PP-YOLOE+とEfficientDet
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うえで、適切なアーキテクチャの選択は重要なステップです。この技術ガイドでは、よく知られた2つの物体検出モデル、PP-YOLOE+とEfficientDetのトレードオフを解説します。アーキテクチャの詳細を説明し、性能指標を分析するとともに、最適なデプロイシナリオを取り上げます。
両モデルはこの分野に大きく貢献してきましたが、このガイドでは、Ultralytics YOLO26のような最新の代替モデルが、より高いメモリー効率、高速な推論、効率的な開発者体験をどのように実現するかについても説明します。
アーキテクチャの概要: PP-YOLOE+#
PP-YOLOE+は、PP-YOLOシリーズを発展させたPP-YOLOEの改良版で、PaddlePaddleエコシステム内のサーバー側GPUで性能を最適化するよう構築されています。アンカーフリー方式に重点を置き、ベースラインアーキテクチャに複数の強化を加えています。
- 著者: PaddlePaddle Authors
- 組織: Baidu
- 日付: 2022-04-02
- arXiv: 2203.16250
- ドキュメント: PaddleDetectionのREADME
PP-YOLOE+はCSPRepResNetバックボーンとEfficient Task-aligned Head(ET-head)を備え、分類にはvarifocal loss、バウンディングボックス回帰にはdistribution focal lossを多用します。アンカーフリー検出器設計への移行により後処理パイプラインが効率化され、リリース当時は非常に競争力のあるモデルとなりました。
BaiduのPaddlePaddleフレームワークをすでに深く活用しているチームにとって、PP-YOLOE+は既存のパイプラインに導入しやすい場合が多いものの、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対応は備えていません。
アーキテクチャの概要:EfficientDet#
EfficientDetは、ニューラルアーキテクチャサーチで見つかったバックボーンを基盤とし、複合スケーリングの原則を適用するという、異なるアプローチで物体検出に取り組みます。
- 著者: Mingxing Tan、Ruoming Pang、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、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可能にします。EfficientNetバックボーンと組み合わせることで、ネットワークの幅、深さ、解像度を体系的に同時拡張します。
FLOPsの面では非常に効率的である一方、EfficientDetモデルはメモリーアクセスパターンが複雑なため、エッジデバイス上で理論上の効率を実環境の速度に反映するのが難しい場合があります。これは、YOLOベースのモデルが必要とするメモリー量の少なさとは対照的です。
性能分析とベンチマーク#
以下の表では、標準的なCOCOなどのデータセットにおける主要な指標を比較します。平均適合率(mAP)と推論速度を比較することで、速度と精度のパレートフロンティア上で各モデルがどの位置にあるかを確認できます。
| 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) |
|---|---|---|---|---|---|---|
| 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 | 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 |
このように、PP-YOLOE+は一般にハイエンドGPUで実測mAPをより向上させますが、EfficientDetはパラメーター数の最小化を目指します。しかし、どちらも最新のエッジAIアプリケーションに必要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、エコシステムの好みによって異なります。
PP-YOLOE+を選ぶ場合#
PP-YOLOE+は、次のような用途に適しています。
- PaddlePaddleエコシステムとの統合: BaiduのPaddlePaddleフレームワークとツールを基盤とする既存インフラストラクチャを持つ組織。
- Paddle Liteによるエッジデプロイ: Paddle LiteまたはPaddle推論エンジン向けに特別に最適化された推論カーネルを備えるハードウェアへのデプロイ。
- サーバー側での高精度検出: フレームワークへの依存が問題にならない、強力なGPUサーバー上で検出精度を最大化することを優先するシナリオ。
EfficientDetを選ぶタイミング#
EfficientDetは次のような用途に推奨されます。
- 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。
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。
最新の代替モデル: Ultralytics YOLO26#
PP-YOLOE+とEfficientDetは重要な節目となるモデルですが、高精度、低メモリー消費、使いやすい操作環境を求める開発者には、Ultralytics YOLO26が適しています。
YOLO26は物体検出を大きく前進させるモデルで、複数の重要な技術革新を導入しています。
- エンドツーエンドのNMSフリー設計: YOLOv10を基盤に、YOLO26のオプションのエンドツーエンドヘッド(
nms=False)は推論時のNon-Maximum Suppression(NMS)を不要にします。これによりレイテンシーが大幅に低下し、複雑な後処理のボトルネックも解消されます。 - MuSGDオプティマイザー: LLMトレーニングの新しい手法に着想を得て、YOLO26はSGDとMuonを組み合わせたハイブリッドオプティマイザーを採用しています。これによりトレーニングの安定性が向上し、収束時間が短縮されます。
- CPU推論の高速化: YOLO26nはYOLO11nよりCPU推論が最大43%高速で、バッテリー駆動またはCPUのみのエッジデバイスに適しています。
- 高度なトレーニング手法: ProgLossとSTALにより小さな物体の認識精度が大幅に向上し、ドローン分析やロボティクスなどのタスクに不可欠です。
検出に特化したEfficientDetとは異なり、YOLO26は適切にメンテナンスされた同一のエコシステム内で、インスタンスセグメンテーション、画像分類、姿勢推定、oriented bounding boxes(OBB)をネイティブに処理します。
使いやすさとエコシステム統合#
EfficientDetのような旧来モデルの大きな課題の1つは、トレーニングパイプラインや自動機械学習のセットアップが複雑なことです。これに対し、Ultralytics Platformは効率化された開発者体験を提供します。
Ultralyticsを使えば、モデルのトレーニングと実行はわずか数行のコードで済みます。これは、旧来のフレームワークで必要な冗長な設定とは対照的です。
from ultralytics import YOLO
# 事前学習済みYOLO26モデルを読み込みます
model = YOLO("yolo26s.pt")
# COCO8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)
# エンドツーエンドヘッドを使用して、テスト画像でNMSフリー推論を実行します
predictions = model("https://ultralytics.com/images/bus.jpg", nms=False)ほかの代替モデルを検討している場合は、RT-DETRや以前の世代のYOLOv8などのアーキテクチャもUltralyticsエコシステムで利用できるため、モデルの切り替えやテストが簡単です。
結論#
PP-YOLOE+はPaddleエコシステム内の特定のサーバーデプロイで引き続き有力な選択肢であり、EfficientDetは自動アーキテクチャ設計の興味深い研究例であり続けています。しかし、リアルタイム推論、デプロイの容易さ、最小限のメモリー要件が求められる最新のアプリケーションには、Ultralytics YOLO26が最も優れた性能バランスを提供します。オプションのNMSフリー設計と高速なCPU性能により、最新のAIインフラストラクチャに推奨されるモデルです。
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。