YOLOv9とEfficientDet
コンピュータービジョン分野では、リアルタイムの物体検出が急速に進化し、研究者は精度と効率を継続的に向上させています。堅牢なビジョンシステムを構築する際、適切なアーキテクチャを選ぶことは重要な判断です。この分野で広く知られるモデルに、勾配情報に重点を置くYOLO系統の先進的なモデルであるYOLOv9と、Googleが開発したスケーラブルなフレームワークであるEfficientDetがあります。
このガイドでは、2つのアーキテクチャを技術的に分析し、基盤となる仕組み、性能指標、理想的なデプロイシナリオを検証することで、次のAIプロジェクトに向けた適切な判断を支援します。
モデルの成り立ちと技術仕様#
モデルの系譜や設計思想を理解することで、その構造上の選択や実用的な用途を把握するための有益な背景情報が得られます。
YOLOv9:情報フローの最大化#
ディープラーニングにおける「情報ボトルネック」への対処を目的として開発されたYOLOv9は、データがディープニューラルネットワークを通過する際に情報が失われないようにする手法を導入しています。
YOLOv9はプログラマブル勾配情報 (PGI)を導入しています。これは深い層全体で信頼性の高い勾配情報の保持を支援する補助的な教師あり学習フレームワークです。これに汎用効率的レイヤー集約ネットワーク (GELAN)を組み合わせ、CSPNetとELANの強みを活用してパラメーター効率を最適化します。これにより、YOLOv9は軽量なフットプリントを維持しながら高い精度を実現し、リアルタイムのエッジ処理に適しています。
EfficientDet:複合スケーリングとBiFPN#
Google Brainが発表したEfficientDetは、ネットワークの各次元を体系的にスケーリングし、速度と精度のバランスを取ることで物体検出に取り組みます。
EfficientDetは、EfficientNetバックボーンと双方向特徴ピラミッドネットワーク(BiFPN)を組み合わせています。BiFPNにより、マルチスケール特徴の融合が簡単かつ高速になります。このアーキテクチャでは複合スケーリング手法を採用し、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、幅をすべて同時に均等にスケーリングします。
理論上のアーキテクチャも重要ですが、プロジェクトの成否はソフトウェアエコシステムによって決まることがよくあります。Ultralyticsは、複雑で研究指向のコードベースと比べて市場投入までの時間を短縮する、シンプルなPython APIと堅牢なデプロイツールを提供します。
パフォーマンスと指標の比較#
モデルの性能を分析する際には、精度と推論レイテンシ、計算コストのバランスが欠かせません。以下の表では、YOLOv9とEfficientDetの各サイズにおけるトレードオフを示します。
| 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) |
|---|---|---|---|---|---|---|
| YOLOv9t | 640 | 38.3 | - | 2.3 | 2.0 | 7.7 |
| YOLOv9s | 640 | 46.8 | - | 3.54 | 7.2 | 26.7 |
| YOLOv9m | 640 | 51.4 | - | 6.43 | 20.1 | 76.8 |
| YOLOv9c | 640 | 53.0 | - | 7.16 | 25.5 | 102.8 |
| YOLOv9e | 640 | 55.6 | - | 16.77 | 58.1 | 192.5 |
| 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 |
指標の詳細分析#
- 精度の比較: YOLOv9eは全体で最も高い精度を達成し、55.6%のmAP (平均適合率)を記録します。これは、EfficientDetの最も大型のモデルであるd7の53.7%を上回り、TensorRTでの速度もより高速です。
- リアルタイム速度: YOLOv9tは、TensorRTを使用したT4 GPUでわずか2.3msで動作し、高速なビデオストリームにおけるGELANアーキテクチャの効率性を示しています。EfficientDet-d0の実行時間は3.92 msで、YOLOv9tよりmAPが3.7低くなっています。
- 計算複雑性: EfficientDetは、複合係数を大きくするとパラメーター数とFLOPsが大幅に増加します。d7はレイテンシが128 msに達し、より高精度なYOLOv9e (16.77 ms) より約7.6倍遅くなるため、リアルタイム推論環境での用途が制限されます。
トレーニング効率とエコシステム#
モデルを選ぶ際には、開発者向けのエコシステムも評価する必要があります。Ultralyticsエコシステムは、学習効率、デプロイの柔軟性、汎用性において明確な利点を提供します。
Ultralyticsの強み#
YOLOv9、YOLOv8、YOLO11など、Ultralyticsフレームワークがサポートするモデルは通常、TransformerベースのモデルやEfficientDetなどの古いTensorFlowアーキテクチャよりも学習時に必要なメモリが少なくなります。PyTorchバックエンドは高速な収束と安定した学習をサポートします。
- 汎用性: バウンディングボックス検出に特化したEfficientDetとは異なり、Ultralytics APIは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)をネイティブにサポートします。
- 使いやすさ: EfficientDetは古いTensorFlowライブラリと複雑なAutoML設定に依存しており、セットアップが不安定になる場合があります。一方、Ultralyticsはハイパーパラメーター調整とデータセット管理のための洗練されたAPIを提供します。
実装例#
コンピュータービジョンモデルの学習に、何百行もの定型コードが必要になるべきではありません。次の例では、Ultralytics Pythonパッケージを使って学習を開始します。
from ultralytics import YOLO
# 公式Ultralyticsモデル(例:YOLO11またはYOLO26)を読み込みます
model = YOLO("yolo11n.pt")
# カスタムデータセットでモデルをネイティブにトレーニングします
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# トレーニング済みモデルをデプロイ用にONNX形式でエクスポートします
model.export(format="onnx")最適なユースケースと実際の応用例#
モデルの構造上の違いにより、それぞれ適したシナリオが異なります。
EfficientDetを使う場合: EfficientDetは、PyTorchへの移行が現実的でないほどTensorFlowエコシステムに深く依存した既存システムでは、依然として有効な選択肢です。また、低速なオフライン処理が許容される高解像度スキャンを扱う医用画像解析研究において、歴史的にも重要なモデルです。
YOLOv9を使う場合: YOLOv9は、パラメーター数を増やすことなく高精度を必要とするアプリケーションに適しています。スマートシティの交通管理や高密度の群衆監視などの用途では、特徴の詳細を保持するPGIの能力が役立ちます。
将来を見据えた選択:次世代のビジョンAI#
YOLOv9とEfficientDetはいずれも高性能なモデルですが、エッジコンピューティングでの速度、学習の安定性、デプロイのシンプルさを最適なバランスで実現したい開発者は、最新の技術革新を検討してください。
2026年1月にリリースされたUltralytics YOLO26が、現在Ultralyticsが推奨するモデルです。YOLO11やYOLOv8を含む従来世代から、次のような重要な改良が加えられています。
- エンドツーエンドのNMSフリーデザイン: YOLO26はオプションのone-to-oneヘッド(
nms=False)を提供し、Non-Maximum Suppression(NMS)を完全に省略します。この手法はYOLOv10がYOLOモデルに導入したもので、より高速でシンプルなモデルのデプロイを実現します。 - DFLの削除: Distribution Focal Lossを削除することで、エクスポートを簡素化し、エッジデバイスや低消費電力デバイスとの互換性を高めています。
- CPU推論が最大43%高速: YOLO26nはCPU上でYOLO11nより最大43%高速に動作するため、IoTデバイスや専用GPUのない環境に適しています。
- MuSGDオプティマイザー: SGDとMuonのハイブリッドです(LLM学習の技術革新に着想を得ており)、高速な収束とより安定した学習を実現します。
- ProgLoss + STAL: Progressive Loss and Small-Target-Aware Label Assignment (STAL)は小さな物体の検出を改善します。これは、ドローンによる航空画像やロボティクスにおいて重要です。
Ultralytics Platformを使うと、チームはデータセットを管理し、実験を追跡し、YOLO26などのモデルを多様なハードウェアにデプロイして、コンピュータービジョンのパイプラインを本番環境に対応した状態に保てます。
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。