RTDETRv2とEfficientDetの比較：包括的な技術比較

コンピュータビジョンの進化において、適切な物体検出アーキテクチャを選択することは、プロジェクトの成功にとって極めて重要です。この比較では、リアルタイム性能のために設計された最先端の変換器ベースのモデルであるRTDETRv2と、効率性のために最適化されたスケーラブルな畳み込みニューラルネットワーク（CNN）ファミリーであるEfficientDetについて掘り下げます。開発者が十分な情報に基づいた意思決定を行えるよう、アーキテクチャの革新性、性能指標、理想的な導入シナリオを分析します。

モデル概要

これら2つのモデルのどちらを選択するかは、多くの場合、ターゲット・ハードウェアの特定の制約とアプリケーションの精度要件に帰着する。

RTDETRv2

RTDETRv2（Real-TimeDetection Transformer v2）は、トランスフォーマーアーキテクチャをリアルタイムの物体検出に適用する上で、大きな前進を意味する。Baiduの研究者によって開発されたこのトランスフォーマーは、オリジナルの RT-DETRの成功に基づき、ハイブリッドエンコーダとクエリ選択メカニズムを最適化し、GPU ハードウェア上で競争力のある推論速度で最先端の精度を達成します。

著者: Wenyu Lv、Yian Zhao、Qinyao Chang、Kui Huang、Guanzhong Wang、Yi Liu
組織百度
Date: 2023-04-17
ArxivRT-DETR: リアルタイム物体検出でDETRがYOLOに勝つ
GitHub：RT-DETR リポジトリ
ドキュメントRT-DETRv2 ドキュメント

RTDETRの詳細について。

EfficientDet

Google Brain社によって開発されたEfficientDetは、モデルの次元をスケールする体系的な方法を導入することで、リリースと同時にこの分野に革命をもたらしました。EfficientNetのバックボーンに重み付け双方向特徴ピラミッドネットワーク（BiFPN）を組み合わせることで、計算コストと精度をトレードオフにした様々なモデル（D0-D7）を提供し、様々なリソース制約に対して高い汎用性を実現しています。

著者: Mingxing Tan、Ruoming Pang、Quoc V. Le
組織Google リサーチ
Date: 2019-11-20
Arxiv：EfficientDet：スケーラブルで効率的な物体検出
GitHub：AutoMLリポジトリ
ドキュメントEfficientDet Readme

EfficientDetの詳細について。

建築分析

一方はトランスフォーマーのグローバル・コンテキストを活用し、もう一方はコンボリューションの効率を向上させる。

RTDETRv2：トランスパワー

RTDETRv2はマルチスケール特徴を効率的に処理するハイブリッドエンコーダを採用している。従来のCNNとは異なり、IoUクエリー選択メカニズムを用いて、画像の最も関連性の高い部分に注意を集中させる。これにより、このモデルはオクルージョンや様々なオブジェクトスケールを持つ複雑なシーンを効果的に扱うことができる。このアーキテクチャは、スケール内相互作用とクロススケールフュージョンを切り離し、通常Vision Transformers (ViT)に関連する計算オーバーヘッドを削減する。

変圧器の利点

RTDETRv2の注意メカニズムは大域的な受容野を可能にし、典型的なCNNよりもシーン内の離れた物体間の関係を理解することを可能にする。

EfficientDet：スケーラブルな効率性

EfficientDetはEfficientNetのバックボーン上に構築され、BiFPNを導入している。BiFPNは、異なる入力特徴の重要性を学習することで、簡単かつ高速なマルチスケール特徴フュージョンを可能にします。さらに、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手法を利用しています。これにより、モバイルアプリケーション用の軽量なD0から、高精度のサーバータスク用の重いD7まで、モデルを調整することができます。

パフォーマンス比較

性能ベンチマークは、設計思想の明確な違いを浮き彫りにしている。RTDETRv2が強力なハードウェア上でピーク精度を目指すのに対し、EfficientDetはきめ細かな効率勾配を提供する。

モデル	サイズ ^{(ピクセル)}	mAP^値 50-95	速度 ^{CPU ONNX (ms)}	速度 ^{T4 TensorRT10 (ms)}	params ^(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

表に示すように、RTDETRv2-xは 54.3という優れたmAP 達成し、最大のEfficientDet-d7（53.7mAP）をも上回る一方で、TensorRT 大幅に高速化されています（15.03ms対128.07ms）。しかし、非常に制約の多い環境では、EfficientDet-d0は、最小限のパラメータ（3.9M）とFLOPsで、非常に軽量なオプションであることに変わりはありません。

長所と短所

RTDETRv2の強み：

高精度：特に難易度の高いCOCO データセットにおいて、トップクラスの検出性能を発揮。
GPU 最適化：アーキテクチャは高度に並列化可能で、次のような用途に最適です。 TensorRTの展開に最適です。
アンカーフリー：アンカーボックスのチューニングを不要にし、トレーニングパイプラインを簡素化。

エフィシェントデットの強み

スケーラビリティ：D0-D7レンジは、モデルのサイズをハードウェアの能力に正確に合わせることができます。
低コンピュート：小型のバリアント（D0-D2）は、CPU推論やモバイルエッジデバイスに適している。
確立されている：様々な変換ツールで広くサポートされている成熟したアーキテクチャ。

弱点:

RTDETRv2：トレーニングにかなりのCUDA メモリを必要とし、一般にCPUではトランスフォーマー操作のため遅くなる。
EfficientDet：最新の検出器と比較して、高精度側（D7）での待ち時間が長く、トレーニングの収束が遅くなる可能性がある。

理想的なユースケース

適切なモデルの選択は、特定のアプリケーション環境に大きく依存する。

RTDETRv2は、ハイエンドの監視システム、自律走行システム、産業用検査システムなど、強力なGPU 利用可能な場合にお選びください。RTDETRv2は微細なディテールを識別する能力があるため、医療製造における錠剤の検出や複雑な衛星画像の解析などのタスクに適しています。
EfficientDetは、バッテリー駆動のIoTデバイス、モバイル・アプリ、またはさまざまなハードウェア・レベルにわたって幅広い互換性を必要とするシナリオに適しています。EfficientDetは、コストと消費電力が最大の関心事である、スマート小売在庫スキャナや基本的なセキュリティアラームシステムに適しています。

Ultralytics YOLO アドバンテージ

RTDETRv2とEfficientDetのどちらにも利点がある、 Ultralytics YOLO11は、開発者フレンドリーなエコシステムに包まれた、両者の最高の機能の魅力的な統合を提供する。

開発者がUltralytics好む理由

Ultralytics モデルは、ベンチマークのためだけでなく、実世界での使いやすさを考慮して設計されている。

使いやすさ: Ultralytics Python APIと CLIは、トレーニングとデプロイの複雑さを劇的に軽減します。ユーザーはインストールからカスタムデータセットでのトレーニングまで数分で行うことができます。
整備されたエコシステム：活発なコミュニティと頻繁なアップデートに支えられたUltralytics フレームワークは、以下のようなMLOpsツールとシームレスに統合します。 Weights & Biases MLFlow、Ultralytics HUBなどのMLOpsツールとシームレスに統合し、データを管理します。
パフォーマンス・バランス： YOLO11 、最先端のスピードと精度のトレードオフを実現している。CNNの特徴である推論スピードを維持しながら、RTDETRv2のような変形モデルの精度にしばしば匹敵するか、それを上回る。
メモリ効率：トランスフォーマーベースのトレーニングに必要な大量のメモリとは異なり、YOLO モデルはGPU 効率的に使用できるように最適化されているため、コンシューマーグレードのハードウェアでより大きなバッチサイズを使用することができます。
汎用性：単一のフレームワークで、物体検出、インスタンス分割、姿勢推定、分類、および指向性物体検出（OBB）をサポートする。

トレーニング効率

Ultralytics 、Transfer Learningを容易にし、トレーニング時間を大幅に短縮するために、事前にトレーニングされた重みを提供します。YOLO11 モデルのトレーニングを開始するのはとても簡単です：

from ultralytics import YOLO

# Load a pre-trained YOLO11 model
model = YOLO("yolo11n.pt")

# Train the model on the COCO8 dataset for 100 epochs
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

簡素化された配備

Ultralytics モデルは、1つのコマンドでONNX、TensorRT、CoreML、OpenVINO 多数のフォーマットにエクスポートでき、研究から生産までの経路を合理化します。エクスポートモードの詳細

結論

RTDETRv2 と EfficientDet の比較では、勝敗は制約に依存します。RTDETRv2 は、高精度でGPU環境で優れており、トランスフォーマが高速であることを証明しています。EfficientDetは、制約の多い、低消費電力のエッジシナリオでは、依然として堅実な選択肢です。

しかし、汎用性が高く、使いやすく、高性能なソリューションを求める開発者の大部分にとっては、Ultralyticsは非常に便利なソリューションです、 Ultralytics YOLO11は際立っています。単一のまとまったエコシステム内で複数のビジョンタスクを処理するその能力は、優れたメモリ効率とトレーニング速度と相まって、最新のコンピュータビジョンアプリケーションに最適な選択肢となっています。

その他の比較

利用可能な物体検出モデルについての理解を深めるために、これらの関連する比較を検討してみてください：