RTDETRv2 対 EfficientDet#
最適なニューラルネットワークアーキテクチャの選択は、あらゆるコンピュータービジョンプロジェクトにおける重要な決定事項です。本稿では、影響力のある2つの物体検出モデル、最先端のTransformerベース検出器であるRTDETRv2と、高いスケーラビリティを持つ畳み込みニューラルネットワークであるEfficientDetを包括的に技術比較します。それぞれのアーキテクチャ、パフォーマンス指標、学習手法、理想的なデプロイシナリオを評価し、AIパイプラインにおけるデータに基づく意思決定を支援します。
RTDETRv2：リアルタイム検出Transformer#
元のRT-DETRの成功を基盤として、RTDETRv2はTransformerベースの物体検出パラダイムを改良しています。エンコーダーとデコーダーの構造を最適化することで、リアルタイム推論速度を維持しながら高い精度を実現し、従来のCNNとビジョンTransformerの差を効果的に埋めています。
モデル詳細
- 著者： Wenyu Lv、Yian Zhao、Qinyao Chang、Kui Huang、Guanzhong Wang、Yi Liu
- 組織： Baidu
- 日付： 2024-07-24
- リンク: Arxiv、GitHub、Docs
アーキテクチャと主な強み#
RTDETRv2は、高性能なCNNバックボーン（多くの場合ResNetまたはHGNet）と効率的なTransformerデコーダーを組み合わせたハイブリッドアーキテクチャを使用しています。RTDETRv2の最も特徴的な点は、非最大抑制（NMS）をネイティブに回避できることです。従来の検出器では、重複するバウンディングボックスを除外するためにNMSが必要であり、後処理時の推論レイテンシが変動します。RTDETRv2は検出を直接的な集合予測問題として定式化し、二部マッチングを使用して一意の予測を出力します。
このモデルは、GPUメモリが豊富なサーバーサイドのデプロイメントで優れた性能を発揮します。グローバルアテンション機構により、コンテキスト認識能力に優れており、自動化されたセキュリティアラームシステムや密集した群衆の監視など、物体が重なり合う複雑な環境での分離に非常に適しています。
制限事項#
強力である一方、Transformerアーキテクチャは、標準的なCNNと比較して、学習時に本質的に多くのCUDAメモリを必要とします。さらに、RTDETRv2のファインチューニングでは、学習データの収束に長い時間がかかる場合があり、迅速なプロトタイピングではやや多くのリソースが必要になります。
EfficientDet：スケーラブルで効率的なCNN#
EfficientDetは、幅広いリソース制約において精度と効率の両方を最適化した物体検出モデルのファミリーとして登場しました。現在でも、スケーラブルなマシンビジョン設計の代表例です。
モデル詳細
アーキテクチャと主な強み#
EfficientDetの革新性は、Bi-directional Feature Pyramid Network（BiFPN）と複合スケーリング手法という2つの主要領域にあります。BiFPNは、学習可能な重みを導入して異なる入力特徴の重要度を学習し、トップダウンとボトムアップのマルチスケール特徴融合を繰り返し適用することで、シンプルかつ高速なマルチスケール特徴抽出を可能にします。複合スケーリング手法は、ネットワークの解像度、深さ、幅を同時に均一にスケーリングします。
EfficientDetモデルは、超軽量なD0から大規模なD7まで展開されています。そのため、初期のモバイル拡張現実アプリケーションのように、限られた計算予算と精度要件のバランスを取る必要があるエッジAIのデプロイメントにおいて、非常に柔軟に利用できます。
制限事項#
EfficientDetは古いアーキテクチャであり、アンカーボックスと従来のNMS後処理パイプラインに大きく依存しています。アンカー生成プロセスでは、慎重なハイパーパラメータチューニングが必要です。また、NMSステップは、Raspberry Piのような組み込みハードウェアでのデプロイメントにおけるボトルネックになる可能性があります。さらに、姿勢推定や回転バウンディングボックス（OBB）などの最新タスクをネイティブにサポートしていません。
パフォーマンスとメトリクスの比較#
これらのモデル間の正確なトレードオフを理解するには、スループットとパラメーター効率を分析する必要があります。以下の表では、最新のRTDETRv2シリーズとスケーラブルなEfficientDetファミリーを比較しています。
| モデル | サイズ （ピクセル） | mAPval 50-95 | 速度 CPU ONNX （ms） | 速度 T4 TensorRT10 （ms） | パラメーター数 （M） | FLOPs （B） |
|---|---|---|---|---|---|---|
| RTDETRv2-s | 640 | 48.1 | - | 5.03 | 20 | 60 |
| RTDETRv2-m | 640 | 51.9 | - | 7.51 | 36 | 100 |
| RTDETRv2-l | 640 | 53.4 | - | 9.76 | 42 | 136 |
| RTDETRv2-x | 640 | 54.3 | - | 15.03 | 76 | 259 |
| 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 |
上記のとおり、RTDETRv2は、中位クラスのEfficientDetモデルと同程度のパラメーター数で大幅に高い平均適合率（mAP）を達成しており、Transformerアーキテクチャを最大限に活用して精度を向上させています。
ユースケースと推奨事項#
RT-DETR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、エコシステムに関する好みによって決まります。
RT-DETRを選択するケース#
RT-DETRが適しているケース:
- Transformerベースの検出研究： NMSを使用しないエンドツーエンド物体検出のために、アテンションメカニズムやTransformerアーキテクチャを研究するプロジェクト。
- 柔軟なレイテンシーを許容できる高精度シナリオ： 検出精度を最優先し、やや高い推論レイテンシーを許容できるアプリケーション。
- 大きな物体の検出： 主に中型から大型の物体が存在し、Transformerのグローバルアテンションメカニズムが本質的な優位性を発揮するシーン。
EfficientDetを選ぶ場合#
EfficientDetは次の用途に推奨されます:
- Google CloudとTPUパイプライン: Google Cloud Vision APIまたはTPUインフラストラクチャーと密接に統合されたシステムで、EfficientDetがネイティブ最適化を利用できる場合。
- 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形式でのエクスポートが特に必要なプロジェクト。
Ultralytics (YOLO26)を選ぶタイミング#
ほとんどの新規プロジェクトでは、Ultralytics YOLO26が性能と開発者エクスペリエンスの最適な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の後処理を複雑にすることなく、一貫した低レイテンシー推論が必要なアプリケーション。
- CPUのみの環境: 専用GPUアクセラレーションを持たないデバイスで、YOLO26の最大43%高速なCPU推論が決定的な優位性となる場合。
- 小さな物体の検出: aerial drone imageryやIoTセンサー分析など、ProgLossとSTALによって微小物体の精度が大幅に向上する難しいシナリオ。
Ultralyticsの代替案：最先端技術の進展#
RTDETRv2とEfficientDetはいずれも優れた長所を持っていますが、現代のAI開発では、最先端のパフォーマンスとシームレスな開発者エクスペリエンスを両立するフレームワークが求められます。Ultralyticsエコシステムは、コンピュータービジョンタスクに対して大幅に合理化されたアプローチを提供します。
最先端の検出を検討している場合、新たにリリースされたUltralytics YOLO26は、CNNとTransformerの長所を融合しています。
YOLO26はエンドツーエンドのNMSフリーデザインを実装し、超高効率なYOLOアーキテクチャにRTDETRv2のデプロイの容易さをもたらします。さらに、LLMのトレーニングにおける革新的な手法に着想を得たMuSGDオプティマイザーを導入し、トレーニングの安定性を高めています。DFLの削除（分布フォーカル損失を削除することで、エクスポートを簡素化し、エッジデバイスや低消費電力デバイスとの互換性を向上）により、YOLO26は従来世代と比べてCPU推論が最大43%高速になり、より大規模なモデルに代わるエッジコンピューティングに最適な選択肢となっています。さらに、ProgLoss + STALにより損失関数が改善され、小物体認識も大幅に向上しています。これは、IoT、ロボティクス、航空画像において重要です。
Ultralytics Pythonパッケージが提供する使いやすさは他に類を見ません。開発者は、研究リポジトリで通常必要となる定型コードを抽象化した直感的なAPIを使用して、モデルの学習、検証、エクスポートを実行できます。
from ultralytics import RTDETR
# Load a pre-trained RTDETRv2 model from the Ultralytics ecosystem
model = RTDETR("rtdetr-l.pt")
# Train the model on the COCO8 dataset
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# Export for optimized inference on TensorRT
model.export(format="engine")Ultralyticsモデルは、インスタンスセグメンテーションや画像分類など、複数のタスクをネイティブにサポートしており、さまざまな業界のニーズに対応する柔軟なツールキットを提供します。さらに、最新のUltralyticsモデルではDistribution Focal Loss（DFL）を削除して計算グラフを簡略化し、組み込みNPUs and TPUsへのスムーズなエクスポートを実現します。
シームレスなデータアノテーションとモデル管理のために、Ultralytics Platformは機械学習ライフサイクル全体を管理する包括的なクラウド環境を提供し、本番環境で堅牢なコンピュータービジョンソリューションをデプロイするための第一の選択肢となっています。