YOLO26とEfficientDetの比較
適切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アプリケーションの成功に不可欠です。この技術ガイドでは、代表的な2つのモデルであるUltralytics YOLO26と、Googleの実績あるEfficientDetのトレードオフ、性能指標、アーキテクチャの革新について解説します。
高スループットのクラウドサーバーを対象とする場合も、レイテンシに制約のあるエッジAIデバイスを対象とする場合も、これらのアーキテクチャの違いを理解することで、速度、精度、効率のバランスを取りやすくなります。
アーキテクチャの概要:YOLO26#
- 著者: Glenn Jocher、Jing Qiu
- 組織: Ultralytics
- 日付: 2026-01-14
- GitHub: Ultralytics GitHub
- ドキュメント: YOLO26公式ドキュメント
2026年初頭にリリースされたYOLO26は、YOLOファミリーの最新モデルであり、使いやすさと最新ハードウェアでの高い平均適合率(mAP)を実現するよう設計されています。物体検出、インスタンスセグメンテーション、セマンティックセグメンテーション、深度推定、画像分類、姿勢推定、および回転バウンディングボックス(OBB)検出に対応しています。
YOLO26には、トレーニングの安定性と推論速度の両方を向上させる機能がいくつか導入されています。
- エンドツーエンドのNMSフリーデザイン: YOLOモデルにYOLOv10が導入したNMSフリートレーニングを基盤に、YOLO26はオプションのエンドツーエンドone-to-oneヘッド(
nms=False)を提供し、Non-Maximum Suppression(NMS)の後処理を不要にします。これにより、デプロイロジックが簡素化され、レイテンシーのばらつきが低減します。 - CPU推論が最大43%高速: アーキテクチャの最適化により、YOLO26nは標準的なCPUでYOLO11nより最大43%高速に動作し、IoTや組み込み環境に適しています。
- DFLの削除: Distribution Focal Lossを削除することで、エクスポートプロセスがシンプルになり、ONNXなどのツールを使う低消費電力のエッジデバイスとの互換性が向上します。
- MuSGDオプティマイザー: Moonshot AIのKimi K2のLLMトレーニング手法に着想を得た、SGDとMuonのハイブリッドです。大規模言語モデルのトレーニングにおける革新をコンピュータービジョンに直接取り入れ、収束を速め、トレーニングをより安定させます。
- ProgLoss + STAL: Progressive Lossと小物体認識対応ラベル割り当て(STAL)により、小物体の認識性能が向上します。これは、ドローンによる航空画像やロボティクスを扱うアプリケーションで重要です。
DFLの削除とNMS不要アーキテクチャにより、YOLO26モデルをNVIDIA TensorRTやIntel OpenVINOなどのエッジ向け形式にエクスポートする際、カスタムプラグインの開発はほぼ不要です。
アーキテクチャの概要:EfficientDet#
- 著者: Mingxing Tan、Ruoming Pang、Quoc V. Le
- 組織: Google Research
- 日付: 2019-11-20
- arXiv: EfficientDet論文
- GitHub: Google AutoMLリポジトリ
Googleが発表したEfficientDetは、TensorFlowエコシステムを基盤とし、複合スケーリングの概念に基づいて設計されています。そのアーキテクチャでは、リソースの制約に応じて、バックボーンネットワーク、特徴ネットワーク、ボックス/クラス予測ネットワークを同時にスケールアップします。
EfficientDetの主な革新点は次のとおりです。
- BiFPN(双方向特徴ピラミッドネットワーク): 複数スケールの特徴を簡単かつ高速に融合する仕組みで、さまざまなサイズの物体をネットワークがより適切に認識できるようにします。
- 複合スケーリング: 解像度、深さ、幅を均一に拡張するヒューリスティック手法で、最小のd0から最大のd7までのモデルファミリーを作成します。
EfficientDetはバウンディングボックス検出の有力な選択肢であり続けていますが、最新のマルチタスク対応力(ネイティブのOBBタスクなど)や、現代の開発者が期待するシンプルで統一されたPythonエコシステムを備えていません。
パフォーマンスと指標の比較#
以下の表では、COCOデータセットを使って両アーキテクチャを比較し、モデルサイズ、精度、レイテンシの違いを示します。CPU速度はONNX Runtime、GPU速度はNVIDIA T4上のTensorRTで測定しています。
| 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) |
|---|---|---|---|---|---|---|
| YOLO26n | 640 | 40.9 | 38.9 | 1.7 | 2.4 | 5.5 |
| YOLO26s | 640 | 48.6 | 87.2 | 2.5 | 9.5 | 20.9 |
| YOLO26m | 640 | 53.1 | 220.0 | 4.7 | 20.4 | 68.4 |
| YOLO26l | 640 | 55.0 | 286.2 | 6.2 | 24.8 | 86.8 |
| YOLO26x | 640 | 57.5 | 525.8 | 11.8 | 55.7 | 194.4 |
| EfficientDet-d0 | 512 | 34.6 | - | 3.92 | 3.9 | 2.54 |
| EfficientDet-d1 | 640 | 40.5 | - | 7.31 | 6.6 | 6.1 |
| EfficientDet-d2 | 768 | 43.0 | - | 10.92 | 8.1 | 11.0 |
| EfficientDet-d3 | 896 | 47.5 | - | 19.59 | 12.0 | 24.9 |
| EfficientDet-d4 | 1024 | 49.7 | - | 33.55 | 20.7 | 55.2 |
| EfficientDet-d5 | 1280 | 51.5 | - | 67.86 | 33.7 | 130.0 |
| EfficientDet-d6 | 1280 | 52.6 | - | 89.29 | 51.9 | 226.0 |
| EfficientDet-d7 | 1536 | 53.7 | - | 128.07 | 51.9 | 325.0 |
YOLO26xは最高精度(57.5 mAP)を達成し、EfficientDet-d7を3.8ポイント上回ります。TensorRTを使用したT4での実行時間は128.07 msではなく11.8 msです。YOLO26は幅広いGPU環境で大幅に高速であり、最短1.7 msで実行できます。
トレーニング効率とエコシステムの優位性#
2つのアーキテクチャの大きな違いの1つは、開発環境にあります。EfficientDetはGoogle AutoMLとTensorFlowのエコシステムに深く組み込まれているため、カスタムデータセットやDOTAv1での回転物体検出などの新しいタスクでは、学習曲線が急になり、設定の柔軟性が制限されることがあります。
Ultralyticsは、PyTorchを基盤とする、適切に保守されたエコシステムを提供しており、限られた性能のGPUでも動作するメモリ効率の高いトレーニングを実現します。
Ultralytics Platformを通じて、開発者はデータアノテーション、クラウドトレーニング、モデルデプロイを網羅するエンドツーエンドのMLOpsワークフローを利用でき、プロトタイプから本番環境までの移行を短縮できます。
実装例#
Ultralytics APIを使うと、数行のコードでYOLO26モデルをトレーニングしてエクスポートできます。
from ultralytics import YOLO
# エンドツーエンドのNMSフリーYOLO26モデルを初期化します
model = YOLO("yolo26n.pt")
# カスタムデータセットでトレーニングします(optimizer='auto'は、長時間のトレーニングにMuSGDを選択します)
train_results = model.train(
data="coco8.yaml",
epochs=100,
imgsz=640,
device="0", # GPUでトレーニングします
)
# 超低レイテンシでのデプロイに向けて、ネイティブにTensorRTへエクスポートします
model.export(format="engine")最適なユースケース#
YOLO26を使用する場面:
- エッジコンピューティングとモバイル: YOLO26nはCPU上でYOLO11nより最大43%高速に動作し、オプションのNMSフリー推論にも対応しているため、Raspberry Piや携帯電話のように計算リソースが厳しく制限されたデバイスでも優れた性能を発揮します。
- マルチタスク: 1つのパイプラインでバウンディングボックス、セグメンテーションマスク、トラッキングが必要な場合、YOLO26はすべてを1つのフレームワークで処理できます。
- ドローンと航空画像: ProgLossとSTALの組み合わせにより、高高度から撮影した画像の小物体検出が向上します。
EfficientDetを使用する場面:
- 従来のTensorFlowパイプライン: インフラストラクチャがTensorFlow SavedModelのみをサポートする場合や、特定のTensorFlow Servingパイプラインが必要な場合、EfficientDetはネイティブで互換性を提供します。
- リソースが制限されたTPU: EfficientDetは、Google独自のテンソル処理ユニット(TPU)向けに最適化されています。
その他の代替モデルを検討する#
このガイドではYOLO26とEfficientDetに焦点を当てていますが、Ultralyticsエコシステムにはほかのアーキテクチャも含まれています。アプリケーションでTransformerを利用する場合、RT-DETRはTransformerベースのリアルタイム検出を提供します。また、従来のシステムをサポートする場合、YOLO11も引き続き完全にサポートされています。全体像については、Ultralyticsモデル比較ハブをご覧ください。
新しいコンピュータービジョンパイプラインでは、YOLO26の速度、使いやすさ、精度を踏まえ、研究者や開発者に推奨します。
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。