PP-YOLOE+ vs EfficientDet：包括的な技術比較
堅牢なコンピュータービジョンアプリケーションを構築する上で、適切なアーキテクチャを選択することは極めて重要なステップです。本技術ガイドでは、よく知られた2つの物体検出モデルであるPP-YOLOE+とEfficientDetのトレードオフを検討します。それぞれのアーキテクチャを分解し、パフォーマンス指標を分析した上で、理想的なデプロイメントシナリオを探ります。
両モデルともこの分野に多大な貢献をしてきましたが、Ultralytics YOLO26のような現代の代替モデルが、いかに優れたメモリ効率、より高速な推論、そして極めて効率化された開発者体験を提供しているかについても議論します。
アーキテクチャの概要：PP-YOLOE+
PP-YOLOE+は、PaddlePaddleエコシステム内のサーバーサイドGPUでのパフォーマンスを最適化するために構築された、オリジナルのPP-YOLOを進化させたモデルです。ベースラインのアーキテクチャにいくつかの機能強化を導入し、アンカーフリーのパラダイムに重点を置いています。
- 著者: PaddlePaddleの著者
- 組織: Baidu
- 日付: 2022-04-02
- Arxiv: 2203.16250
- ドキュメント： PaddleDetection README
PP-YOLOE+は、CSPRepResNetバックボーンとEfficient Task-aligned head（ET-head）を特徴とし、分類にはVarifocal Loss、バウンディングボックス回帰にはDistribution Focal Lossを多用しています。アンカーフリーの検出器設計への移行は、後処理パイプラインの効率化に貢献し、リリース当時は非常に高い競争力を誇りました。
BaiduのPaddlePaddleフレームワークに深く関与しているチームであれば、インスタンスセグメンテーションのようなタスクにおいてPP-YOLOE+の方が採用しやすいと感じることが多いですが、新しいツールで見られるような幅広いマルチフレームワークサポートには欠けています。
アーキテクチャの概要：EfficientDet
EfficientDetは物体検出に対して根本的に異なるアプローチをとっており、ニューラルアーキテクチャ探索と複合スケーリングの原則に強く依存しています。
- 著者: Mingxing Tan, Ruoming Pang, and Quoc V. Le
- 組織： Google
- 日付: 2019-11-20
- Arxiv： 1911.09070
- ドキュメント： Brain AutoML README
EfficientDetの礎は、Bi-directional Feature Pyramid Network（BiFPN）です。従来のFPNとは異なり、BiFPNは学習可能な重みを導入することで、入力特徴量の重要度を学習し、容易かつ高速なマルチスケール特徴融合を可能にします。EfficientNetバックボーンと組み合わせることで、EfficientDetはネットワークの幅、深さ、解像度を同時に体系的にスケーリングします。
理論上のFLOPsは非常に効率的ですが、EfficientDetモデルは、複雑なメモリアクセスパターンにより、エッジデバイス上では理論上の効率性を実際の速度に変換するのに苦労することがあります。これは、YOLOベースのモデルの低いメモリ要件とは対照的です。
パフォーマンス分析とベンチマーク
以下の表は、COCOのような標準的なデータセットにおける主要な指標を比較したものです。平均精度（mAP）を推論速度と照らし合わせることで、パレートフロンティアが明確になります。
| モデル | サイズ (ピクセル) | mAPval 50-95 | 速度 CPU ONNX (ms) | 速度 T4 TensorRT10 (ms) | パラメータ (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| PP-YOLOE+t | 640 | 39.9 | - | 2.84 | 4.85 | 19.15 |
| PP-YOLOE+s | 640 | 43.7 | - | 2.62 | 7.93 | 17.36 |
| PP-YOLOE+m | 640 | 49.8 | - | 5.56 | 23.43 | 49.91 |
| PP-YOLOE+l | 640 | 52.9 | - | 8.36 | 52.2 | 110.07 |
| PP-YOLOE+x | 640 | 54.7 | - | 14.3 | 98.42 | 206.59 |
| EfficientDet-d0 | 640 | 34.6 | 10.2 | 3.92 | 3.9 | 2.54 |
| EfficientDet-d1 | 640 | 40.5 | 13.5 | 7.31 | 6.6 | 6.1 |
| EfficientDet-d2 | 640 | 43.0 | 17.7 | 10.92 | 8.1 | 11.0 |
| EfficientDet-d3 | 640 | 47.5 | 28.0 | 19.59 | 12.0 | 24.9 |
| EfficientDet-d4 | 640 | 49.7 | 42.8 | 33.55 | 20.7 | 55.2 |
| EfficientDet-d5 | 640 | 51.5 | 72.5 | 67.86 | 33.7 | 130.0 |
| EfficientDet-d6 | 640 | 52.6 | 92.8 | 89.29 | 51.9 | 226.0 |
| EfficientDet-d7 | 640 | 53.7 | 122.0 | 128.07 | 51.9 | 325.0 |
示されている通り、PP-YOLOE+はハイエンドGPUにおいてraw mAPの面でより良好にスケーリングする傾向がある一方、EfficientDetはパラメータの最小化を試みています。しかし、両者とも、最先端のエッジAIに求められる現代的なリアルタイム性能には及びません。
ユースケースと推奨事項
PP-YOLOE+とEfficientDetのどちらを選択するかは、プロジェクト固有の要件、デプロイメントの制約、およびエコシステムの好みによって決まります。
PP-YOLOE+を選択すべき時
PP-YOLOE+が適しているケース：
- PaddlePaddleエコシステム統合： BaiduのPaddlePaddleフレームワークとツールの上に構築された既存のインフラストラクチャを持つ組織。
- Paddle Liteエッジ展開： Paddle LiteまたはPaddle推論エンジン向けに特別に高度に最適化された推論カーネルを持つハードウェアへの展開。
- 高精度のサーバーサイド検出： フレームワークの依存関係が懸念されない強力なGPUサーバーで、最大の検出精度を優先するシナリオ。
EfficientDetを選択すべき場合
EfficientDetは以下の場合に推奨されます:
- Google CloudおよびTPUパイプライン: Google Cloud Vision APIやTPUインフラストラクチャと深く統合されたシステムで、EfficientDetがネイティブ最適化されている環境。
- Compound Scalingの研究: ネットワークの深さ、幅、解像度のバランスの取れたスケーリングが与える影響を研究することに焦点を当てた学術的なベンチマーク。
- TFLite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TensorFlow Liteへのエクスポートを特に必要とするプロジェクト。
Ultralytics (YOLO26) を選択すべき場合
ほとんどの新規プロジェクトにおいて、Ultralytics YOLO26はパフォーマンスと開発者体験の最高の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の後処理の複雑さを伴わずに、一貫した低レイテンシの推論が求められるアプリケーション。
- CPUのみの環境: 専用のGPUアクセラレーションがないデバイスにおいて、YOLO26の最大43%高速なCPU推論が決定的な利点となります。
- 小物体の検出: 航空ドローンの映像 やIoTセンサーの分析など、ProgLossとSTALが小物体の精度を大幅に高めることができる困難なシナリオ。
現代の代替手段：Ultralytics YOLO26
PP-YOLOE+とEfficientDetは歴史的なマイルストーンですが、最先端の精度、より低いメモリ消費、そして効率化されたユーザー体験を求める開発者は、Ultralytics YOLO26に注目すべきです。
YOLO26は物体検出における飛躍的な進歩であり、いくつかの重要な革新をもたらしました：
- エンドツーエンドのNMSフリー設計： YOLOv10のブレイクスルーを基盤とし、YOLO26は推論中の非最大値抑制（NMS）をネイティブに排除します。これにより、レイテンシが大幅に低下し、複雑な後処理のボトルネックが解消されます。
- MuSGDオプティマイザー： LLM学習の革新から着想を得たYOLO26は、ハイブリッドなSGDおよびMuonオプティマイザーを採用しています。これにより、学習の安定性が劇的に向上し、収束時間が短縮されます。
- 究極の高速化： YOLO26は、YOLO11のような旧世代と比較して、最大43%高速なCPU推論を実現しており、バッテリー駆動デバイスやCPU専用のエッジデバイスにとって絶対的な最良の選択肢となります。
- 高度な損失関数： ProgLossとSTALの統合により、小さな物体の認識性能が大幅に向上しました。これは、ドローン分析やロボティクスといったタスクには不可欠です。
検出のみに焦点を当てたEfficientDetとは異なり、YOLO26は姿勢推定、画像分類、および指向性バウンディングボックス（OBB）を、すべて同一の適切に管理されたエコシステム内でネイティブに処理します。
使いやすさとエコシステムの統合
One of the largest drawbacks of legacy models like EfficientDet is the complexity of their training pipelines and automated machine learning setups. In contrast, the Ultralytics Platform offers an unmatched developer experience.
Ultralyticsでモデルをデプロイするのに必要なコードはわずか数行であり、古いフレームワークで求められる冗長な設定とは対照的です。
from ultralytics import YOLO
# Load a pretrained YOLO26 model
model = YOLO("yolo26s.pt")
# Train the model on the COCO8 dataset
results = model.train(data="coco8.yaml", epochs=100)
# Run inference on a test image natively without NMS overhead
predictions = model("https://ultralytics.com/images/bus.jpg")他の代替手段を探している場合、RT-DETRやレガシーモデルのYOLOv8などもUltralyticsエコシステム内で利用可能であり、シームレスな入れ替えとテストが可能です。
結論
PP-YOLOE+ remains a strong choice for specific server deployments within the Paddle ecosystem, and EfficientDet continues to be an interesting study in automated architecture design. However, for modern applications demanding real-time inference, ease of deployment, and minimal memory requirements, Ultralytics YOLO26 provides the most compelling performance balance. Its natively NMS-free design and lightning-fast CPU performance make it the definitive choice for future-proofing your AI infrastructure.