Link to this sectionYOLO11 vs EfficientDet: 包括的な技術比較#
コンピュータビジョンプロジェクトに最適なニューラルネットワークを選択するには、利用可能なアーキテクチャについての深い理解が必要です。本ガイドでは、Ultralytics YOLO11とGoogleのEfficientDetを技術的な観点から詳細に比較します。アーキテクチャの相違点、パフォーマンスメトリクス、学習効率、および理想的なデプロイメントシナリオを検証し、機械学習ワークロードに関する意思決定を支援します。
Link to this sectionモデルの背景と仕様#
両モデルともディープラーニングの環境に多大な影響を与えてきましたが、その起源となる設計思想やAI開発の時代は異なります。
Link to this sectionYOLO11の詳細#
著者: Glenn Jocher および Jing Qiu 組織: Ultralytics 日付: 2024-09-27 GitHub: https://github.com/ultralytics/ultralytics ドキュメント: https://docs.ultralytics.com/models/yolo11/
Link to this sectionEfficientDetの詳細#
著者: Mingxing Tan, Ruoming Pang, および Quoc V. Le 組織: Google 日付: 2019-11-20 Arxiv: https://arxiv.org/abs/1911.09070 GitHub: https://github.com/google/automl/tree/master/efficientdet ドキュメント: https://github.com/google/automl/tree/master/efficientdet#readme
コンピュータビジョンモデルを扱う際、周囲のエコシステムはモデル自体と同じくらい重要です。Ultralyticsエコシステムは他に類を見ない開発者体験を提供しており、広範なドキュメント、活発なコミュニティサポート、そしてONNXやTensorRTなどのフォーマットへのシームレスなエクスポート機能を提供します。
Link to this sectionアーキテクチャの革新#
Link to this sectionEfficientDet: BiFPNとコンパウンドスケーリング#
2019年後半に導入されたEfficientDetは、計算コストを最小限に抑えつつ精度を最大化することを目指しました。これは主に2つのメカニズムによって達成されています。第一に、深さ、幅、解像度を統合的にスケーリングするEfficientNetバックボーンを使用しています。第二に、双方向特徴ピラミッドネットワーク（BiFPN）を導入し、簡単かつ高速なマルチスケールの特徴融合を可能にしました。
EfficientDetは当時としては非常に効率的でしたが、TensorFlow AutoMLライブラリへの依存が柔軟性を欠く原因となることがあります。研究者は、モダンでモジュール化されたPyTorchベースのフレームワークと比較して、モデルプルーニングやカスタム修正が困難であると感じることがよくあります。
Link to this sectionYOLO11: 高度な特徴抽出と汎用性#
YOLO11は物体検出アーキテクチャにおける大きな飛躍を遂げたモデルです。前モデルの成功を基盤とし、改良されたC3k2ブロックと改善された空間ピラミッドプーリングモジュールを導入しました。これらの強化により特徴抽出能力が向上し、YOLO11は複雑な視覚パターンを極めて高い鮮明度で捉えることが可能になりました。
A major advantage of YOLO11 is its versatility. While EfficientDet is strictly an object detection model, YOLO11 natively supports instance segmentation, image classification, pose estimation, and oriented bounding boxes (OBB). Furthermore, YOLO11 boasts incredibly low memory requirements during both training and inference, making it vastly superior to older models and bulky vision transformers when deploying to resource-constrained edge AI environments.
Link to this section性能とベンチマーク#
平均精度（mAP）で測定される精度と推論速度のバランスは、実世界でのデプロイメントにおいて極めて重要な判断要素となります。以下の表は、標準的なCOCOデータセットにおける両モデルファミリーの生パフォーマンスを示しています。
| 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 (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLO11n | 640 | 39.5 | 56.1 | 1.5 | 2.6 | 6.5 |
| YOLO11s | 640 | 47.0 | 90.0 | 2.5 | 9.4 | 21.5 |
| YOLO11m | 640 | 51.5 | 183.2 | 4.7 | 20.1 | 68.0 |
| YOLO11l | 640 | 53.4 | 238.6 | 6.2 | 25.3 | 86.9 |
| YOLO11x | 640 | 54.7 | 462.8 | 11.3 | 56.9 | 194.9 |
| 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 |
示されているように、YOLO11は非常に優れたパフォーマンスバランスを実現しています。YOLO11xは全体的な最高精度（54.7 mAP）を達成し、より小型のYOLO11バリアントはGPU推論速度（TensorRTを使用してT4上で最小1.5ms）において絶対的な優位性を誇ります。
Link to this section学習効率とエコシステム#
Ultralyticsモデルの決定的な特徴の一つはその使いやすさです。EfficientDetモデルの学習では、複雑なTensorFlowグラフ構成や煩雑な依存関係のチェーンを管理しなければならないことがよくあります。対照的に、YOLO11はクリーンで完全に現代的なPyTorch基盤の上に構築されています。
この適切に管理されたエコシステムにより、開発者はパッケージをインストールし、学習済みモデルを読み込み、数行のコードでカスタムデータセットの学習を開始できます。
Link to this sectionPythonコードの例#
以下は、Ultralytics APIのシンプルさを示す、完全に実行可能な例です。このスクリプトは学習済みのYOLO11モデルをダウンロードし、学習を行い、迅速な予測を実行します。
from ultralytics import YOLO
# Initialize a pretrained YOLO11 nano model
model = YOLO("yolo11n.pt")
# Train the model efficiently using the integrated PyTorch engine
# Training efficiency is high, requiring less VRAM than legacy models
results = model.train(data="coco8.yaml", epochs=10, imgsz=640, device="cpu")
# Run real-time inference on a sample image
prediction = model.predict("https://ultralytics.com/images/bus.jpg")
# Display the output bounding boxes
prediction[0].show()Link to this section未来を見据えて：YOLO26の利点#
YOLO11は非常に強力ですが、新しいプロジェクトを開始するチームは、2026年1月にリリースされたUltralytics YOLO26の導入を強く検討すべきです。YOLO26は、デプロイメントのシンプルさとエッジパフォーマンスにおけるパラダイムシフトを象徴しています。
YOLO26の主な革新技術は以下の通りです。
- エンドツーエンドのNMSフリー設計: 後処理におけるNon-Maximum Suppression（NMS）を排除することで、YOLO26は一貫した超低遅延を実現しており、高速なロボティクスや自動運転に不可欠です。
- 最大43%高速なCPU推論: 専用GPUを搭載していない環境向けに、YOLO26は標準プロセッサでのスループットを最大化するように最適化されています。
- MuSGDオプティマイザ: Moonshot AIのKimi K2から着想を得たこのハイブリッドオプティマイザは、LLM学習の安定性をコンピュータビジョンにもたらし、より高速な収束を可能にします。
- ProgLoss + STAL: これらの改良された損失関数は、衛星画像分析やドローン映像において課題となりがちな小さな物体の認識能力を劇的に向上させます。
- DFLの削除: Distribution Focal Lossを削除することで、エッジデバイスへのモデルエクスポートプロセスを合理化しています。
Link to this sectionユースケースと推奨事項#
YOLO11とEfficientDetの選択は、プロジェクトの特定の要件、デプロイメントの制約、およびエコシステムの優先順位に依存します。
Link to this sectionYOLO11を選択すべき時#
YOLO11は以下のような場合に強く推奨されます:
- 本番環境へのエッジ展開： Raspberry PiやNVIDIA Jetsonなどのデバイス上で動作する商業アプリケーションで、信頼性と継続的なメンテナンスが最優先される場合。
- マルチタスクビジョンアプリケーション： 単一の統合フレームワーク内でdetection、segmentation、pose estimation、OBBが必要なプロジェクト。
- 迅速なプロトタイピングと展開： 効率化されたUltralytics Python APIを使用して、データ収集から本番運用まで素早く移行する必要があるチーム。
Link to this sectionEfficientDetを選択すべき場合#
EfficientDetは以下の場合に推奨されます：
- Google CloudおよびTPUパイプライン： Google Cloud Vision APIやTPUインフラストラクチャと深く統合されたシステムであり、EfficientDetのネイティブ最適化が活かせる環境。
- 複合スケーリング研究： ネットワークの深さ、幅、解像度のスケーリングバランスが与える影響を調査することに焦点を当てた学術的なベンチマーク。
- TFLite経由のモバイルデプロイ: Androidまたは組み込みLinuxデバイス向けにTensorFlow Liteのエクスポートを特に必要とするプロジェクト。
Link to this sectionUltralytics (YOLO26) を選択すべき時#
ほとんど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の最良の組み合わせを提供します。
- NMSフリーのエッジ展開： Non-Maximum Suppression後処理の複雑さを伴わずに、一貫した低レイテンシの推論が求められるアプリケーション。
- CPUのみの環境： GPUアクセラレーションを利用できないデバイスにおいて、YOLO26の最大43%高速なCPU推論が決定的な利点となる場合。
- 小さな物体の検出： aerial drone imageryやIoTセンサー分析のような困難なシナリオで、ProgLossとSTALが微小な物体の検出精度を大幅に向上させる場合。
Link to this section結論#
EfficientDetは、物体検出におけるコンパウンドスケーリングの実現可能性を証明した先駆的なアーキテクチャでした。しかし、AI研究の急速な進歩により、より高性能で、統合しやすく、実行速度の速いモデルが登場しています。
強力なマルチタスク機能、驚異的なGPU推論速度、そして業界で最も開発者フレンドリーと言えるAPIを備えたYOLO11は、現代のビジョンパイプラインにおける明らかな勝者です。技術の最先端を目指す方、特にエッジファーストのデプロイメントを検討している方にとって、YOLO26へのアップグレードは、NMSフリーのスピードと比類のない精度の究極の組み合わせを提供します。