はじめる

RTDETRv2と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を左右する重要な決定です。この技術比較では、影響力のある2つの物体検出モデル、リアルタイムTransformerベース検出器のRTDETRv2と、高いスケーラビリティを備えた畳み込みニューラルネットワークのEfficientDetを検証します。アーキテクチャ、性能指標、トレーニング手法、最適なデプロイシナリオを評価し、AIパイプラインに関するデータに基づいた意思決定を支援します。

RTDETRv2:リアルタイム物体検出Transformer#

初代RT-DETRの成功を受け継ぐRTDETRv2は、Transformerベースの物体検出手法をさらに洗練させています。エンコーダーとデコーダーの構造を最適化することで、高い精度とリアルタイムの推論速度を両立し、従来型CNNとビジョンTransformerの隔たりを効果的に埋めています。

モデルの詳細

アーキテクチャと主な強み#

RTDETRv2は、強力な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採用しています。RTDETRv2を特徴づける最大の点は、非極大値抑制(NMS)をネイティブに省略できることです。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去するために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、二部マッチングを用いて重複のない予測を出力します。

このモデルは、GPUメモリが豊富なサーバー側のデプロイで最も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って高いコンテキスト認識能力を備えているため、自動化されたセキュリティ警報システムや混雑した人流の監視など、密集して雑然とした環境で重なり合う物体を分離する用途に適しています。

制限事項#

強力である一方、Transformerアーキテクチャは、トレーニング時に標準的なCNNよりも多くのCUDAメモリを必要とします。RTDETRv2のファインチューニングは、新しいトレーニングデータに対する収束にも時間がかかることがあり、迅速なプロトタイピングにはより多くのリソースが必要です。

RTDETRv2の詳細を見る

EfficientDet:スケーラブルで効率的なCNN#

EfficientDetは、幅広いリソース制約のもとで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です。スケーラブルなマシンビジョン設計の古典的な例として、現在も広く知られています。

モデルの詳細

アーキテクチャと主な強み#

EfficientDetの革新性は、双方向特徴ピラミッドネットワーク(BiFPN)と複合スケーリング手法という2つの重要な要素にあります。BiFPNは学習可能な重みを導入して各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すことで、シンプルかつ高速な特徴抽出を実現します。複合スケーリング手法は、ネットワークの解像度、深さ、幅を同時に一様に拡大します。

EfficientDetモデルには、軽量なD0から大規模なD7までがあります。そのため、計算予算が限られる一方で精度も求められるエッジAIのデプロイに適応しやすく、初期のモバイル向け拡張現実アプリケーションなどで活用できます。

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型のNMS後処理パイプラインに大きく依存しています。アンカーの生成には慎重なハイパーパラメーター調整が必要です。また、NMSステップがRaspberry Piのような組み込みハードウェアでのデプロイのボトルネックになることがあります。さらに、姿勢推定や回転バウンディングボックス(OBB)といった最新のタスクをネイティブにはサポートしていません。

EfficientDetの詳細はこちら

パフォーマンスと指標の比較#

これらのモデルの具体的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)
RTDETRv2-s64048.1-5.032060
RTDETRv2-m64051.9-7.5136100
RTDETRv2-l64053.4-9.7642136
RTDETRv2-x64054.3-15.0376259
EfficientDet-d051234.6-3.923.92.54
EfficientDet-d164040.5-7.316.66.1
EfficientDet-d276843.0-10.928.111.0
EfficientDet-d389647.5-19.5912.024.9
EfficientDet-d4102449.7-33.5520.755.2
EfficientDet-d5128051.5-67.8633.7130.0
EfficientDet-d6128052.6-89.2951.9226.0
EfficientDet-d7153653.7-128.0751.9325.0

上記のとおり、RTDETRv2は同程度のサイズのEfficientDetモデルと同等以上の平均適合率(mAP)を達成しながら、GPU上でははるかに高速に動作します(たとえばRTDETRv2-lは9.76 msで53.4 mAP、EfficientDet-d6は89.29 msで52.6 mAP)。Transformerアーキテクチャを活用して精度を高めています。

ユースケースと推奨事項#

RT-DETRとEfficientDetのどちらを選ぶかは、具体的なプロジェクト要件、デプロイ上の制約、エコシステムに関する好みによって決まります。

RT-DETRを選ぶケース#

RT-DETRは、次のような用途に適しています。

  • Transformerベースの検出研究: NMSを使わないエンドツーエンドの物体検出に向けて、注意機構やTransformerアーキテクチャを検討するプロジェクト。
  • レイテンシに柔軟性がある高精度シナリオ: 検出精度を最優先し、推論レイテンシがやや高くても許容できるアプリケーション。
  • 大きなオブジェクトの検出: 主に中型から大型のオブジェクトが存在し、Transformerのグローバル注意機構が本質的な優位性をもたらすシーン。

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#

多くの新規プロジェクトにおいて、Ultralytics YOLO26はパフォーマンスと開発者体験を最適なバランスで提供します。

  • 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。

Ultralyticsという選択肢#

RTDETRv2とEfficientDetにはそれぞれ優れた点がありますが、現代のAI開発には、高い性能に加えて優れた開発者エクスペリエンスを提供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を大幅に効率化するアプローチを提供します。

最新の検出モデル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の両方の長所を兼ね備えています。

YOLO26を選ぶ理由

YOLO26はオプションのエンドツーエンドNMS不要設計(nms=False)を実装し、効率的なYOLOアーキテクチャにRTDETRv2のデプロイのシンプルさをもたらします。また、LLMのトレーニング手法に着想を得た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(Distribution Focal Lossを取り除くことで、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、YOLO26nはYOLO11nよりもCPU推論が最大43%高速になり、より大規模なモデルよりもエッジコンピューティングに適しています。ProgLoss + STAL(Progressive Lossと小さな物体を考慮したラベル割り当て)も、小さな物体の認識性能を大きく向上させます。これはIoT、ロボティクス、航空画像で重要です。

Ultralytics Pythonパッケージは、使いやすさを重視して設計されています。開発者は、研究用リポジトリで通常必要となる定型コードを隠蔽する直感的なAPIを使って、モデルのトレーニング、検証、エクスポートができます。

from ultralytics import RTDETR

# Ultralyticsエコシステムから事前トレーニング済みのRT-DETRモデルを読み込みます
model = RTDETR("rtdetr-l.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, imgsz=640)

# TensorRTでの最適化された推論用にエクスポートします
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、さまざまな業界のニーズに対応する汎用的なツールキットを提供します。最新のUltralyticsモデルではDistribution Focal Loss(DFL)を削除して計算グラフも簡素化しているため、組み込み型のNPUやTPUへのエクスポートがスムーズになります。

データアノテーションとモデル管理には、Ultralytics Platformが機械学習ライフサイクル全体をカバーする包括的なクラウド環境を提供するため、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際に適しています。

コントリビューター

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。