YOLO26 vs EfficientDet#
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 computer vision アプリケーションの成功において極めて重要です。このテクニカルガイドでは、最先端の Ultralytics YOLO26 とGoogleの確立されたEfficientDetという、2つの著名なモデルのトレードオフ、パフォーマンス指標、およびアーキテクチャの革新について探求します。
デプロイ先が高スループットのクラウドサーバーであっても、レイテンシ制約のある edge AI デバイスであっても、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、効率の最適なバランスを確保できます。
アーキテクチャの概要：YOLO26#
著者: Glenn Jocher および Jing Qiu
組織: Ultralytics
日付: 2026-01-14
GitHub: Ultralytics GitHub
ドキュメント: YOLO26 Official Documentation
20th世紀初頭にリリースされた YOLO26 は、YOLOファミリの最新の進化形であり、比類のないユーザー体験と最高水準の mean Average Precision (mAP) を提供するように特別に設計されています。最新のハードウェア向けにゼロから設計されており、object detection、instance segmentation、image classification、および pose estimation にわたり卓越した汎用性を提供します。
YOLO26は、学習の安定性と推論速度を劇的に向上させる、いくつかの画期的な機能を導入しています。
- エンドツーエンドのNMSフリー設計: YOLOv10で先駆的に導入されたコンセプトを基盤とするYOLO26は、ネイティブなエンドツーエンド設計を採用しており、NMS（Non-Maximum Suppression）後処理を完全に排除しています。これにより、デプロイのロジックが簡素化され、レイテンシの変動が大幅に低減されます。
- 最大43%高速なCPU推論: 深いアーキテクチャの最適化により、標準的な CPUs 上でこれまでにない推論速度を実現しており、IoTや組み込み環境に非常に適しています。
- DFLの削除: Distribution Focal Lossが削除されたことにより、エクスポートプロセスがよりクリーンになり、ONNX などのツールを使用する低電力エッジデバイスとの互換性が向上しました。
- MuSGDオプティマイザ: Moonshot AI's Kimi K2 のLLMトレーニングルーチンにインスパイアされた、SGDとMuonのこのハイブリッドは、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ビジョンに直接もたらし、より高速な収束と安定したトレーニング体制を保証します。
- ProgLoss + STAL: これらの高度な損失関数は、航空ドローン画像やロボット工学に関わるアプリケーションにおいて重要な要素である、小さな物体の認識精度を著しく向上させます。
DFLの削除とNMSフリーアーキテクチャのおかげで、YOLO26モデルを NVIDIA TensorRT や Intel OpenVINO のようなエッジフレンドリーなフォーマットにエクスポートする際、カスタムプラグインの開発は事実上不要です。
アーキテクチャの概要: EfficientDet#
著者: Mingxing Tan、Ruoming Pang、および Quoc V. Le
組織: Google Research
日付: 2019-11-20
Arxiv: EfficientDet Paper
GitHub: Google AutoML Repository
Googleによって導入されたEfficientDetは、TensorFlow エコシステムを大いに活用しており、複合スケーリングの概念を中心に設計されました。そのアーキテクチャは、リソースの制約に基づいて、バックボーンネットワーク、特徴量ネットワーク、およびボックス/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の主な革新は以下の通りです。
- BiFPN (双方向特徴ピラミッドネットワーク): 容易かつ高速なマルチスケール特徴融合を可能にするメカニズムであり、ネットワークが様々なサイズの物体をより正確に把握できるようにします。
- コンパウンドスケーリング: 解像度、深さ、幅を均一にスケールアップするためのヒューリスティック手法であり、d0（最小）からd7（最大）までのモデルファミリーを作成します。
EfficientDetは厳格なバウンディングボックス検出において依然として堅牢な選択肢ですが、現代のマルチタスクの汎用性（ネイティブの OBB tasks など）や、現代の開発者が期待する合理化された統合型の Python エコシステム全般が不足しています。
パフォーマンスと指標の比較#
速度と精度のパレートフロンティアを特定するため、COCO dataset を使用した標準環境で両方のアーキテクチャのベンチマークを実施しました。以下の表は、AWS EC2 P4d インスタンスで測定されたモデルサイズ、精度、およびレイテンシの違いを強調しています。
| 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) |
|---|---|---|---|---|---|---|
| YOLO26n | 640 | 40.9 | 38.9 | 1.7 | 2.4 | 5.4 |
| YOLO26s | 640 | 48.6 | 87.2 | 2.5 | 9.5 | 20.7 |
| YOLO26m | 640 | 53.1 | 220.0 | 4.7 | 20.4 | 68.2 |
| YOLO26l | 640 | 55.0 | 286.2 | 6.2 | 24.8 | 86.4 |
| YOLO26x | 640 | 57.5 | 525.8 | 11.8 | 55.7 | 193.9 |
| 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 |
上記のように、YOLO26は優れた性能バランスを確立しています。YOLO26xモデルは最高の精度（57.5 mAP）を達成し、最もヘビーなEfficientDet-d7を大幅に上回ります。さらに、YOLO26モデルはメモリ要件が大幅に低く、GPU推論速度がはるかに高速（TensorRTで1.7 msと低い）であり、NMSフリー設計の利点が際立っています。
学習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は、その開発環境にあります。EfficientDetはGoogle AutoMLおよびTensorFlowのエコシステムに深く組み込まれており、強力である一方で、DOTAv1 のようなカスタムデータセットに対しては急峻な学習曲線や厳格な構成を招く可能性があります。
対照的に、Ultralyticsは PyTorch 上に構築された信じられないほどよく維持されたエコシステムを提供します。トレーニング中のメモリ使用量は厳密に最適化されており、エンジニアはTransformerベースのネットワークでよく見られる過剰なVRAM割り当てを必要とせずに、堅牢なモデルをトレーニングできます。
Ultralytics Platform を通じて、開発者はエンドツーエンドのMLOpsワークフローにアクセスできます。これには、シームレスなデータアノテーション、自動ハイパーパラメータチューニング、ワンクリックでのクラウドトレーニングが含まれ、プロトタイピングから本番環境への移行を大幅に加速させます。
実装例#
Ultralytics APIによって提供される使いやすさにより、わずか数行のコードで最先端のYOLO26モデルを学習および検証できます。
from ultralytics import YOLO
# Initialize the End-to-End NMS-Free YOLO26 model
model = YOLO("yolo26n.pt")
# Train using the innovative MuSGD optimizer on a custom dataset
train_results = model.train(
data="coco8.yaml",
epochs=100,
imgsz=640,
device="0", # Train on GPU
)
# Export natively to TensorRT for ultra-low latency deployment
model.export(format="engine")理想的なユースケース#
YOLO26を使用すべき場合:
- エッジコンピューティングおよびモバイル: 最大43%のCPU推論の高速化とNMSオーバーヘッドの解消により、YOLO26はRaspberry Piやスマートフォンといった計算リソースが厳しく制限されたデバイスで優れた性能を発揮します。
- マルチタスク: 単一のパイプラインでバウンディングボックス、segmentation masks、およびトラッキングが必要とされる場合、YOLO26の汎用性は比類がありません。
- ドローンおよび航空画像: ProgLossとSTALの組み合わせにより、高高度からの極小物体の検出能力が大幅に向上します。
EfficientDetを使用すべき場合:
- レガシーなTensorFlowパイプライン: インフラがTensorFlow SavedModelのみをサポートするようにハードコードされている、または特定のTensorFlow Servingパイプラインが必要な場合、EfficientDetはネイティブな互換性を提供します。
- リソース制約のあるTPU: EfficientDetは、GoogleのカスタムTensor Processing Units (TPUs) 向けに徹底的に最適化されました。
他の代替案を探る#
このガイドでは YOLO26 vs EfficientDet のパラダイムに重点を置いていますが、より広範なUltralyticsエコシステムには他の素晴らしいアーキテクチャも備わっています。アプリケーションがTransformerに大きく依存している場合、RT-DETR はリアルタイムのTransformerベースの検出を提供します。あるいは、レガシーシステムをサポートしている場合、YOLO11 は引き続き完全サポートされ、非常に効果的です。より広い概要については、Ultralytics Model Comparisons Hub をご覧ください。
最終的に、現在構築されているあらゆる現代的なコンピュータビジョンパイプラインにおいて、YOLO26の圧倒的な速度、使いやすさ、および最先端の精度は、研究者や開発者の双方にとって議論の余地のない推奨モデルとなります。