自動運転システムにおいて、画像から車両、歩行者、自転車を正確に認識することは不可欠である。予測精度の高さに加え、リアルタイム処理の要件が畳み込みニューラルネットワーク（CNN）モデルに新たな課題をもたらしている。本報告では、画像から2次元物体をリアルタイムで検出する手法を紹介する。複数の代表的な1段階型物体検出器を統合し、異なる入力戦略に基づいて個別にモデルを学習することで、特に小型物体に対する高精度なマルチスケール検出性能を向上させた。モデルの高速化のため、推論時間の最適化にTensorRTを活用した。Waymo Open Dataset Challengesのリアルタイム2D検出トラックにおいて、本研究で提案する検出フレームワークは、L1 mAP 75.00%、L2 mAP 69.72%の成績を達成し、リーダーボードで第2位を記録した。また、Nvidia Tesla V100 GPU上で45.8ms/フレームの遅延を実現し、リアルタイム処理の要件を満たしている。