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、あらゆる成功するcomputer visionプロジェクトの基礎となります。Ultralytics Model Comparison Hubへようこそ！このページでは、詳細な技術的分析とパフォーマンスベンチマークを集約し、最新のUltralytics YOLO26と、YOLO11、YOLOv10、RT-DETR、EfficientDetなどの他の主要なアーキテクチャ間のトレードオフを分析します。

アプリケーションがedge AIのミリ秒単位のレイテンシを要求するか、医療画像処理に必要な高忠度な精度を要求するかに関わらず、このガイドでは情報に基づいた選択を行うために必要なデータ駆動型のインサイトを提供します。モデルの評価は、mean Average Precision (mAP)、inference speed、パラメータ効率、およびデプロイの容易さに基づいて行われます。

インタラクティブなパフォーマンスベンチマーク#

速度と精度の関係を視覚化することは、オブジェクト検出の「パレートフロンティア」（特定の速度制約に対して最高の精度を提供するモデル）を特定するために不可欠です。以下のチャートは、datasets like COCOなどの標準的なデータセットにおける主要なメトリクスを対比しています。

このチャートは主要なperformance metricsを視覚化し、異なるモデル間のトレードオフを素早く評価できるようにします。これらのメトリクスを理解することは、特定のデプロイ制約に一致するモデルを選択するために不可欠です。

クイック意思決定ガイド#

どこから始めればよいか迷っていますか？この決定ツリーを使用して、ハードウェアとパフォーマンスの要件に最適なアーキテクチャに絞り込んでください。

graph TD
    A[Start: Define Project Needs]:::start --> B{Deployment Hardware?}:::decide
    B -- "Edge / Mobile (CPU/NPU)" --> C{Latency Priority?}:::decide
    B -- "Cloud / GPU" --> D{Accuracy vs Speed?}:::decide

    C -- "Extreme Speed (Real-time)" --> E[YOLO26n / YOLO26s]:::out
    C -- "Balanced Legacy" --> F[YOLO11s / YOLOv8s]:::out

    D -- "Max Accuracy (SOTA)" --> G[YOLO26x / YOLO26l]:::out
    D -- "Balanced Performance" --> H[YOLO26m / YOLO11m]:::out

    A --> I{Specialized Features?}:::decide
    I -- "NMS-Free Inference" --> J[YOLO26 / YOLOv10]:::out
    I -- "Multitask (Seg/Pose/OBB)" --> K[YOLO26 / YOLO11]:::out
    I -- "Video Analytics" --> L[YOLO26 + Tracking]:::out

    classDef start fill:#4CAF50,color:#fff
    classDef decide fill:#FF9800,color:#fff
    classDef out fill:#9C27B0,color:#fff

現在の状況: YOLO26とその先#

物体検出の分野は急速に進化しています。古いモデルもレガシーサポートの観点からは依然として関連性がありますが、新しいアーキテクチャは可能性の限界を押し広げています。

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の推奨出発点です。これは、Non-Maximum Suppression（NMS）のポストプロセッシングを不要にするEnd-to-End NMS-Free Designを含む画期的なアーキテクチャの革新を導入しており、より高速で予測可能な推論時間を実現します。YOLO26は前世代と比較してCPUで最大43%高速であり、エッジデプロイメントに最適です。

主な革新は以下の通りです:

NMS-Free End-to-End: ポストプロセッシング不要でデプロイメントを簡素化
DFL Removal: ONNX、TensorRT、CoreMLへのエクスポートを合理化
MuSGD Optimizer: LLMトレーニングに触発された、安定した収束のためのハイブリッドSGD/Muonオプティマイザ
ProgLoss + STAL: 小さな物体検出性能の向上

なぜYOLO26を選ぶのか？

YOLO26はUltralyticsエンジニアリングの頂点であり、CNNの効率性とTransformerのようなエンドツーエンドの能力を融合させています。検出、セグメンテーション、ポーズ推定、分類、OBBのすべてのタスクをサポートしつつ、従来よりも小さく、高速で、デプロイが容易になっています。

Ultralytics YOLO11 #

YOLO11は依然として非常に有能なモデルであり、YOLOv8と比較してパラメータを22%削減しながら検出精度を向上させています。完全にサポートされており、実証済みの安定性が必要なユーザーや、既存のYOLO11パイプラインを持つユーザーに推奨されます。

コミュニティモデル: YOLO12とYOLO13に関する注意点#

コミュニティの議論やリポジトリでYOLO12やYOLO13への言及を見かけることがあるかもしれません。

プロダクションにおける注意点

現時点では、プロダクションでの使用においてYOLO12またはYOLO13を推奨しません。

YOLO12: トレーニングの不安定性、過度なメモリ消費、およびCPU推論速度の著しい低下を引き起こすことが多いアテンションレイヤーを利用しています。
YOLO13: ベンチマークによると、YOLO11と比較して精度はわずかな向上にとどまる一方、より大きく低速です。報告されている結果には再現性の問題が見られます。

Watch: YOLO Models Comparison: Ultralytics YOLO11 vs. YOLOv10 vs. YOLOv9 vs. Ultralytics YOLOv8

詳細なモデル比較#

バックボーンの選択、ヘッド設計、損失関数などの具体的なアーキテクチャの違いを理解するために、詳細な技術比較をご覧ください。アクセスのしやすさを考慮して、モデルごとに整理しています:

YOLO26 対#

YOLO26は、NMSフリーのエンドツーエンド検出、MuSGDオプティマイザを備え、最大43%高速なCPU推論を実現した最新のUltralyticsモデルです。エッジデプロイ向けに最適化されつつ、最先端の精度を達成しています。

YOLO11 対#

YOLO11は、最先端の研究成果を基に前世代の成功を継承しています。特徴量抽出の向上と効率の最適化のために、改良されたバックボーンおよびネックアーキテクチャを備えています。

YOLOv10 対#

清華大学によって開発されたYOLOv10は、Non-Maximum Suppression (NMS)ステップを排除してレイテンシのばらつきを削減し、計算オーバーヘッドを抑えながら最先端のパフォーマンスを提供することに焦点を当てています。

YOLOv9 対#

YOLOv9は、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するために、Programmable Gradient Information（PGI）とGeneralized Efficient Layer Aggregation Network（GELAN）を導入しています。

YOLOv8 対#

Ultralytics YOLOv8は、高度なバックボーンおよびネックアーキテクチャ、ならびに最適な精度と速度のトレードオフを実現するアンカーフリーの分割ヘッドを備え、依然として非常に人気のある選択肢です。

YOLOv7 対#

YOLOv7は、「trainable bag-of-freebies（学習可能な無料の工夫）」とモデルの再パラメータ化を導入し、推論コストを増加させずにトレーニングプロセスを最適化することに注力しています。

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支援型の学習戦略を備えています。

YOLOv5 の比較#

Ultralytics YOLOv5 は、その使いやすさ、安定性、および速度で高く評価されています。幅広いデバイス互換性を必要とするプロジェクトにおいて、依然として堅牢な選択肢です。

RT-DETR の比較#

RT-DETR（リアルタイム検出Transformer）は、Vision Transformerを活用して、グローバルなコンテキスト理解に優れ、高い精度とリアルタイムパフォーマンスを両立しています。

PP-YOLOE+ vs#

Baiduによって開発されたPP-YOLOE+は、タスクアライメント学習（TAL）とデカップルヘッドを採用し、効率性と精度のバランスを図っています。

DAMO-YOLO vs#

Alibaba GroupによるDAMO-YOLOは、ニューラルアーキテクチャ探索（NAS）と効率的なRepGFPNを採用しており、静的なベンチマークで精度を最大化します。

YOLOX vs#

Megviiによって開発されたYOLOXは、アンカーフリーの進化系であり、デカップルヘッドとSimOTAラベル割り当て戦略で知られています。

EfficientDet vs#

Google BrainによるEfficientDetは、コンパウンドスケーリングとBiFPNを使用してパラメータ効率を最適化しており、さまざまな制約に対応するモデルのスペクトル（D0-D7）を提供しています。

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伴い、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に、これらのリソースをぜひご活用ください。プライベートライセンス付きの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。比較をお楽しみください！

コントリビューター

GLglenn-jocher¹⁵ PDpderrenger¹ RIRizwanMunawar¹

作成日 2025年2月22日更新日昨日