YOLOv10とEfficientDet
オブジェクト検出に最適なニューラルネットワークを選択することは、最新のコンピュータービジョンシステムにおける重要な判断です。この分野に影響を与えてきた2つのアーキテクチャが、YOLOv10とEfficientDetです。どちらも計算オーバーヘッドを最小限に抑えながら精度を最大化することを目指していますが、アーキテクチャへのアプローチは大きく異なります。
このガイドでは、設計、トレーニング手法、デプロイ特性を取り上げ、開発者やMLエンジニアがデータに基づいた判断を下せるよう支援します。また、組み込みのエッジAIデバイスから高性能なクラウドGPUまで、さまざまなハードウェアでのビジョンAIアプリケーションの性能も検証します。
YOLOv10:NMSフリーのリアルタイム検出#
リアルタイムのレイテンシを低減するために開発されたYOLOv10は、YOLOファミリーで長年にわたり最大のボトルネックの一つだった非最大抑制(NMS)に対処しました。この後処理ステップを排除することで、モデルは予測可能なレイテンシを実現します。これは自動運転車や高速ロボティクスにとって重要です。
アーキテクチャの革新#
YOLOv10は、NMSフリーのトレーニングに向けて一貫性のあるデュアル割り当てを導入しています。トレーニング時にはone-to-manyとone-to-oneの両方のラベル割り当てを使用し、ネットワークが豊かな表現を学習しながら、推論時にはオブジェクトごとに単一のバウンディングボックスを出力できます。また、効率と精度を総合的に考慮した設計を取り入れ、分類ヘッドを合理化するとともに、以前の世代に見られた計算の冗長性を削減しています。
モデルの詳細#
- 著者: Ao Wang、Hui Chen、Lihao Liuほか
- 組織: 清華大学
- 日付: 2024-05-23
- 論文: YOLOv10: リアルタイムのエンドツーエンド物体検出
- GitHub: THU-MIG/yolov10
- ドキュメント: YOLOv10 ドキュメント
YOLOv10はNMSの処理を省くため、バウンディングボックスのフィルタリングにカスタムランタイムプラグインを使用する必要がなく、ONNX形式やNVIDIA TensorRTなどの形式へ簡単にエクスポートできます。
強み:
- 予測可能な推論: NMSを取り除くことで、シーン内の物体数にかかわらず、一貫した推論時間を実現できます。
- メモリ使用量の削減: RT-DETRのようなTransformerベースのモデルと比べ、YOLOv10はトレーニング時と推論時の両方で必要なメモリが少なくなります。
- 優れた速度と精度のバランス: 性能指標を損なうことなく、低レイテンシが求められるシナリオ向けに最適化されています。
弱み:
- 単一タスクに特化: より幅広いUltralyticsエコシステムとは異なり、オリジナルのYOLOv10リポジトリは検出に特化しており、インスタンスセグメンテーションや姿勢推定をネイティブにサポートしていません。
EfficientDet:スケーラブルでバランスの取れたモデル#
Google Brainが発表したEfficientDetは、体系的なネットワークスケーリングの観点からオブジェクト検出に取り組んでいます。EfficientNetの画像分類バックボーンを基盤とし、新しい特徴融合メカニズムを導入しています。
アーキテクチャの革新#
EfficientDetの中核をなすのは双方向特徴ピラミッドネットワーク(BiFPN)であり、マルチスケール特徴の融合を簡単かつ高速に行えます。上から下への特徴の加算のみを行う従来のFPNとは異なり、BiFPNは双方向のクロススケール接続と学習可能な重みを導入し、さまざまな入力特徴の重要度を学習します。さらにEfficientDetは、バックボーン、特徴ネットワーク、ボックス・クラス予測ネットワークの解像度、深さ、幅を一様に拡大する複合スケーリング手法を使用します。
モデルの詳細#
- 著者: Mingxing Tan、Ruoming Pang、Quoc V. Le
- 組織: Google Brain
- 日付: 2019-11-20
- 論文: EfficientDet:スケーラブルで効率的な物体検出
- GitHub: Google AutoML EfficientDet
強み:
- 高い効率性: パラメーター数に対する精度の比率に優れており、小型の
-d0から-d2までのバリアントは非常に軽量です。 - 合理的なスケーリング: 複合スケーリングにより、ユーザーは計算予算にぴったり合うモデルサイズを簡単に選べます。
弱み:
- レガシーフレームワークとの統合: オリジナルの実装は古いTensorFlowのバージョンに依存しているため、最新のデプロイパイプラインが複雑になる可能性があります。
- トレーニングの遅さ: EfficientDetをゼロからトレーニングするには時間がかかり、YOLOアーキテクチャの速い収束と比べて、ハイパーパラメーターを慎重にチューニングする必要があります。
- 推論速度: パラメーター効率には優れていますが、BiFPNの複雑な処理により、一般的なハードウェアでは高度に最適化されたYOLOモデルよりも実環境での推論速度が遅くなることがよくあります。
性能とベンチマーク#
これらのモデルの実力は、COCOデータセットのような標準ベンチマークでの実測性能に表れます。以下の表では、パラメーター数、浮動小数点演算数(FLOPs)、NVIDIA T4 GPUでの推論レイテンシにおける重要な違いを示します。
| 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) |
|---|---|---|---|---|---|---|
| YOLOv10n | 640 | 38.5 | - | 1.84 | 2.3 | 6.7 |
| YOLOv10s | 640 | 46.3 | - | 2.49 | 7.2 | 21.6 |
| YOLOv10m | 640 | 51.1 | - | 4.74 | 15.4 | 59.1 |
| YOLOv10b | 640 | 52.5 | - | 5.74 | 19.1 | 92.0 |
| YOLOv10l | 640 | 53.2 | - | 7.28 | 24.4 | 120.3 |
| YOLOv10x | 640 | 54.4 | - | 10.70 | 29.5 | 160.4 |
| 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 |
YOLOv10はGPU推論速度で大きな優位性を持ちます。たとえば、YOLOv10sはTensorRTのレイテンシが2.49 msで46.3 mAPを達成する一方、EfficientDet-d3は同程度の47.5 mAPに達するものの、19.59 msかかります。上位モデルでは、YOLOv10m(51.1 mAP、4.74 ms)はEfficientDet-d5(51.5 mAP、67.86 ms)にほぼ匹敵します。そのため、YOLOv10はリアルタイム動画ストリーミングや高速な製造ラインに適しています。EfficientDet-d0は、表中で最も低いFLOPs(2.54B)を記録しています。
ユースケースと推奨事項#
YOLOv10とEfficientDetのどちらを選ぶかは、プロジェクト固有の要件、デプロイ上の制約、エコシステムの好みによって異なります。
YOLOv10を選ぶ場合#
YOLOv10は、次の用途に適しています:
- NMSを使用しないリアルタイム検出: 非最大抑制を使用しないエンドツーエンド検出によって、デプロイを簡素化できるアプリケーション。
- 速度と精度のバランス: さまざまなモデルスケールで、推論速度と検出精度の優れたバランスが必要なプロジェクト。
- レイテンシーが安定している必要のあるアプリケーション: ロボティクスや自律システムなど、予測可能な推論時間が重要なデプロイシナリオ。
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のないデバイスでは、YOLO26nのCPU推論がYOLO11nより最大43%高速であることが大きな強みになります。
- 小物体検出: ドローンによる航空画像やIoTセンサー分析など、ProgLossとSTALによって小物体の精度が向上する難易度の高いシナリオに適しています。
現代の標準:Ultralytics YOLO26の登場#
YOLOv10はNMSフリーのYOLO検出を導入し、EfficientDetは原則に基づくスケーリングの価値を示しましたが、コンピュータービジョンは進化を続けています。現在新しいプロジェクトを始める開発者には、Ultralytics YOLO26を推奨します。2026年1月にリリースされたこのモデルは、これらのアイデアを本番環境に対応したパッケージにまとめ、Ultralytics Platformでサポートしています。
YOLO26が競合モデルを上回る理由#
- エンドツーエンドのNMSフリーデザイン: YOLO26は、YOLOv10のエンドツーエンドNMSフリーデザインをオプションのone-to-oneヘッド(
nms=False)として提供し、デプロイを効率化して推論を高速化します。 - CPU推論が最大43%高速化: 専用アクセラレーターを搭載しないエッジデバイスでは、YOLO26nは標準的なCPU上でYOLO11nより最大43%高速に動作します。
- 高度なMuSGDオプティマイザー: 大規模言語モデル(LLM)のトレーニング手法に着想を得て、YOLO26はSGDとMuonのハイブリッドを使用し、安定したトレーニングと速い収束を実現します。これにより、EfficientDetと比べてトレーニング効率が向上します。
- ProgLoss + STAL: Progressive LossとSmall-Target-Aware Label Assignment(STAL)は小物体認識を改善し、従来の検出器が苦手とする領域に対応します。
- DFLの削除: Distribution Focal Lossを削除すると、OpenVINOやCoreMLを含む多くのハードウェア形式へのエクスポートが簡素化されます。
YOLO26は、より高い汎用性も備えています。EfficientDetとYOLOv10は検出モデルですが、YOLO26は同じUltralytics Pythonパッケージを使用して、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、回転バウンディングボックスにも対応します。
Ultralyticsで簡単に利用#
Ultralyticsが提供する十分に保守されたエコシステムにより、開発者はスムーズに作業できます。モデルのトレーニング、検証、TensorRTへのエクスポートは、数行のコードで行えます。
from ultralytics import YOLO
# 事前学習済みYOLOv10モデルを読み込む(またはYOLO26にネイティブにアップグレードする)
model = YOLO("yolov10n.pt")
# カスタムデータセットでモデルを効率的にトレーニングします
model.train(data="coco8.yaml", epochs=50, imgsz=640)
# 推論を実行し、結果をすぐに可視化する
results = model("https://ultralytics.com/images/bus.jpg")
results[0].show()
# 迅速なデプロイに向けてエクスポートする
model.export(format="engine", quantize=16)結論#
YOLOv10とEfficientDetを比較する場合、選択はフレームワークの好みや速度の制約によって異なります。EfficientDetはTensorFlowエコシステム内で体系的なモデルスケーリングを提供します。一方、YOLOv10はNMSフリーアーキテクチャにより、リアルタイム性能の向上、メモリ使用量の削減、より簡単なデプロイを実現します。
性能、使いやすさ、マルチタスクの汎用性を最適なバランスで実現するには、Ultralytics Platform上のYOLO26を推奨します。YOLOv10のNMSフリー方式に、MuSGDオプティマイザーなどの新しいトレーニング手法を加え、世界中の大規模なコミュニティに支えられたオープンソースフレームワークとして提供します。
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。