Ultralytics YOLO27:
Get Started

モデルの比較#

適切なニューラルネットワークアーキテクチャの選択は、コンピュータービジョンプロジェクトを成功させるための要です。Ultralyticsモデル比較ハブへようこそ。このページでは、詳細な技術分析と性能ベンチマークを一元的に紹介し、最新のUltralytics YOLO26とYOLO11、YOLOv10、RT-DETR、EfficientDetなどの主要なアーキテクチャとのトレードオフを解説します。

アプリケーションにエッジAIのミリ秒単位のレイテンシが求められる場合も、医用画像に必要な高精度が求められる場合も、このガイドでは十分な情報に基づいて選択するためのデータ主導の知見を提供します。平均適合率（mAP）、推論速度、パラメーター効率、デプロイの容易さに基づいてモデルを評価します。

インタラクティブな性能ベンチマーク#

速度と精度の関係を可視化することは、物体検出における「パレートフロンティア」、つまり速度の制約内で最高の精度を実現するモデルを特定するうえで重要です。以下のグラフでは、COCOなどの標準データセットにおける主要な指標を比較します。

このグラフは主要な性能指標を可視化し、モデルごとのトレードオフをすばやく評価できるようにします。これらの指標を理解することは、特定のデプロイ制約に合ったモデルを選択するうえで欠かせません。

簡単な選択ガイド#

どこから始めればよいか分からない場合は、この判断ツリーを使って、ハードウェアと性能要件に最適なアーキテクチャを絞り込んでください。

現在の動向：YOLO26とその先#

物体検出の分野は急速に進化しています。旧モデルもレガシー対応では引き続き有用ですが、新しいアーキテクチャによって可能性の限界が押し広げられています。

Ultralytics YOLO26#

2026年1月にリリースされたYOLO26は、最新の最先端モデルであり、すべての新規プロジェクトに推奨される開始点です。オプションのエンドツーエンドNMSフリーデザイン（nms=False）など、画期的なアーキテクチャ上の革新を導入し、非極大抑制の後処理を不要にすることで、より高速で予測しやすい推論時間を実現します。YOLO26は従来世代と比較してCPUで最大43%高速で、エッジデプロイに最適です。

主な革新点は次のとおりです。

  • NMSフリーのエンドツーエンド: NMSの後処理が不要な、シンプルなデプロイを実現します（nms=False）
  • DFLの削除: ONNX、TensorRT、CoreMLへのエクスポートを効率化します
  • MuSGDオプティマイザー: LLMのトレーニングに着想を得た、安定した収束を実現するSGD/Muonのハイブリッドオプティマイザーです
  • ProgLoss + STAL: 小さな物体の検出性能を向上させます
YOLO26を選ぶ理由

YOLO26は、CNNの効率性とTransformerのようなエンドツーエンド機能を組み合わせた、Ultralyticsのエンジニアリングの集大成です。検出、インスタンスおよびセマンティックセグメンテーション、深度推定、分類、姿勢推定、OBBなど、すべてのタスクに対応し、これまで以上に小型、高速で、デプロイしやすくなっています。

Ultralytics YOLO11#

YOLO11は、依然として非常に高性能なモデルです。YOLO11mはYOLOv8mよりパラメーター数が22%少ない一方で、より高い検出精度を実現します。実績のある安定性を必要とするユーザーや、既存のYOLO11パイプラインをお持ちのユーザーには、引き続き完全にサポートされ、推奨されています。

コミュニティモデル：YOLO12とYOLO13に関する注意事項#

コミュニティのディスカッションやリポジトリで、YOLO12またはYOLO13に言及した情報を目にすることがあります。

本番環境での注意事項

現在、本番環境でのYOLO12またはYOLO13の使用は推奨していません。

  • YOLO12: アテンションレイヤーを使用しており、トレーニングの不安定化、過剰なメモリ消費、CPU推論速度の大幅な低下を招くことがよくあります。
  • YOLO13: ベンチマークによると、YOLO11より精度がわずかに向上するにとどまる一方、モデルは大型で低速です。報告された結果では、再現性に関する問題も示されています。


視聴: YOLO モデルの比較: Ultralytics YOLO11、YOLOv10、YOLOv9、Ultralytics YOLOv8

モデルの詳細な比較#

バックボーンの選択、ヘッドの設計、損失関数など、アーキテクチャの具体的な違いを把握するには、詳細な技術比較をご覧ください。簡単に参照できるよう、モデルごとにまとめています。

YOLO26 対#

YOLO26は、NMSフリーのエンドツーエンド検出、MuSGDオプティマイザー、最大43%高速なCPU推論を特徴とする、最新のUltralyticsモデルです。最先端の精度を実現しながら、エッジデプロイに最適化されています。

YOLO11 対#

YOLO11は、最先端の研究を取り入れ、従来モデルの成功を基盤に構築されています。特徴抽出の向上と効率の最適化を目的に、バックボーンとネックのアーキテクチャが改良されています。

YOLOv10 対#

清華大学が開発したYOLOv10は、非極大抑制（NMS）の処理をなくしてレイテンシーのばらつきを抑えることに重点を置き、計算オーバーヘッドを削減しながら最先端の性能を実現します。

YOLOv9 対#

YOLOv9は、プログラム可能な勾配情報（PGI）と一般化効率的レイヤー集約ネットワーク（GELAN）を導入し、ディープニューラルネットワークにおける情報損失に対処します。

YOLOv8 対#

Ultralytics YOLOv8は、先進的なバックボーンとネックのアーキテクチャ、最適な精度と速度のバランスを実現するアンカーフリーの分離型ヘッドを備え、今も非常に人気の高いモデルです。

YOLOv7 対#

YOLOv7は「トレーニング可能なフリービーの集合」とモデルの再パラメーター化を導入し、推論コストを増やさずにトレーニングプロセスを最適化することに重点を置いています。

YOLOv6 対#

MeituanのYOLOv6は産業用途向けに設計されており、双方向連結（BiC）モジュールとアンカーを活用したトレーニング戦略を採用しています。

YOLOv5 対#

Ultralytics YOLOv5は使いやすさ、安定性、速度で高く評価されています。幅広いデバイスとの互換性が求められるプロジェクトで、今も堅実な選択肢です。

RT-DETR 対#

RT-DETR（リアルタイム検出Transformer）はビジョンTransformerを活用し、リアルタイム性能と高い精度を実現するとともに、グローバルコンテキストの理解に優れています。

PP-YOLOE+ 対#

Baiduが開発したPP-YOLOE+は、タスクアライメント学習（TAL）と分離型ヘッドを採用し、効率と精度のバランスを取っています。

DAMO-YOLO 対#

Alibaba GroupのDAMO-YOLOは、ニューラルアーキテクチャサーチ（NAS）と効率的なRepGFPNを採用し、静的ベンチマークで精度を最大化します。

YOLOX 対#

Megviiが開発したYOLOXは、アンカーフリーの発展形であり、分離型ヘッドとSimOTAのラベル割り当て戦略で知られています。

EfficientDet 対#

Google BrainのEfficientDetは、複合スケーリングとBiFPNを用いてパラメーター効率を最適化し、さまざまな制約に対応する複数のモデル（D0～D7）を提供します。

このインデックスは、新しいモデルのリリースやベンチマークの改良に合わせて継続的に更新されます。次のコンピュータービジョンプロジェクトに最適なモデルを見つけるため、ぜひこれらのリソースをご活用ください。プライベートライセンスによるエンタープライズ向けソリューションをお探しの場合は、ライセンスページをご覧ください。比較検討にお役立てください。

コントリビューター
GLglenn-jocher17PDpderrenger1RIRizwanMunawar1

コメント