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、成功するあらゆるコンピュータービジョンプロジェクトの基盤です。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を詳細かつ技術的に比較します。アーキテクチャ上の革新、トレーニング手法、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て判断できます。また、特に画期的なUltralytics YOLO26をはじめとする最新の進歩が、現在の最先端技術をどのように再定義したかについても説明します。
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: 台湾中央研究院情報科学研究所
- 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：スケーラブルで効率的な物体検出
- GitHub: Google AutoML EfficientDet
アーキテクチャの違いとバランスの取れた分析#
これらのネットワーク間にある基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に不可欠です。
EfficientDet：複合スケーリングと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体系的なアプローチを導入しました。ネットワークの幅や深さを任意に拡張するのではなく、Googleの研究者は解像度、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量を容易かつ高速に融合できます。
長所: パラメーター効率が非常に高く、多くの同時代のモデルより少ないFLOPsで優れた平均適合率 (mAP)を達成します。 短所: 旧来のAutoML探索戦略に大きく依存しています。最新の動的なPyTorchワークフローへの統合は煩雑になる場合があり、FLOP数が少ないにもかかわらず、エッジデバイスでのレイテンシは期待より高くなることがよくあります。
YOLOv7: トレーニング可能な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。拡張効率的レイヤー集約ネットワーク (E-ELAN)という概念を導入し、元の勾配経路を破壊することなく、モデルがより多様な特徴を継続的に学習できるようにしました。YOLOv7は「trainable bag-of-freebies」と呼ばれる手法も採用しており、推論コストを増加させずに検出精度を大幅に向上させます。
長所: 処理速度が非常に速く、推論レイテンシにも優れているため、高FPSのビデオストリームに最適です。 短所: 高い性能を備えている一方で、依然としてアンカーボックスに依存し、後処理で非最大抑制 (NMS)を必要とします。そのため、非常に混雑したシーンでは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は、アーキテクチャと同様に周辺のエコシステムも重要です。統合されたUltralytics Platformは、統一されたAPI、充実したドキュメント、活発なコミュニティサポートを提供します。この統合環境により、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ながら、高速なプロトタイピングとシームレスな実験追跡を実現します。
性能指標とベンチマーク#
以下の表では、主要なパフォーマンス指標を比較し、開発者が速度、パラメーター数、精度のトレードオフを評価できるようにしています。
| モデル | サイズ （ピクセル） | mAPval 50-95 | 速度 CPU ONNX （ms） | 速度 T4 TensorRT10 （ms） | パラメーター数 （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、TensorRTでの速度はYOLOv7の各バリアントに大きく遅れを取っています。これは、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を示しています。
物体検出の進化: YOLO26#
YOLOv7とEfficientDetは重要な基盤を築きましたが、ビジョンAIの状況は急速に進化しています。効率と精度の頂点を必要とする最新のアプリケーションには、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推奨します。
YOLO26は、従来世代に固有の制約に対処し、物体検出、インスタンスセグメンテーション、画像分類、ポーズ推定にわたって、前例のない汎用性を提供します。
YOLO26 の主なイノベーション#
- エンドツーエンドのNMSフリーデザイン: YOLO26は非最大抑制 (NMS)の後処理をネイティブに排除します。これは当初YOLOv10で先駆的に導入されたもので、デプロイロジックを簡素化し、物体密度にかかわらず、一貫した低レイテンシの実行を保証します。
- DFLの削除: Distribution Focal Loss (DFL)を削除することで、モデルアーキテクチャを大幅に簡素化し、制約の厳しいエッジコンピューティング環境との互換性を高めています。
- CPU推論が最大43%高速: 専用GPUのない環境向けに徹底的に最適化されており、軽量ハードウェア上でEfficientDetより大幅に高速です。
- MuSGDオプティマイザー: 大規模言語モデルの手法（Moonshot AIのKimi K2など）に着想を得た、SGDとMuonのハイブリッドです。コンピュータービジョンのトレーニングにLLMレベルの安定性と高速な収束をもたらします。
- ProgLoss + STAL: これらの高度な損失関数は、小さな物体の認識を大幅に改善します。これは航空画像やドローンアプリケーションに不可欠な機能です。
- タスク固有の改善: セグメンテーションタスク向けのSemantic segmentation lossとマルチスケールproto、複雑なポーズ推定向けのResidual Log-Likelihood Estimation (RLE)、Oriented Bounding Box (OBB)の境界問題を解決する専用の角度損失を含みます。
現在レガシーシステムを使用しているチームは、Ultralytics Platformに移行することで、これらの最先端モデルを容易にトレーニングおよびデプロイできる、合理化されたワークフローを利用できます。開発者は、特定の後方互換性要件に応じて、YOLO11やYOLOv8など、従来の堅牢なバージョンも検討できます。
合理化されたトレーニングと使いやすさ#
Ultralyticsモデルを特徴づける要素の1つは、圧倒的な使いやすさです。EfficientDetのTensorFlow AutoML環境に必要な複雑で多数の依存関係を伴うセットアップとは異なり、UltralyticsはシンプルでPythonらしいAPIを提供します。
この環境はトレーニング中のCUDAメモリ使用量を最小限に抑え、大規模なデータセットでも、巨大なTransformerベースアーキテクチャでよく発生するメモリ不足 (OOM)エラーなしに効率的に処理できるようにします。
コード例: Ultralyticsを使い始める#
次のスニペットでは、開発者がUltralyticsパッケージを活用して、最先端のYOLO26モデルをすぐにシームレスにトレーニングする方法を示します。
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環境でのアプリケーション#
ソリューションを設計する際は、モデルの長所を具体的なユースケースに合わせることが不可欠です。
EfficientDetを利用するタイミング#
EfficientDetは、従来型の学術研究や、複合スケーリング実験が主な焦点となるGoogle Cloudエコシステムに厳密に依存する環境では、依然として候補となります。小型のバリアント（d0～d2）は、ディスク容量が極端に制限される場合に有用です。
YOLOv7を使用する場合#
YOLOv7は高性能なレガシー環境で優れた性能を発揮します。特に、TensorFlowよりもPyTorchとの統合が好まれる環境に適しています。現在も次の分野で広く導入されています。
- ビデオ分析: GPUアクセラレーションが豊富に利用できる、高フレームレートのセキュリティストリームを処理します。
- 産業検査: 高速で移動する製造組立ライン上の欠陥を特定します。
YOLO26を選ぶタイミング#
新規のデプロイには、YOLO26を疑いなく推奨します。比類のないパフォーマンスバランスと堅牢な十分に保守されたエコシステムにより、次の用途に最適な選択肢となります。
- スマートシティと交通管理: NMSフリー設計により、一貫した推論レイテンシを確保します。これはリアルタイムの交通調整に不可欠です。
- ロボティクスと自律システム: CPU推論速度が43%向上するため、組み込みデバイス上で非常に応答性の高いナビゲーションアルゴリズムを実現します。
- 農業および航空モニタリング: ProgLossとSTALを活用し、高高度から撮影した画像から特定の作物や野生動物などの小さな物体を正確に特定します。
まとめると、EfficientDetとYOLOv7は貴重な歴史的背景と特定のニッチな用途を提供しますが、現代のコンピュータービジョンエンジニアには、Ultralytics YOLO26アーキテクチャの採用が最適です。このアーキテクチャは従来のボトルネックを巧みに解消しながら、人工知能で可能なことの限界を押し広げます。