PP-YOLOE+ vs. EfficientDet: オブジェクト検出アーキテクチャの深層分析
物体検出モデルの選択においては、確立された従来型アーキテクチャと、最適化された新世代フレームワークのどちらを採用するかが課題となる。本比較では、百度が開発した改良型アンカーフリー検出器「PP-YOLOE+」と、複合スケーリングGoogleアーキテクチャ「EfficientDet」の技術的差異を検証する。両者ともコンピュータビジョン分野に重要な貢献を果たしているが、効率性と精度の追求手法には顕著な相違が存在する。
性能分析とベンチマーク
推論速度と検出精度（多くの場合平均精度（mAP）で測定される）のトレードオフが、これらのモデルを評価する主要な指標である。
下表は、PP-YOLOE+がTensorRT設計によりGPU 上で一般的に優れたレイテンシを実現する一方、EfficientDetはパラメータ効率に優れるものの、複雑な特徴ピラミッド接続により高いレイテンシを招きやすいことを示している。
| モデル | サイズ (ピクセル) | mAPval 50-95 | 速度 CPU ONNX (ms) | 速度 T4 TensorRT10 (ms) | params (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 |
アーキテクチャと設計思想
これら二つのモデルの中核的な違いは、特徴量融合とスケーリングの処理方法にある。
EfficientDet: 複合スケーリングとBiFPN
Google チームによって開発されたEfficientDetは、ネットワークの解像度、深さ、幅を均一にスケーリングする複合スケーリングの概念を導入した。
- 著者: Mingxing Tan、Ruoming Pang、Quoc V. Le
- 組織:Google Research
- 日付: 2019-11-20
- Arxiv:EfficientDet: スケーラブルで効率的な物体detect
EfficientDetの決定的な特徴はBiFPN（加重双方向特徴ピラミッドネットワーク）である。標準的なFPNとは異なり、BiFPNはトップダウンおよびボトムアップのマルチスケール特徴融合を可能にする。これにより高いパラメータ効率（低FLOPs）が得られる一方、BiFPNの不規則なメモリアクセスパターンはGPU上での推論を大幅に遅延させ、理論上の効率性にもかかわらずリアルタイムアプリケーションにはあまり適さない。
PP-YOLOE+: 洗練されたアンカーフリー検出
PP-YOLOE+は、BaiduチームがPaddlePaddle 上で特化して動作するよう設計した、PP-YOLOEアーキテクチャの進化形である。
- 著者: PaddlePaddle Authors
- 組織:Baidu
- 日付: 2022-04-02
- Arxiv:PP-YOLOE: An Evolved Version of YOLO
このモデルはアンカーフリーパラダイムを採用しており、事前定義されたアンカーボックスが不要となる。CSPRepResStageバックボーンとタスクアライメント学習（TAL）戦略を活用し、分類と位置特定をより適切に整合させる。「+」バージョンでは特に、幅倍率0.75の縮小バックボーンと改良された学習戦略を導入し、低パラメータ環境下での競争力を高めている。
アーキテクチャの進化
PP-YOLOE+は、複雑な学習時構造を単純な推論時ブロックに集約する「再パラメータ化」アーキテクチャへの移行を示す。これはEfficientDetの静的グラフ複雑性と対照的であり、NVIDIA TensorRTなどのハードウェア上でより優れたデプロイ速度を提供する。
トレーニング方法論とエコシステム
フレームワークの選択は、開発の容易さを左右することが多い。
- PP-YOLOE+は深く結びついています PaddlePaddle エコシステムと深く結びついています。強力ではありますが、このエコシステム外のユーザーは、標準的なMLOpsツールとの統合や非ネイティブデプロイメントターゲット向けのモデル変換時に摩擦に直面する可能性があります。
- EfficientDetはTensorFlow （具体的にはAutoMLライブラリ）に依存しています。広くサポートされているものの、このリポジトリはYOLO 更新頻度が低く、結果を再現するにはレガシーな依存関係チェーンを辿る必要がある場合があります。
対照的に、使いやすさと 整備されたエコシステムを優先する開発者は、しばしばUltralyticsを選択します。Ultralytics はPyTorch上でのシームレスなトレーニングを可能にし、以下のようなツールとの堅牢な連携を提供します。 Weights & Biases などのツールとの堅牢な連携や、モデルデプロイメントへの明確な道筋を提供します。
理想的なユースケース
EfficientDetを選択するタイミング
効率的なパラメータ効率が厳格な制約となる学術研究においては、EfficientDetは依然として適切な選択肢である。また、特定のハードウェアアクセラレータがMobileNetスタイルのブロック向けに最適化されていたレガシーモバイルアプリケーション（2020年頃）においても採用されている。
PP-YOLOE+を選択するタイミング
PP-YOLOE+は、産業用品質管理やサーバーサイド動画処理など、GPU 重要な環境で優れた性能を発揮します。アンカーフリーヘッドにより、従来のアンカーベース手法と比較してハイパーパラメータ探索空間が簡素化されています。
Ultralytics を選択すべきタイミング
エンジニアリングのオーバーヘッドを最小限に抑えつつ、速度と精度のパフォーマンスバランスを求める開発者向けに、Ultralytics （例： YOLO11 や新登場のYOLO26が推奨されます。これらのモデルは、トランスフォーマーベースの検出器と比較してトレーニング時のメモリ要件が低く、汎用性に優れています。ポーズ推定や セグメンテーションといったタスクを標準でサポートします。
さらに、Ultralytics トレーニング効率は、容易に入手可能な事前学習済み重みと、複雑な定型コードを抽象化するシンプルなAPIによって向上します。
from ultralytics import YOLO
# Load the recommended YOLO26 model
model = YOLO("yolo26n.pt")
# Perform inference on an image
results = model("path/to/image.jpg")
現代の標準：Ultralytics
PP-YOLOE+とEfficientDetは重要なマイルストーンであったが、この分野はさらに進歩を遂げた。2026年にリリースUltralytics 、従来のアーキテクチャの限界を克服する画期的な機能を導入している。
エンドツーエンドNMSフリー設計
EfficientDetやYOLO 後処理として非最大抑制（NMS）を必要とするのとは異なり、YOLO26はネイティブにエンドツーエンドです。この設計はYOLOv10初めて採用され、NMSに伴う遅延と複雑性を排除することで、エッジAIに不可欠な高速かつ決定論的な推論速度を実現します。
エッジおよびCPU向けに最適化
YOLO26は広範な展開を想定して設計されています。DFL（分布焦点損失）除去機能を備え、CoreML ONNX エクスポート形式向けにモデルグラフを簡素化します。最大43%高速CPU を実現する最適化と相まって、ラズベリーパイからスマートフォンに至るデバイス群において優れた選択肢となります。
MuSGDとProgLossを用いた高度なトレーニング
大規模言語モデル（LLM）のトレーニング手法を応用したYOLO26は、SGD 融合したハイブリッド最適化アルゴリズム「MuSGD」を採用。これによりトレーニングの動的特性が安定化し、収束速度が向上した。さらに ProgLossとSTAL（Soft Task Alignment Learning）の導入により、EfficientDet-d0などの従来検出器で弱点とされた微小物体検出性能が大幅に向上している。
タスク特異性
YOLO26は単なるバウンディングボックス検出ツールではありません。高精度な姿勢推定のための残差対数尤度推定（RLE）や、オリエンテッド・バウンディングボックス（OBB）タスク向けの専用角度損失関数など、タスク特化型の改良が施されており、航空画像における回転した物体の正確な検出を保証します。
結論
PP-YOLOE+とEfficientDetは、ハードウェアの制約やフレームワークの選好に応じてそれぞれ独自の利点を提供する。EfficientDetは複合スケーリングが強力な理論的概念であることを実証し、一方PP-YOLOE+はGPU上でのアンカーフリーかつ再パラメータ化されたアーキテクチャの実用的な速度向上効果を示す。
しかし、最先端の精度、導入の容易さ、そして活発なコミュニティを兼ね備えた包括的なソリューションとして、Ultralytics 最高の選択肢として際立っています。エンドツーエンドNMSアーキテクチャUltralytics ネイティブサポートにより、開発者は比類のない効率でコンセプトから本番環境への移行を実現できます。
他の高性能オプションを検討するには、以下のドキュメントを参照してください YOLO11 または YOLOv10をご検討ください。