RTDETRv2 vs. EfficientDet: オブジェクト検出における技術的比較
物体検出に最適なアーキテクチャの選択は、トレーニングコストからデプロイメントのレイテンシに至るまであらゆる要素に影響を与える極めて重要な決定事項である。本技術的深掘りでは、リアルタイムアプリケーション向けに設計された最先端のトランスフォーマーベースモデル「RTDETRv2」と、複合スケーリングを分野に導入した高スケーラブルなCNNアーキテクチャ「EfficientDet」という二つの異なるアプローチを分析する。
EfficientDetが2019年に重要なベンチマークを確立した一方で、リアルタイムトランスフォーマーの登場により状況は大きく変化した。本比較では、それらのアーキテクチャ、性能指標、および現代のコンピュータビジョンタスクへの適性を検証する。
性能指標の比較
以下の表は主要指標の直接比較を示しています。速度とパラメータ効率の違い、特にRTDETRv2のような最新アーキテクチャがTensorRTなどのハードウェアアクセラレータ上で推論レイテンシを最適化する方法に注目してください。
| 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) |
|---|---|---|---|---|---|---|
| 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 |
RTDETRv2: リアルタイム・トランスフォーマー進化版
RTDETRv2（Real-Time DEtection TRansformer v2）は、トランスフォーマーアーキテクチャを実用的な視覚タスクに応用する上で大きな飛躍を遂げた。従来のDETRモデルは収束速度の遅さと高い計算コストに悩まされていたが、RTDETRv2は速度と精度の両面でCNNを凌駕するよう特別に設計されている。
RTDETRv2 詳細:
- 著者: Wenyu Lv、Yian Zhao、Qinyao Chang、Kui Huang、Guanzhong Wang、Yi Liu
- 組織:Baidu
- 日付: 2023-04-17
- Arxiv:2304.08069
- GitHub:lyuwenyu/RT-DETR
アーキテクチャと主な機能
RTDETRv2は、マルチスケール特徴を処理するハイブリッドエンコーダを採用し、小型物体検出における従来型トランスフォーマーの弱点を克服する。中核となる革新はIoUクエリ選択であり、低品質なクエリをデコーダに到達する前にフィルタリングすることで、モデルが計算リソースを画像の最も関連性の高い部分に集中できるようにする。
RTDETRv2の決定的な特徴は、エンドツーエンドNMSである。従来の検出器は重複バウンディングボックスを除去するために非最大抑制（NMS）を必要とし、この後処理ステップが遅延変動をもたらす。RTDETRv2は固定されたオブジェクトセットを直接予測し、産業オートメーションに不可欠な決定論的推論時間を保証する。
効率的な検出：スケーラビリティの遺産
EfficientDetは、ネットワークの幅・深さ・解像度を同時に増加させる手法「複合スケーリング」の実証としてGoogle によって導入された。EfficientNetのバックボーンを基盤とし、双方向特徴ピラミッドネットワーク（BiFPN）を導入している。
EfficientDetの詳細:
- 著者: Mingxing Tan、Ruoming Pang、Quoc V. Le
- 組織: Google
- 日付: 2019-11-20
- Arxiv:1911.09070
- GitHub:google/automl
アーキテクチャと制約
EfficientDetの中核はBiFPNであり、これにより容易かつ高速なマルチスケール特徴融合が可能となる。重み付け特徴融合を用いることで、モデルは異なる入力特徴の重要性を学習する。FLOPsの観点では理論的に効率的であるにもかかわらず、EfficientDetはGPU上での実世界のレイテンシにしばしば苦戦する。BiFPN層の複雑/不規則なメモリアクセスパターンは、TensorRTのようなハードウェアアクセラレータでは容易に最適化できない。 TensorRT などのハードウェアアクセラレータによる最適化が、YOLO に見られる標準的な畳み込みに比べて容易ではありません。
批判的分析：建築と使用
1. 学習効率と収束性
最も根本的な差異の一つは学習ダイナミクスにある。効率的な検出器（EfficientDet）は従来のCNNパラダイムに依存し、比較的安定して学習するが、アンカーボックスの慎重な調整を必要とする（自動化を目指しているものの）。一方、トランスフォーマーベースのRTDETRv2は、最初からグローバルな受容野の恩恵を受けるが、従来はより長い学習スケジュールを必要としていた。しかし、RTDETRv2における最新の最適化により、この収束時間は大幅に短縮された。
メモリに関する考慮事項
自己注意機構のため、RTDETRv2のようなトランスフォーマーベースのモデルは、純粋なCNNに比べて学習時のVRAM消費量が多くなる傾向があります。リソースが限られた環境（例：単体のGPU）で学習を行う場合は、最先端の精度を維持しつつメモリ要件を抑えられる Ultralytics を検討してください。
2. 推論速度とデプロイメント
EfficientDet-d0は軽量ですが、より大規模なバリエーション（d4-d7）では速度が大幅に低下します。 比較表に示す通り、EfficientDet-d7はT4GPU上で約128msで動作するのに対し、RTDETRv2-xはわずか15msで54.3%という高い mAPを達成している。この約10倍の速度優位性により、RTDETRv2（およびYOLO26）はリアルタイム動画解析や自動運転車両においてはるかに優れた選択肢となる。
3.Ultralytics 優位性
研究論文の実装には、壊れた依存関係や複雑な設定ファイルの処理が伴うことが多い。 Ultralytics エコシステムはインターフェースを標準化することでこの課題を解決します。たった1行のコードでトランスフォーマー（RT-DETR）とCNN（YOLO）を切り替えられ、機械学習運用（MLOps）パイプラインを簡素化します。
from ultralytics import RTDETR, YOLO
# Load RTDETRv2 (Transformer)
model_transformer = RTDETR("rtdetr-l.pt")
# Load YOLO26 (The new standard)
model_yolo = YOLO("yolo26l.pt")
# Training is identical
model_yolo.train(data="coco8.yaml", epochs=100)
最上位の選択肢：Ultralytics
RTDETRv2は優れた性能を発揮するが、YOLO26は効率性と精度の頂点を体現している。2026年1月にリリースされた本モデルは、トランスフォーマーとCNNの優れた特徴を統合アーキテクチャに融合させている。
YOLO26は、YOLOv10 が先駆けてYOLOv10 RTDETRv2で洗練されたエンドツーエンドNMS設計 YOLOv10 、エッジ展開向けにさらに最適化しています。主な革新点は以下の通りです：
- DFL除去：ディストリビューション焦点損失を除去することでモデル構造が簡素化され、 ONNX およびCoreML 、低電力エッジデバイスとの互換性を向上させます。
- MuSGDオプティマイザー： SGD （LLMトレーニングに着想を得た）のハイブリッドであるこのオプティマイザーは、安定したトレーニングとより速い収束を保証し、大規模言語モデルの安定性をビジョンタスクにもたらします。
- 速度：YOLO26は最大43%高速CPU を実現し、GPUが利用できないRaspberry Piなどのデバイスにおける重大な課題を解決します。
- 高度な損失関数： ProgLossとSTALの統合により、農業や航空監視などの分野で重要な、微小物体の認識精度が顕著に向上した。
汎用的なデプロイと純粋な性能の最適なバランスを求める開発者には、YOLO26が推奨される選択肢です。
ユースケースの推奨事項
RTDETRv2を選択すべき時
- Tensor 搭載ハードウェア: NVIDIA （サーバーまたはJetson）に限定してデプロイする場合、RTDETRv2はTensor 効率的に活用します。
- 混雑したシーン：グローバルアテンション機構は、群衆分析や小売監視など、重度の遮蔽が生じるシーンにおいて有効である。
EfficientDetを選択するタイミング
- レガシー保守：既存のインフラがTensorFlow .TensorFlow /2.xおよびGoogleエコシステムを基盤として構築されている場合。
- 学術的ベンチマーク：他のアーキテクチャ変更の影響を分離し、複合スケーリングの特定効果を研究するための基準として有用である。
YOLO26を選択すべき時
- エッジAI： DFL除去とCPU により、モバイルおよびIoTデバイスにおける絶対的な王者となった。
- リアルタイム制約： スポーツ分析など、高精度と同時に高いFPS（フレーム毎秒）を必要とするアプリケーション向け。
- 使いやすさ：すぐに使える状態で姿勢推定 とセグメンテーションをサポートする「電池込み」の体験が必要な場合。
結論
RTDETRv2とEfficientDetの両方が、コンピュータビジョンの進化に大きく貢献した。 EfficientDetはスケーリングが科学的かつ構造化可能であることを証明し、RTDETRv2はトランスフォーマーが高速化可能であることを実証した。しかし2026年現在、大多数Ultralytics 最も魅力的なパッケージを提供している：CNN並みの高速処理、トランスフォーマーのNMS利便性、Ultralytics による堅牢なサポートを兼ね備えている。
参考資料
- モデル:探索 YOLO11 その他の高性能オプションについては、または YOLOv10 でNMSトレーニングの原点を探る。
- データセット：プロジェクトに最適なデータをデータセットエクスプローラーで見つけましょう。
- ガイド: TensorRTモデルを最適化する方法を学び、ハードウェアの性能を最大限に引き出しましょう。