.0 | - | 7.16 | 25.5 | 102.8 |
| YOLOv9e | 640 | 55.6 | - | 16.77 | 58.1 | 192.5 |
詳細な分析#
YOLOv9は、同程度の精度であれば大幅に高速です。たとえばYOLOv9eは55.6% mAPを達成し、TensorRTのレイテンシは16.77msです。一方、EfficientDet-d7のmAPは53.7%と低く、レイテンシは大幅に長い128.07msであるため、リアルタイム動画ストリームへのデプロイは困難です。
ユースケースと推奨事項#
EfficientDetとYOLOv9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。
YOLOv9を選ぶ場合#
YOLOv9は、次のような用途に推奨されます。
- 情報ボトルネックの研究: プログラム可能な勾配情報(PGI)や一般化効率的層集約ネットワーク(GELAN)のアーキテクチャを研究する学術プロジェクト。
- 勾配フロー最適化の研究: 学習中の深層ネットワーク層における情報損失の理解と抑制に焦点を当てた研究。
- 高精度検出のベンチマーク: アーキテクチャの比較において、YOLOv9の優れたCOCOベンチマーク性能を基準として必要とするシナリオ。
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:YOLO26を選ぶ#
YOLOv9とEfficientDetは道を切り開いてきましたが、最新の本番環境対応フレームワークを求める開発者には、Ultralytics YOLOモデル、特に新しくリリースされたYOLO26がおすすめです。
Ultralytics Platformは使いやすさを重視して設計されており、ローカルの学習スクリプトとクラウド対応インターフェースを組み合わせています。YOLO26は大幅に再設計され、多くの商用アプリケーションで旧世代のアーキテクチャを上回ります。
YOLO26の技術的な特長#
- 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、後処理のボトルネックを解消します。NMSを取り除くことでデプロイグラフが統合され、エッジAIチップ上でより高速に動作します。 - CPU推論が最大43%高速: 組み込みデバイス向けに最適化されており、GPUを利用できない環境では、YOLO26nがCPU上のONNXでYOLO11nより最大43%高速に動作します。
- MuSGDオプティマイザー: LLMの学習技術をビジョンAIに取り入れたこのハイブリッドオプティマイザーは、学習を安定させ、より少ないリソースでモデルを高速に収束させます。
- 低メモリ要件: Transformerを多用するアーキテクチャや最適化されていないCNNとは異なり、YOLO26はトレーニング中のCUDAメモリ消費を抑えるため、コンシューマー向けハードウェアでもバッチサイズを大きくできます。
- ProgLoss + STAL: Progressive Lossと小物体を考慮したラベル割り当てにより、小物体検出の精度が大幅に向上します。YOLO26は航空画像やIoTネットワークに適しています。
- DFLの削除: 構造を簡素化することで、モバイル向けデプロイ形式へのスムーズな変換を可能にします。
Ultralyticsエコシステムには、YOLO11やYOLOv8もあり、instance segmentationやpose estimationなどのマルチタスクにも対応します。
Python SDKでトレーニングを簡素化#
Ultralyticsモデルは開発者体験を重視しています。モデルの学習は数行のPythonコードで実行できます。
from ultralytics import YOLO
# Initialize the YOLO26 model
model = YOLO("yolo26n.pt")
# Train with optimized memory usage and built-in augmentations
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# Validate the model's performance easily
metrics = model.val()
print(f"Validation mAP: {metrics.box.map}")実際の用途#
これらのアーキテクチャのどちらを選ぶかは、デプロイ先に大きく左右されます。
- 従来型のクラウドデプロイ: EfficientDetは、高精度が必要で厳格なリアルタイム制約がないオフラインのクラウドバッチ処理で広く使われていました。
- 学術研究: YOLOv9は、CNN設計の限界を探り、ネットワーク層を通じた勾配の流れを分析する研究者にとって、今も興味深い選択肢です。
- エッジコンピューティングとIoT: YOLO26は実環境のエッジアプリケーションに適しています。NMSフリーのパイプラインとOriented Bounding Box (OBB)機能により、スマートシティの交通分析、小売在庫の監視、ドローンによる点検に有力な選択肢となります。高い精度と高速な推論のバランスにも優れています。
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。