YOLOv6-3.0とEfficientDet#

コンピュータービジョンプロジェクトに最適なアーキテクチャを選ぶには、速度、精度、デプロイの実現可能性のトレードオフを深く理解する必要があります。この比較ページでは、YOLOv6-3.0とEfficientDetという2つの異なる物体検出モデルを詳しく分析します。どちらのモデルもこの分野に大きく貢献してきましたが、現代のエッジデプロイやラピッドプロトタイピングでは、Ultralytics Platformのような統合性の高いフレームワークが役立つことがよくあります。

以下のインタラクティブなグラフでは、各モデルのレイテンシと精度の特性を把握できるよう、性能の違いを視覚化しています。

YOLOv6-3.0: 産業グレードのスループット#

YOLOv6-3.0は、産業用途に特化した高性能シングルステージ物体検出フレームワークとして、Meituanによって明確な目的を持って設計されました。GPUハードウェアでスループットを最大化することに重点を置いているため、高速な製造ラインやオフライン動画分析に適しています。

• 著者： Chuyi Li、Lulu Li、Yifei Geng、Hongliang Jiang、Meng Cheng、Bo Zhang、Zaidan Ke、Xiaoming Xu、Xiangxiang Chu
• 組織： Meituan
• 日付： 2023-01-13
• Arxiv: 2301.05586
• GitHub: meituan/YOLOv6

アーキテクチャの主な特徴#

YOLOv6-3.0のアーキテクチャは、異なるスケール間の特徴融合を改善する双方向連結モジュール（BiC）を採用しています。高い推論速度を実現するため、GPU実行向けに高度に最適化されたEfficientRepバックボーンを活用します。さらに、アンカーベースとアンカーフリー検出器の両方の利点をトレーニングフェーズで取り入れるアンカー支援トレーニング戦略（AAT）を採用し、推論パイプラインではアンカーフリーを維持してレイテンシを低減します。

強みと弱み#

YOLOv6-3.0は、専用GPUハードウェアが利用できる環境で優れた性能を発揮し、TensorRTを使用して非常に高速なリアルタイム推論を実現します。しかし、特定のハードウェア最適化への依存度が高いため、CPUのみのエッジAIデバイスでは性能が最適でない場合があります。また、一部の量子化をサポートしているものの、エコシステム全体としての使いやすさは、最新のUltralyticsフレームワークに及びません。

YOLOv6の詳細はこちら

EfficientDet：スケーラブルなAutoMLアーキテクチャ#

Google Researchが開発したEfficientDetは、根本的に異なるアプローチを採用しています。ネットワークを手作業で設計する代わりに、開発者は自動機械学習（AutoML）を利用し、パラメーター数、FLOPs、精度のバランスが取れたスケーラブルなアーキテクチャを設計しました。

• 著者: Mingxing Tan、Ruoming Pang、Quoc V. Le
• 組織： Google Brain
• 日付: 2019-11-20
• Arxiv： 1911.09070
• GitHub： google/automl

アーキテクチャの主な特徴#

EfficientDetは、マルチスケールの特徴融合を簡単かつ高速に行える双方向特徴ピラミッドネットワーク（BiFPN）を導入しました。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すべてで解像度、深さ、幅を一様にスケーリングする複合スケーリング手法と組み合わせることで、EfficientDetモデルは非常にコンパクトなd0から大規模なd7まで展開されます。

強みと弱み#

EfficientDetはパラメーター効率に優れています。旧世代の物体検出器と比べて少ないパラメーター数で、高い平均適合率（mAP）を達成します。しかし、このアーキテクチャは旧式のTensorFlowエコシステムに深く根ざしています。そのため、最適化されたPyTorch実装と比べて、依存関係の管理が複雑で、トレーニングサイクルが長く、トレーニング中のメモリ要件も高くなります。さらに、最新GPUでの推論速度は最新のYOLOアーキテクチャより大幅に遅くなります。

EfficientDetの詳細はこちら

詳細なパフォーマンス比較#

以下の表では、さまざまな指標にわたってYOLOv6-3.0とEfficientDetの技術仕様を比較します。YOLOv6-3.0はGPU速度で優位に立つ一方、EfficientDetは大幅なレイテンシ増加と引き換えに、より高いmAPまでスケールする点に注目してください。

Ultralyticsエコシステムの利点#

YOLOv6-3.0とEfficientDetはそれぞれ特定の用途に適していますが、現代のコンピュータービジョンプロジェクトには、汎用性、使いやすさ、適切に保守されたエコシステムが必要です。Ultralytics YOLOモデルは、まさにこうした点で優れています。

使いやすさとトレーニング効率#

複雑なTensorFlow設定の管理が必要なEfficientDetとは異なり、Ultralyticsモデルは直感的なPyTorchを基盤に構築されています。Ultralytics Platformは、機械学習のライフサイクル全体を簡素化する効率的なAPIを提供します。Ultralyticsモデルのトレーニングに必要なCUDAメモリは大幅に少なく、実験を加速し、計算コストを削減できます。

比類ない多用途性#

YOLOv6-3.0とEfficientDetは主に物体検出に特化しています。一方、最新のUltralyticsアーキテクチャは本質的にマルチタスクです。単一のインターフェースから、インスタンスセグメンテーション、画像分類、姿勢推定、回転バウンディングボックス（OBB）のタスク向けモデルをトレーニングできます。

Ultralytics YOLO26の紹介#

最高の性能バランスを求める開発者にとって、Ultralytics YOLO26はパラダイムシフトをもたらします。2026年1月にリリースされたYOLO26には、YOLOv6とEfficientDetを上回る画期的な技術革新が複数導入されています。

• エンドツーエンドのNMSフリーデザイン： YOLO26のオプションのone-to-oneヘッド（nms=False）は、後処理の非極大値抑制（NMS）を不要にし、レイテンシのばらつきを大幅に抑え、エッジデバイスへのデプロイロジックを簡素化します。
• MuSGDオプティマイザー： LLMトレーニングに着想を得たこのハイブリッドオプティマイザーは、安定したトレーニングと非常に速い収束を実現します。
• CPU推論が最大43%高速化： Distribution Focal Loss（DFL）の削除により、YOLO26は旧式モデルと比べてCPUや低消費電力のIoTデバイスで大幅に効率化されています。
• ProgLoss + STAL： これらの高度な損失関数により小物体の認識性能が大きく向上し、YOLO26はドローンや航空画像の用途に最適です。

ユースケースと推奨事項#

YOLOv6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決まります。

YOLOv6を選ぶ場合#

YOLOv6が適している用途：

• 産業用ハードウェアを考慮したデプロイ: モデルのハードウェアを考慮した設計と効率的な再パラメーター化によって、特定のターゲットハードウェア上で最適な性能が得られるシナリオです。
• 高速な1ステージ検出: 制御された環境でのリアルタイム動画処理において、GPU上での生の推論速度を重視するアプリケーションです。
• Meituanエコシステムとの統合: すでにMeituanの技術スタックとデプロイインフラストラクチャを利用しているチームです。

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がネイティブに最適化されている、Google Cloud Vision APIやTPUインフラと緊密に統合されたシステム。
• 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: 専用のGPUアクセラレーションを備えていないデバイスで、YOLO26の最大43%高速なCPU推論が大きな優位性を発揮します。
• 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。

実装例：YOLO26のトレーニング#

次のコードは、Ultralyticsエコシステムの使いやすさを示しています。最先端モデルのトレーニングは、重みを読み込み、データを指定するだけで簡単に行えます。

from ultralytics import YOLO

# Load the highly optimized YOLO26 nano model
model = YOLO("yolo26n.pt")

# Train the model on a dataset with automatic hyperparameter handling
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Validate the model to check mAP metrics
metrics = model.val()
print(f"Validation mAP50-95: {metrics.box.map}")

# Run inference on a test image seamlessly
prediction = model("https://ultralytics.com/images/bus.jpg")

検討すべきその他のモデル#

コンピュータービジョンモデル全体を幅広く調査する場合は、次の代替モデルもご検討ください。

• YOLO11： YOLO26の高い評価を得ている前世代モデルで、堅牢なマルチタスク機能と充実したコミュニティサポートを提供します。
• YOLOv10： NMSフリートレーニングを初めて導入したYOLOアーキテクチャであり、最新のエンドツーエンド検出への道を切り開きました。
• RT-DETR： 従来のCNNよりもTransformerベースのアーキテクチャやアテンション機構が適しているシナリオ向けです。

結論#

YOLOv6-3.0は産業用途における優れたGPUスループットを実現し、EfficientDetはスケーラブルでパラメーター効率の高いネットワーク設計におけるAutoMLの可能性を示していますが、どちらのモデルもデプロイの容易さや最新のマルチタスクへの汎用性には制約があります。

モバイルエッジへのデプロイからクラウドベースの分析まで、幅広い実環境のアプリケーションで、Ultralyticsエコシステムは比類のない性能バランスを提供します。YOLO26を採用することで、開発者は最先端のNMSフリー推論、小物体向けの高度な損失関数、統合された充実したドキュメント付きトレーニングパイプラインを利用でき、プロトタイプから本番環境までの道のりを大幅に短縮できます。