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、高性能な単段物体検出フレームワークとして、産業用途向けにMeituanが明確な目的を持って設計しました。GPUハードウェア上でスループットを最大化することを重視しており、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ハードウェアを利用できる環境で性能を発揮し、TensorRTを使用した高速なリアルタイム推論を実現します。ただし、特定のハードウェア最適化への依存度が高く、CPUのみで動作するエッジAIデバイスでは最適な性能を発揮できない場合があります。また、一部の量子化には対応していますが、ツール群の統合度はUltralyticsエコシステムより低くなっています。
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は双方向特徴ピラミッドネットワーク (BiFPN) を導入し、マルチスケールの特徴を簡単かつ高速に融合できるようにしました。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すべての解像度、深さ、幅を均一に拡大する複合スケーリング手法と組み合わせることで、EfficientDetモデルはコンパクトなd0から最大のd7まで展開されています。
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、比較的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。ただし、リファレンス実装はTensorFlowを基盤としているため、依存関係の管理が複雑になり、最適化されたPyTorch実装よりトレーニングサイクルが長く、トレーニング時のメモリ要件も高くなります。また、最新のGPUでの推論速度も、近年のYOLOアーキテクチャよりかなり遅くなっています。
詳細なパフォーマンス比較#
以下の表では、さまざまな指標を用いてYOLOv6-3.0とEfficientDetの技術仕様を比較します。GPU速度ではYOLOv6-3.0が優位である一方、EfficientDetは大幅なレイテンシーを代償に、より高いmAPまでスケールする点に注目してください。
| モデル | サイズ (ピクセル) | mAPval 50-95 | 速度 CPU ONNX (ms) | 速度 T4 TensorRT10 (ms) | パラメーター (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv6-3.0n | 640 | 37.5 | - | 1.17 | 4.7 | 11.4 |
| YOLOv6-3.0s | 640 | 45.0 | - | 2.66 | 18.5 | 45.3 |
| YOLOv6-3.0m | 640 | 50.0 | - | 5.28 | 34.9 | 85.8 |
| YOLOv6-3.0l | 640 | 52.8 | - | 8.95 | 59.6 | 150.7 |
| 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 |
モデルを比較する際は、FLOPsやパラメーター数が実環境のレイテンシと必ずしも完全に相関するわけではないことに注意してください。YOLOv6-3.0はTensorRT向けに最適化されているため、下位クラスのEfficientDetモデルよりFLOPsが多くても、ミリ秒単位の速度を達成します。
Ultralyticsエコシステムの利点#
YOLOv6-3.0とEfficientDetは特定のニーズに対応しますが、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。これらはUltralytics YOLOモデルの強みです。
使いやすさとトレーニング効率#
複雑なTensorFlow設定が必要なEfficientDetとは異なり、Ultralyticsモデルは直感的なPyTorch基盤と単一のPython APIを採用しています。また、Ultralytics Platformがアノテーションからデプロイまで、機械学習ライフサイクルの残りの工程をカバーします。Ultralyticsモデルのトレーニングでは通常、CUDAメモリの使用量が少なく、実験を高速化し、計算コストを削減できます。
汎用性#
YOLOv6-3.0とEfficientDetは主に物体検出に特化しています。これに対して、最新のUltralyticsアーキテクチャは本質的にマルチタスクに対応しています。単一のインターフェースで、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、方向付きバウンディングボックス (OBB)のモデルをトレーニングでき、YOLO26ではセマンティックセグメンテーションと深度推定も利用できます。
Ultralytics YOLO26の紹介#
速度と精度の最適なバランスを求める開発者には、Ultralytics YOLO26を推奨します。2026年1月にリリースされたYOLO26は、YOLOv6とEfficientDetの両方に対して、いくつかの改善を導入しています。
- エンドツーエンドのNMSフリー設計: YOLO26のオプションの1対1ヘッド（
nms=False）は、後処理の非最大値抑制 (NMS) を不要にし、レイテンシーのばらつきを抑えるとともに、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: 大規模言語モデル (LLM) のトレーニングに着想を得た、SGDとMuonのハイブリッド手法により、安定したトレーニングと高速な収束を実現します。
- CPU推論が最大43%高速: Distribution Focal Loss (DFL) を削除したことで、YOLO26nはYOLO11nよりCPU上で最大43%高速に動作し、低消費電力のIoTデバイスに適しています。
- ProgLoss + STAL: プログレッシブロスと小さなターゲットを考慮したラベル割り当てにより、小さな物体の認識が向上し、YOLO26はドローンや航空画像のアプリケーションに適しています。
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による高速化機能のないデバイスでは、YOLO26nはCPU上でYOLO11nより最大43%高速に動作します。
- 小物体検出： ドローンによる空撮画像やIoTセンサー分析などの難しいシナリオでは、ProgLossとSTALが小さな物体の精度を向上させます。
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
prediction = model("https://ultralytics.com/images/bus.jpg")検討すべきその他のモデル#
ほかの物体検出モデルを検討する場合は、次の選択肢もご覧ください。
- YOLO11: YOLO26の前世代モデルで、マルチタスクに対応し、大規模なコミュニティを擁しています。
- 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、実世界のほとんどのアプリケーションにおいて、Ultralyticsエコシステムは優れたパフォーマンスバランスを提供します。YOLO26を採用することで、開発者はオプションのNMSフリー推論、小さな物体向けに改善された損失関数、プロトタイプから本番環境までの期間を短縮する、統合された充実したドキュメント付きのトレーニングパイプラインを利用できます。