YOLOv7 対 EfficientDet#
最適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ビジョンプロジェクトの成功の基礎となります。本ガイドでは、物体検出アーキテクチャの歴史において重要な2つのモデル、YOLOv7とEfficientDetの詳細な技術的比較を提供します。そのアーキテクチャの革新性、トレーニング方法論、および理想的なデプロイシナリオを検証することで、開発者は十分な情報に基づいた意思決定を行うことができます。また、現代の進歩、特に画期的なUltralytics YOLO26が現在の最先端（SOTA）をどのように再定義したかについても探ります。
モデルの起源と技術的詳細#
どちらのモデルも著名な研究チームによって開発され、機械学習の分野に大きな進歩をもたらしました。
YOLOv7
著者: Chien-Yao Wang、Alexey Bochkovskiy、Hong-Yuan Mark Liao
組織: Institute of Information Science, Academia Sinica, Taiwan
日付: 2022-07-06
Arxiv: YOLOv7: Trainable bag-of-freebies sets new state-of-the-art for real-time object detectors
GitHub: WongKinYiu/yolov7
ドキュメント: Ultralytics YOLOv7 Documentation
EfficientDet
著者: Mingxing Tan、Ruoming Pang、Quoc V. Le
組織: Google Research
日付: 2019-11-20
Arxiv: EfficientDet: Scalable and Efficient Object Detection
GitHub: Google AutoML EfficientDet
アーキテクチャの相違点とバランスのとれた分析#
これら2つのネットワーク間の根本的な構造の違いを理解することは、効果的なモデルデプロイのために極めて重要です。
EfficientDet：コンパウンドスケーリングとBiFPN#
TensorFlowエコシステム内で開発されたEfficientDetは、モデルスケーリングに対する体系的なアプローチを導入しました。ネットワークを恣意的に幅広げたり深くしたりする代わりに、Googleの研究者たちは解像度、深さ、幅を均一にスケーリングする複合スケーリング手法を採用しました。
さらに、EfficientDet は Bi-directional Feature Pyramid Network (BiFPN) を導入しました。このアーキテクチャコンポーネントにより、マルチスケールの特徴融合を容易かつ高速に行うことが可能です。
長所: パラメータ効率が非常に高く、多くの同世代モデルよりも少ないFLOPsで強力な平均適合率 (mAP)を達成します。 短所: レガシーなAutoML探索戦略に大きく依存しています。モダンで動的なPyTorchワークフローへの統合が煩雑になる場合があり、低いFLOP数にもかかわらずエッジデバイス上のレイテンシが予想よりも高くなることがよくあります。
YOLOv7: Trainable Bag-of-Freebies#
YOLOv7はリアルタイム推論とトレーニングの最適化を優先しました。モデルが元の勾配パスを破壊することなく、より多様な特徴を継続的に学習できるようにする拡張効率的レイヤー集約ネットワーク（E-ELAN）の概念を導入しました。また、YOLOv7は推論コストを増加させることなく検出精度を大幅に向上させる「trainable bag-of-freebies」と呼ばれる技術を採用しました。
長所: 卓越した処理速度と有利な推論レイテンシを備えており、高FPSのビデオストリームに最適です。 短所: 高い性能を持つ一方で、依然としてアンカーボックスに依存しており、後処理中にNon-Maximum Suppression (NMS)を必要とするため、非常に混雑したシーンでレイテンシのボトルネックが生じる可能性があります。
モデルを評価する際、周囲のエンドツーエンドのエコシステムはアーキテクチャと同様に重要です。統合されたUltralytics Platformは、統一されたAPI、豊富なドキュメント、および活発なコミュニティサポートを提供します。この統合された環境により、大規模なTransformerモデルと比較してトレーニング中のメモリ使用量を抑えることが保証され、迅速なプロトタイピングとシームレスな実験追跡が可能になります。
パフォーマンス指標とベンチマーク#
以下の表は、主要なパフォーマンス指標を対比させており、開発者が速度、パラメータ数、精度の間のトレードオフを評価できるようになっています。
| 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) |
|---|---|---|---|---|---|---|
| YOLOv7l | 640 | 51.4 | - | 6.84 | 36.9 | 104.7 |
| YOLOv7x | 640 | 53.1 | - | 11.57 | 71.3 | 189.9 |
| 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 |
示されているように、EfficientDet-d7は高いmAPを達成する一方で、そのTensorRTの速度はYOLOv7のバリアントに大きく遅れをとっており、GPUアクセラレーションによるリアルタイム物体検出における後者の優位性が浮き彫りになっています。
物体検出の進化: YOLO26#
YOLOv7とEfficientDetが重要な基礎を築いた一方で、ビジョンAIの環境は急速に進化しています。効率性と精度の絶対的な頂点を求める現代のアプリケーションのために、2026年1月にリリースされたYOLO26へのアップグレードを強くお勧めします。
YOLO26は前世代の本質的な限界に対処し、object detection、instance segmentation、image classification、pose estimationにわたって前例のないversatilityを提供します。
YOLO26の主な革新点#
- エンドツーエンドのNMSフリー設計: YOLO26はNon-Maximum Suppression (NMS)の後処理をネイティブに排除します。YOLOv10で最初に開拓されたこの機能により、デプロイロジックが簡素化され、オブジェクトの密度に関係なく一貫した低遅延の実行が保証されます。
- DFLの削除: Distribution Focal Loss (DFL)を削除することにより、モデルアーキテクチャが大幅に簡素化され、リソースが非常に制限されたエッジコンピューティング環境との互換性が向上します。
- CPU 推論が最大 43% 高速化: 専用 GPU を持たない環境向けに大幅に最適化されており、軽量なハードウェア上で EfficientDet よりも飛躍的に高速に動作します。
- MuSGDオプティマイザ: 大規模言語モデルの手法（Moonshot AIのKimi K2など）にインスパイアされた、SGDとMuonのこのハイブリッドは、LLMレベルの安定性と急速な収束をコンピュータビジョントレーニングもたらします。
- ProgLoss + STAL: これらの高度な損失関数は、小さなオブジェクトの認識において著しい改善をもたらします。これは空撮画像やドローンアプリケーションにとって重要な機能です。
- タスク固有の改善: セマンティックセグメンテーション損失とセグメンテーションタスク用のマルチスケールプロト、複雑な姿勢推定用のResidual Log-Likelihood Estimation (RLE)、および指向性バウンディングボックス (OBB)の境界の問題を修正するために調整された特殊な角度損失が含まれています。
レガシーシステムを現在使用しているチームにとって、Ultralytics Platformへの移行により、これらの最先端モデルを簡単にトレーニングおよびデプロイできる効率的なワークフローが解放されます。開発者は、特定の下位互換性の要件に応じて、YOLO11やYOLOv8などの以前の堅牢なイテレーションを探索することもできます。
効率的なトレーニングと使いやすさ#
Ultralytics モデルを特徴づける要因の一つは、その圧倒的な 使いやすさ です。EfficientDet の TensorFlow AutoML 環境で求められるような複雑で多依存なセットアップとは異なり、Ultralytics はシンプルで Pythonic な API を提供します。
この環境により、トレーニング中のCUDAメモリ使用量が最小限に抑えられ、かさばるTransformerベースのアーキテクチャでよく見られるOut-Of-Memory (OOM)エラーなしに、大規模なデータセットでも効率的に処理できるようになります。
コード例: Ultralyticsを始める#
次のスニペットは、開発者がUltralyticsパッケージを活用して、最先端のYOLO26モデルを箱から出してシームレスにトレーニングする方法を示しています。
from ultralytics import YOLO
# Initialize the state-of-the-art YOLO26 model for object detection
model = YOLO("yolo26n.pt")
# Train the model effortlessly using the integrated Ultralytics ecosystem
results = model.train(
data="coco8.yaml",
epochs=100,
imgsz=640,
device=0, # Auto-selects optimal device
batch=16,
)
# Validate the model's performance
metrics = model.val()
print(f"Validation mAP50-95: {metrics.box.map}")
# Export the model for edge deployment (e.g., OpenVINO for CPU optimization)
model.export(format="openvino")理想的なユースケースと実世界のアプリケーション#
ソリューションを設計する際には、モデルの長所を特定のユースケースと一致させることが不可欠です。
EfficientDet を使用すべきタイミング#
EfficientDetは、レガシーな学術研究や、複合スケーリング実験が主要な焦点となるGoogle Cloudエコシステムに厳密に縛られた環境の候補として残り続けています。その小さなバリアント（d0-d2）は、絶対的なディスクサイズが厳しく制限されている場合に有益です。
YOLOv7 の活用#
YOLOv7 は、特に TensorFlow よりも PyTorch の統合が好まれるような、高性能なレガシー設定で優れています。これは広くデプロイされており、以下のような用途に適しています。
- ビデオ分析: GPU アクセラレーションが豊富な環境における、高フレームレートのセキュリティストリーム処理。
- 産業用検査: 高速で移動する製造組立ラインの欠陥の特定。
YOLO26を選ぶべき時#
すべての新しいデプロイにおいて、YOLO26が文句なしの推奨事項です。その比類のないパフォーマンスバランスと堅牢なよくメンテナンスされたエコシステムにより、以下の用途に最適な選択肢となっています。
- スマートシティと交通管理: そのNMSフリーの設計により一貫した推論レイテンシが保証され、リアルタイムの交通整理に不可欠です。
- ロボティクスおよび自律システム: CPU 推論速度が 43% 向上したことで、埋め込みデバイス向けの非常に応答性の高いナビゲーションアルゴリズムが確保されます。
- 農業および航空モニタリング: ProgLoss と STAL を利用して、高高度の画像から特定の作物や野生生物といった小さな物体を正確に特定します。
要約すると、EfficientDetとYOLOv7は貴重な歴史的背景と特定のニッチなユーティリティを提供しますが、現代のコンピュータビジョンエンジニアにとっては、人工知能の可能性の限界を押し広げながら以前のボトルネックを優雅に解決するUltralytics YOLO26アーキテクチャを採用するのが最適です。