DETRをプロダクト導入して 見えた強みと弱み Sansan株式会社 竹長 技術本部 慎太朗 研究開発部 

竹長 慎太朗 技術本部 研究開発部 Automationグループ 博士（社会工学） 写真が入ります 2015年 4月 〜 2021年 3月：近畿大学（学士，修士） 2021年 4月 〜 2024年10月：筑波大学（博士） 2024年10月 〜 現在 ：Sansan株式会社 興味がある分野：コンピュータビジョン，ブラックボックス最適化 

アジェンダ - DETRを導入する動機 - 物体検出とは - CNN系の検出器 - Transformer系の検出器 - CNN系とTransformer系の比較 - DETRを導入するまで - DETRと向き合って見えた強みと弱み - まとめ 

名刺画像はダミーです Detection Transformer（DETR）を導入する動機 発端は内製の名刺特化のOCRエンジン「NineOCR」の運用見直し NineOCR：検出と認識の2段階で構成されるエンジン 海達␣道信 千代田飲料株式会社 東京都千代田区万田 55-83-6 千代田ビル 

NineOCRが抱えていた課題 NineOCRは2021年にリリースされ，数年が経過しメンテナンスが必要に 特に，検出器（VFNet [Zhang et al, 2021] ）に様々な課題が存在 - Python3.10 ⇨ 2026年10月にEOL - CUDA11 ⇨ 動作可能なGPUの枯渇が目前 - PyTorch1.1x ⇨ CUDA12では動作しないバージョンも存在 - MMDetection ⇨ 長期間更新されていない 継続するために，実装の見直し or モデル自体のリプレイスも検討 

名刺画像はダミーです 物体検出とは 物体の位置とそのクラスの両方を認識するタスク full_name company_name 現在，大きく分けるとCNN・Transformerをベースとした2系統が存在 CNN系： ✓SSD ✓RetinaNet ✓FCOS ✓VFNet [Liu et al., 2016] [Lin et al., 2017] [Tian et al., 2019] [Zhang et al., 2021] Transformer系： ✓ DETR ✓ Deformable DETR ✓ RT-DETR ✓ DEIM [Carion et al., 2020] [Zhu et al., 2021] [Zhao et al., 2024] [Huang et al., 2025] 

Source: MS COCO 2017, image ID 210273 (original image: CC BY 2.0). Bounding boxes added. CNN系の検出器 1つの対象に対して複数の検出候補を出力するため，後処理を含めた設計が必要 ⇨多くの検出候補を出力するため再現率が高い傾向 後処理 

Source: MS COCO 2017, image ID 210273 (original image: CC BY 2.0). Bounding boxes added. CNNにおける検出方法の変化 - アンカーベースの検出器（例：SSD, RetinaNet） 基準領域から検出物体への変位（オフセット）を予測 Detector モデルの出力結果 後処理を適用した結果 

Source: MS COCO 2017, image ID 210273 (original image: CC BY 2.0). Bounding boxes added. CNNにおける検出方法の変化 - アンカーフリーの検出器（例：FCOS, VFNet） FPNのマルチスケール特徴上の各点から，物体境界までのオフセットを直接予測 Detector モデルの出力結果 後処理を適用した結果 特徴点の例 FCOS [Tian et al., 2019] 

Source: MS COCO 2017, image ID 210273 (original image: CC BY 2.0). Bounding boxes added. CNNの検出器における後処理 後処理の例として， NMS：確信度順に矩形を選択し，重複する候補を除去 Soft-NMS [Bodla et al., 2017] ：重複矩形の確信度を低減 Weighted Boxes Fusion [Solovyev et al., 2021]：確信度に基づく矩形の重み付き統合 NMS Soft NMS WBF 

Source: MS COCO 2017, image ID 210273 (original image: CC BY 2.0). Bounding boxes added. 後処理（NMS）の難しさ 確信度閾値とNMSのIoU閾値を変えたときの結果 IoU=0.2 Conf=0.1 Conf=0.2 Conf=0.3 IoU=0.3 IoU=0.4 IoU=0.5 

Source: MS COCO 2017, image ID 210273 (original image: CC BY 2.0). Bounding boxes added. Transformer系の検出器 正解物体と予測の1対1の対応付けにより，NMS不要のEnd-to-End検出を実現 ⇨集合予測として定式化し，物体と予測を1対1で対応付けながら学習 後処理 

DETR [Carion et al., 2020] Encoderで得られた画像特徴量と学習可能なベクトル（オブジェクトクエリ）を Decoderに入力し，各クエリが1つの物体を予測 オブジェクトクエリ数が検出可能な物体数の上限 

DETRの関連研究 学習収束の遅さ・計算量・小物体検出などの課題が存在 - Efficient DETR [Yao et al., 2021] ：クエリ初期化を改善し，学習を高速化 - Deformable DETR [Zhu et al., 2021] ：Attention対象を限定し，計算量を削減 - DINO [Zhang et al., 2023] ：Denoising学習で精度と収束性を向上 - RT-DETR [Zhao et al., 2024] ：効率的なHybrid Encoderで計算量を削減 - DEIM [Huang et al., 2025] ：Matchingを改善し，学習を高速化 RT-DETRで，Transformer系でもCNN系に匹敵する性能・処理速度を実現 

Deformable DETR [Zhu et al., 2021] - 画像全体へのAttentionを，参照点周辺の少数の特徴点に限定 - マルチスケール特徴を利用し，小物体の検出性能を改善 ⇨Attentionの計算量を削減し，DETRの学習収束を高速化 Attention計算のイメージ 

RT-DETR [Zhao et al., 2024] - 画像特徴から物体らしい特徴を選択し，オブジェクトクエリを生成 - 選択した位置・矩形を参照情報としてDecoderに入力 - Decoderの各層でクラスと矩形を予測し，矩形を反復的に補正 

Source: MS COCO 2017, image ID 210273 (original image: CC BY 2.0). Bounding boxes added. RT-DETR [Zhao et al., 2024] - 画像特徴から物体らしい特徴を選択し，オブジェクトクエリを生成 - 選択した位置・矩形を参照情報としてDecoderに入力 - Decoderの各層でクラスと矩形を予測し，矩形を反復的に補正 Detector モデルの出力結果 オブジェクトクエリは300個 確信度による閾値処理後 

Source: MS COCO 2017, image ID 210273 (original image: CC BY 2.0). Bounding boxes added. CNN系とTransformer系の比較 CNN系 メリット：高速・軽量で，低スペック環境でも動作しやすい デメリット：重複候補が多く，NMSなどの後処理が必要 Transformer系 メリット：重複候補が少なく，NMSが不要 CNN系の後処理前 デメリット：計算量・メモリ使用量が大きい Transformer系の後処理前 

CNN系とTransformer系のどちらを選択するのか 要件：VFNet (CNN系)と同等の検出性能と処理速度 RT-DETRまで性能が向上すると，CNN系・Transformer系のどちらも選択肢に ✓ NMSを不要とする後処理の単純化とパラメータ依存の低減 ✓ Transformerを基盤としたマルチモーダル研究への発展性 ✓ 対象ドメインにおけるTransformer系の導入事例の少なさ 性能だけでなく，後処理の単純化や将来拡張性も考慮し，VFNetをRT-DETRへ 置き換える方針を選択 

DETRを導入するまで Step１：VFNetと同等の検出性能を持つRT-DETRの構築 ✓ mAP・mIoUによる検出器単体の性能評価 Step２：検出器置き換えによる下流モデル・システムへの影響確認 ✓ NineOCR：検出から認識まで含めたE2E評価 ✓ GEES：実運用フローを模擬したシャドウテスト GEESは人と機械を組み合わせた独自名刺データ化システム モデル単体の性能だけでなく，利用箇所を含めたシステム全体での影響評価 

名刺画像はダミーです Step１：VFNetと同等の検出性能を持つRT-DETRの構築 学習後，mAP・mIoUによる検出器単体の性能評価を実施 特に，OCRではIoUの解釈が重要 黒：正解 緑：IoU=0.813 text = “水上␣弘太郎” 赤：IoU=0.703 text = “水ト␣弘太郎” 青：IoU=0.485 text = “水上␣弘太郎” IoUが高い矩形が必ずしも最適とは限らないため，E2Eでの評価が必須 

名刺画像はダミーです Step２：検出器置き換えによる他のモデルへの影響確認 NineOCRは検出と認識の2段階の構成なので，認識器を含めたE2Eの評価が必要 ⇨名刺画像を取得し，手元の環境でE2E評価を実施 GEESの処理でもNineOCRが使用されているため影響の確認が必要 ⇨既存のシャドウテスト環境を利用し，GEES側への影響も評価 通常の流入 GEES シャドウテスト 納品される 納品されない 検出器だけを置き換え，実際のフローで確認することで，リリース時の影響を事前に把握可能 

DETRと向き合って見えた強みと弱み 強み： ✓ 後処理の単純さ NMSが不要で，閾値処理中心のシンプルな構成 ✓ 検出の安定性 今回の名刺項目検出では，文字の一部だけを拾うような意図しない検出が少ない ✓ 推論全体の処理速度 NMSなどの複雑な後処理が不要で，デプロイ時にはVFNet比で約2倍高速化 弱み： ✓ 再現率 CNN系と比べてエッジケースの見逃しが出やすい傾向 ✓ 実行環境への依存 GPU利用を前提とし，CPU推論では速度面が厳しい GPU利用を前提とするプロダクトでは，RT-DETRは有力な選択肢 

まとめ DETRのプロダクト導入を通じて，実運用上の強みと課題を確認 解きたいタスクに応じた検出器の選択が必要 ✓ NMS不要による後処理の単純化と保守性の向上 ✓ エッジケースに対する再現率と学習データの課題 ✓ GPU利用を前提とする点と，CPU推論の速度制約 実運用を通じて，評価指標だけでは見えない特性を把握 ✓ OCRでは検出指標だけでなく，下流タスクまで含めた評価の必要性 

No content