EfficientNetとは？簡単な概要

2019年、グーグルAIの研究者は、画像内のオブジェクトやパターンを認識するために構築された最先端のコンピュータビジョンモデル、EfficientNetを発表した。EfficientNetは主に、画像をあらかじめ定義された複数のカテゴリのいずれかに割り当てる画像分類用に設計された。しかし今日、EfficientNetは物体検出、セグメンテーション、転移学習など、より複雑なタスクのバックボーンとしても機能している。

EfficientNet以前は、このような機械学習やビジョンAIのモデルは、レイヤーを増やしたり、レイヤーのサイズを大きくすることで精度を向上させようとしていた。レイヤーとは、ニューラルネットワークモデル（人間の脳に着想を得た深層学習モデルの一種）のステップのことで、データを処理してパターンを学習し、精度を向上させる。 

これらの変更はトレードオフを生み、従来のAIモデルをより大きく、より遅くする一方で、必要なコンピューティングパワーの大幅な増加に比べ、精度の向上はわずかであることが多い。

EfficientNetは異なるアプローチをとった。それは、深さ（レイヤーの数）、幅（各レイヤーのユニット数）、画像解像度（入力画像の詳細レベル）を、バランスの取れた方法で一緒に増加させた。複合スケーリングと呼ばれるこの方法は、利用可能なすべての処理能力を確実に使用する。最終的な結果は、ResNetやDenseNetのような古いモデルよりも優れた性能を発揮できる、より小さく高速なモデルです。

今日、Ultralytics YOLO11のような新しいコンピュータビジョンモデルは、より高い精度、スピード、効率を提供しています。それでも、EfficientNetは多くの先進的なアーキテクチャの設計に影響を与えた重要なマイルストーンであり続けています。 

この記事では、EfficientNetを5分で分解し、その仕組み、特徴、そしてなぜ今でもコンピュータ・ビジョンにおいて重要なのかを説明します。それでは始めましょう！

EfficientNetとは？

EfficientNetが設計される以前は、ほとんどの画像認識モデルは、レイヤーを調整したり、入力画像のサイズを大きくしたりして、より詳細な情報を取り込むことで精度を向上させていました。これらの戦略は結果を向上させる一方で、モデルをより重く、より負荷の高いものにしました。つまり、より多くのメモリとより優れたハードウェアが必要になったのです。 

EfficientNetは、個々のレイヤーを変更する代わりに、複合スケーリングと呼ばれる方法を用いて、深度、幅、画像解像度を一緒にスケーリングする。このアプローチにより、単一の側面に過負荷をかけることなく、モデルを効率的に成長させることができます。

EfficientNetアーキテクチャは、それぞれがより小さなモジュールから構成される一連のブロックを介して画像を処理します。各ブロックのモジュール数はモデルサイズに依存します。 

‍

小型バージョンでは使用するモジュールの数が少なく、大型バージョンではモジュールの繰り返しが多くなります。この柔軟な設計により、EfficientNetは、モバイル機器から大規模システムまで、幅広い用途で高い精度と効率を実現することができます。

複合スケーリングの仕組み

複合スケーリング法は、モデルの奥行き、幅、画像解像度を拡大しながらも、それらのバランスを保つ。これにより、計算能力を効率的に使用することが可能になる。このシリーズは、EfficientNet-B0と呼ばれる小型のベースラインモデルから始まり、他のすべてのバージョンの基礎となっています。

B0から、モデルはEfficientNet-B1からEfficientNet-B7と名付けられたより大きなバリエーションにスケールアップする。各ステップで、ネットワークはレイヤーを追加し、チャンネル（処理に使用するユニット）の数を増やし、より高解像度の入力画像を処理します。各ステップでの成長量は、複合係数と呼ばれるパラメータによって決定され、深度、幅、解像度が独立してではなく、一定の割合で増加するようになっています。

‍

EfficientNetアーキテクチャ

次に、EfficientNetのアーキテクチャを見てみよう。 

MobileNetV2は、モバイル機器や組み込み機器向けに最適化された軽量コンピュータビジョンモデルである。その中核となるのが、MBConv（Mobile Inverted Bottleneck Convolution）ブロックであり、標準的な畳み込みのように画像データを処理するが、計算量は少ない特別なレイヤーである。このブロックにより、モデルは高速になり、メモリ効率も向上します。

MBConvの各ブロックの内部には、スクイーズ・アンド・エキサイトメント（SE）モジュールがある。このモジュールは、ネットワーク内のさまざまなチャンネルの強度を調整する。必要なチャネルの強度を上げ、その他のチャネルの強度を下げる。このモジュールは、ネットワークが画像内の最も重要な特徴に集中し、それ以外の部分を無視するのを助けます。EfficientNetモデルはまた、Swish活性化関数（ネットワークがパターンを学習するのを助ける数学的関数）を使用しており、旧来の方法よりも画像のパターンを見つけやすくなっています。 

さらに、DropConnectを使用し、訓練中にネットワーク内部の接続の一部をランダムにオフにする。この確率的正則化手法（モデルが汎化する代わりに訓練データを記憶するのを防ぐランダム化手法）は、未知のデータによりよく移行する、よりロバストな特徴表現（データのより強力で一般的なパターン）をネットワークに学習させることで、オーバーフィッティングを低減する。

‍

EfficientNetのモデルバリエーションの概要

さて、EfficientNetモデルがどのように機能するかについて理解を深めたところで、さまざまなモデルのバリエーションについて説明しよう。 

EfficientNetのモデルはB0からB7まであり、まずはスピードと精度のバランスが取れたB0からスタートする。各バージョンは、深さ、幅、画像解像度を増やし、精度を向上させます。しかし、B1やB2から高性能なB6やB7へと、より多くの計算能力も要求されます。 

EfficientNet-B3およびEfficientNet-B4モデルは、より大きな画像に対してバランスが取れている一方で、B5は精度が要求される複雑なデータセットに対して選択されることが多い。これらのモデルを超えて、最新のモデルであるEfficientNet V2は、学習速度を向上させ、小さなデータセットをよりうまく扱うことができ、最新のハードウェアに最適化されています。

EfficientNetのアプリケーション

EfficientNetは、他の多くのモデルよりも少ないメモリと処理能力で正確な結果を出すことができます。そのため、科学研究から人々が日常的に使用する製品まで、さまざまな分野で役立ちます。

医用画像解析

肺のCTスキャンなどの医療画像には、正確な診断に不可欠な微妙な細部が含まれていることが多い。AIモデルは、人間が検出するのが難しいパターンを発見するために、これらの画像の分析を支援することができます。この目的のためにEfficientNetを適応させたものに、医療画像解析用に特別に設計されたMONAI（Medical Open Network for AI）EfficientNetがあります。

EfficientNetのアーキテクチャを基に、研究者たちは肺CTスキャンを分類して腫瘍を検出するモデル、Lung-EffNetも開発した。このモデルは、腫瘍を良性、悪性、正常のいずれかに分類することができ、実験環境では99％以上の精度を達成したと報告されている。

‍

リアルタイム物体検出

物体検出は、画像内の物体を見つけ、その位置を特定するプロセスである。セキュリティシステム、自動運転車、ドローンなどのアプリケーションで重要な役割を果たす。

EfficientNetがこの分野で重要になったのは、画像から特徴を抽出する非常に効率的な方法を提供したからだ。深度、幅、解像度をスケーリングするその方法は、モデルが重すぎたり遅すぎたりすることなく、いかに正確でありうるかを示した。これが、EfficientDetのような多くの検出システムがEfficientNetをバックボーンとして使用している理由です。

Ultralytics YOLO11のような新しいモデルも、スピードと精度の両立という同じ目標を共有している。効率的なモデルを目指すこの傾向は、EfficientNetのようなアーキテクチャのアイデアに強く影響を受けている。

EfficientNetの長所と短所

コンピュータビジョンプロジェクトでEfficientNetを使用する利点は以下の通りです：

• 少ないパラメータで高精度：EfficientNetは、ResNetやDenseNetのような旧来のモデルと同等以上の精度を実現することができます。EfficientNetは、ResNetやDenseNetのような旧来のモデルと同程度の精度を提供できますが、使用するパラメータが少ないため、学習が速く、導入が容易です。
  ‍
• スケーラブルなモデル・ファミリー：B0からB7まであり、ベースライン・ネットワークを変更することなく、ハードウェアと精度の要件に合わせてバージョンを選択できます。
  ‍
• 転移学習に適しています：EfficientNetは、事前学習されたモデルをカスタムタスク用に再学習させるプロセスである転移学習において、信頼性の高いモデル性能を提供することができます。様々なコンピュータビジョンタスクのバックボーンとして機能します。また、微調整を行った場合にも強力な結果を示している。例えば、広く使用されている画像分類データセットであるCIFAR-100において、従来のモデルよりも大幅に少ないパラメータで最先端の精度を達成した。

EfficientNetの使用には多くの利点がありますが、ここではEfficientNetの制限について説明します：

• より多くのメモリを必要とする：EfficientNet-B6やEfficientNet-B7のようなバージョンは、多くのGPUメモリを必要とする。
  ‍
• ImageNet用に調整されたスケーリング：スケーリング設定はImageNetデータセット用に設計されているため、微調整を行わないと、全く異なるデータセットでパフォーマンスが低下する可能性があります。EfficientNetのアーキテクチャとスケーリングは、その深さと幅を正当化するのに十分なデータを提供するImageNetのような大規模で多様なデータセット向けに設計されているため、これは特に小規模なデータセットに当てはまります。
  ‍
• ハードウェアによっては遅い：EfficientNetはMBConvと呼ばれるレイヤーを使用しており、最新のハードウェア上で効率的に動作するように設計されています。古いGPUやCPUでは、これらのレイヤーの動作が遅くなることがあります。

要点

EfficientNetは、奥行き、幅、画像の解像度のバランスを保つことで、コンピュータビジョンモデルの成長方法を変えました。今でも重要なモデルであり、新しいアーキテクチャにも影響を与えている。特に、コンピュータビジョンの歴史において重要な位置を占めています。

私たちのコミュニティや GitHubリポジトリに参加して、AIについてもっと調べてみましょう。ヘルスケアにおけるAIと 自動車におけるコンピュータビジョンについては、ソリューションページをご覧ください。私たちのライセンスオプションを発見し、今日からコンピュータビジョンを使ってビルドを始めましょう！