EfficientDetとYOLOX
最新のコンピュータービジョンパイプラインを設計する際、適切なモデルを選ぶことは、精度とリアルタイム処理の実現可能性を左右する重要な判断です。この技術ガイドでは、重要な2つの物体検出アーキテクチャ、GoogleのEfficientDetとMegviiのYOLOXを比較します。それぞれのアーキテクチャのアプローチを分析し、ベンチマーク性能を評価したうえで、新たにリリースされたUltralytics YOLO26との違いを説明します。
EfficientDetの概要#
Google Brainチームが発表したEfficientDetは、体系的なモデルスケーリングを先駆けて導入しました。パラメーター数の多い同時代のネットワークより大幅に少ないパラメーター数で、高い精度を達成できることを示しました。
EfficientDetの詳細:
- 著者: Mingxing Tan、Ruoming Pang、Quoc V. Le
- 組織: Google
- 日付: 2019-11-20
- arXiv: 1911.09070
- GitHub: google/automl/efficientdet
- ドキュメント: EfficientDetドキュメント
アーキテクチャの主な特徴#
EfficientDetはEfficientNetのバックボーンを基盤とし、ネットワークの解像度、深さ、幅を均等にスケーリングする複合スケーリング手法を適用しています。特徴的な構成要素は、双方向特徴ピラミッドネットワーク(BiFPN)です。これにより、高速で効果的なマルチスケール特徴融合を実現します。異なる入力特徴に学習可能な重みを適用することで、ネットワークはより重要な空間データを優先できます。
EfficientDetの理論上のFLOPsは非常に少ないものの、TensorFlowエコシステムや旧式のAutoML設定に依存しているため、変化の速い最新のPyTorchワークフローへの統合が煩雑になる場合があります。また、複雑なマルチブランチネットワークにより、最新のYOLOモデルと比べて、トレーニング時のメモリ消費量が予想以上に増えることもあります。
YOLOXの概要#
2年後にリリースされたYOLOXは、従来のYOLOアーキテクチャをアンカーフレームワークに変えることで、学術研究と産業でのデプロイの隔たりを埋めようとしました。
YOLOXの詳細:
- 著者: Zheng Ge、Songtao Liu、Feng Wang、Zeming Li、Jian Sun
- 組織: Megvii
- 日付: 2021-07-18
- arXiv: 2107.08430
- GitHub: Megvii-BaseDetection/YOLOX
- ドキュメント: YOLOXドキュメント
アーキテクチャの主な特徴#
YOLOXは物体検出の設計を大幅に簡素化しました。アンカーフリー設計に切り替えることで、データセットごとに複雑なアンカーボックスの調整を行う必要がなくなり、ヒューリスティックな処理の負担が軽減されました。また、分類タスクと位置推定タスクを分離する分離型ヘッドを導入し、収束速度を大幅に向上させました。SimOTAラベル割り当て戦略により、トレーニング中の正例サンプルの割り当てを動的に最適化しました。
こうした進歩にもかかわらず、YOLOXリポジトリのセットアップにはC++拡張機能のビルドや複雑な依存関係の管理が必要になる場合があり、経験の浅いチームでは迅速なモデルデプロイが難しくなることがあります。
パフォーマンス比較#
本番環境向けのモデルを評価する際は、平均適合率(mAP)と推論速度のバランスが重要です。以下の表では、標準的なCOCOベンチマークにおいてEfficientDetとYOLOXの各モデル群を直接比較します。
| 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 |
| YOLOXnano | 416 | 25.8 | - | - | 0.91 | 1.08 |
| YOLOXtiny | 416 | 32.8 | - | - | 5.06 | 6.45 |
| YOLOXs | 640 | 40.5 | - | 2.56 | 9.0 | 26.8 |
| YOLOXm | 640 | 46.9 | - | 5.43 | 25.3 | 73.8 |
| YOLOXl | 640 | 49.7 | - | 9.04 | 54.2 | 155.6 |
| YOLOXx | 640 | 51.1 | - | 16.1 | 99.1 | 281.9 |
EfficientDetは大規模なd7モデルで高い精度を実現する一方、YOLOXはGPUハードウェア上で(TensorRTを介して)大幅に低いレイテンシーを実現するため、自動運転やスポーツトラッキングなど、高FPSが求められるアプリケーションに適しています。
ユースケースと推奨事項#
EfficientDetとYOLOXのどちらを選ぶかは、具体的なプロジェクト要件、デプロイ上の制約、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。
YOLOXを選ぶタイミング#
YOLOXは次のような用途に推奨されます。
- アンカーフリー検出の研究: 新しい検出ヘッドや損失関数を試す際のベースラインとして、YOLOXのシンプルなアンカーフリーアーキテクチャを使用する学術研究。
- 超軽量エッジデバイス: YOLOX-Nanoバリアントの非常に小さなサイズ(パラメーター数0.91M)が重要となる、低消費電力の組み込み機器や旧式のモバイルハードウェアへのデプロイです。
- SimOTAラベル割り当ての研究: 最適輸送に基づくラベル割り当て戦略と、トレーニングの収束への影響を調査する研究プロジェクト。
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、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の紹介#
EfficientDetとYOLOXは、それぞれの時代に大きな進歩をもたらしましたが、現代のコンピュータービジョンには、より高い汎用性、効率化されたワークフロー、高速な処理が求められます。使いやすさ、少ないメモリ要件、保守性の高いエコシステムを重視する開発者に推奨するアップグレード先は、2026年1月にリリースされたUltralytics YOLO26です。
YOLO26はYOLOの系譜における大きな進歩であり、YOLOXやEfficientDetのような旧世代モデルの制約に対処しています。
- エンドツーエンドNMSフリーデザイン: コストのかかる非極大値抑制(NMS)後処理が必要なEfficientDetやYOLOXとは異なり、YOLO26は任意のワンツーワンヘッド(
nms=False)によるネイティブなエンドツーエンド推論をサポートしています。これにより、NMSによるレイテンシーのボトルネックを解消し、エッジデプロイを簡素化します。 - CPU推論が最大43%高速: アーキテクチャの調整とDFLの削除(Distribution Focal Loss)により、YOLO26は専用GPUのない環境向けに最適化されています。YOLO26nはCPU上でYOLO11nより最大43%高速であり、Raspberry PiのようなエッジAIハードウェアでも優れた性能を発揮します。
- MuSGD Optimizer: Moonshot AIのKimi K2など、LLMトレーニングの革新に着想を得たYOLO26は、SGDとMuonのハイブリッドを採用しています。これにより、旧来のトレーニング設定よりも安定したトレーニングと迅速な収束を実現します。
- ProgLoss + STAL: 段階的な損失関数と小さなターゲットを考慮したラベル割り当てにより、小物体認識が大幅に向上します。これは、YOLOXとEfficientDetの両方が歴史的に苦手としてきた領域です。ドローン分析やIoTにおいて重要です。
- マルチタスクへの対応: 厳密にはバウンディングボックス検出器であるEfficientDetやYOLOXとは異なり、YOLO26はインスタンスセグメンテーション、(残差対数尤度推定による)姿勢推定、回転バウンディングボックス(OBB)をネイティブサポートしています。
効率化されたユーザーエクスペリエンスとトレーニング効率#
YOLOXのようなモデルを使用する際の大きな課題の1つは、トレーニング環境のセットアップです。統合されたUltralytics Python APIを使用すれば、数行のコードでモデルをトレーニングできます。YOLOモデルはデータローダーも最適化され、アーキテクチャも軽量なため、Transformerを多用するモデルや旧式のマルチブランチネットワークと比べて、CUDAメモリの使用量を大幅に抑えられます。
from ultralytics import YOLO
# YOLO26nモデルを読み込みます(nms=FalseでNMSフリー推論を利用できます)
model = YOLO("yolo26n.pt")
# カスタム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=100, imgsz=640)
# エッジデプロイ向けにモデルをONNXまたはOpenVINOにエクスポートしてください
model.export(format="openvino")結論:適切な選択をする#
TensorFlowエコシステムに深く組み込まれたレガシーシステムを保守している場合は、EfficientDetが引き続き安定した選択肢です。特に、複合スケーリングを適用したモデルがすでに統合されている環境に適しています。既存のアンカーフリーコードベースで速度を重視する場合は、YOLOXが高速で信頼性の高い検出器として機能します。
ただし、本番環境に移行する新規プロジェクトには、Ultralytics YOLO26を推奨します(既存のエンタープライズ環境には、安定版のYOLO11も適しています)。エンドツーエンドのNMSフリー推論を任意で利用でき、CPU処理も高速で、OpenVINOやTensorRTなどの形式を介したシンプルなデプロイパイプラインを備えるYOLO26なら、コンピュータービジョンアプリケーションの精度と最新性を保ちながら、容易に保守できます。
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。