Skip to the content.

最終更新日:2026年9月23日

まず結論

物体検出モデルは、まず検出パイプラインが1段階か2段階かで整理します。

  • 1段階:YOLO、SSD
  • 2段階:R-CNN、Fast R-CNN、Faster R-CNN

G検定では、速度や精度を絶対順位で覚えるより、

候補領域を別段階で作るか?

を見るのが安全です。

直感的な説明

1段階

画像から直接、

  • クラス
  • バウンディングボックス

を予測します。

代表例はYOLO・SSDです。

2段階

  1. 物体がありそうな候補領域を作る
  2. 候補領域を分類・位置補正する

という2段階で処理します。

代表例はR-CNN系です。

定義・仕組み

モデル 段階 判断キーワード
SSD 1段階 Single Shot、Default Box
YOLO 1段階 直接検出、リアルタイム性
R-CNN 2段階 候補領域ごとにCNN
Fast R-CNN 2段階 特徴マップ共有、RoI Pooling
Faster R-CNN 2段階 RPN

R-CNN → Fast → Faster

発展の流れは、

  • R-CNN → 候補領域ごとにCNN
  • Fast R-CNN → CNN特徴を共有
  • Faster R-CNN → RPNで候補領域生成までネットワーク化

と整理します。

SSD / YOLO

どちらも代表的な1段階検出です。

ただし、YOLOには多くの世代があるため、特定世代のグリッド・アンカー設計を全YOLO共通と決めつけないようにします。

いつ使う?(得意・不得意)

一般に1段階検出はリアルタイム性を重視する設計で多く使われ、2段階検出は候補領域を詳しく処理する設計です。

ただし、

  • 1段階=必ず低精度
  • 2段階=必ず高精度
  • YOLO=必ず最速

とは限りません。

モデル世代、バックボーン、入力サイズ、ハードウェアによって結果は変わります。

G検定ひっかけポイント

Faster R-CNN

❌ Fasterという名前なのでYOLOより必ず速い
⭕ RPNを導入してR-CNN系を高速化したモデル

Fast R-CNN

❌ RPNで候補領域を作る
⭕ 候補領域は外部、特徴抽出を共有

SSD

❌ Region Proposalを別段階で作る
⭕ Default Boxを使う1段階検出

YOLO

❌ 2段階で候補領域を分類する
⭕ 1段階検出系

まとめ(試験直前用)

  • YOLO / SSD=1段階
  • R-CNN系=2段階
  • R-CNN=候補ごとにCNN
  • Fast R-CNN=特徴共有
  • Faster R-CNN=RPN
  • SSD=Default Box
  • 速度・精度の固定順位ではなく処理構造で切る

© 2024-2026 stemtazoo. All rights reserved.