Ultralytics YOLO27:

モデル比較#

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基盤です。Ultralytics Model Comparison Hubへようこそ！このページでは、詳細な技術分析とパフォーマンスベンチマークを一元化し、最新のUltralytics YOLO26と、YOLO11、YOLOv10、RT-DETR、EfficientDetなどの主要なアーキテクチャ間のトレードオフを詳しく分析します。

アプリケーションが エッジ AI に求められるミリ秒単位のレイテンシであっても、医療画像処理に必要な高精度であっても、このガイドでは、十分な情報に基づいて選択するために必要なデータドリブンな知見を提供します。モデルは、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評価しています。

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」、つまり所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。下のグラフでは、標準的な COCO などのデータセットにおける主要な指標を比較しています。

このグラフでは、主要な パフォーマンス指標を可視化しており、異なるモデル間のトレードオフをすばやく評価できます。これらの指標を理解することは、特定のデプロイ制約に適合するモデルを選択するうえで基本となります。

クイック意思決定ガイド#

どこから始めればよいかわからない場合は、この意思決定ツリーを使用して、ハードウェアとパフォーマンス要件に最適なアーキテクチャを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。旧モデルはレガシーサポートにおいて引き続き有用ですが、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で推奨される出発点です。エンドツーエンドの NMS フリーデザインをはじめとする画期的なアーキテクチャ上の革新を導入しており、非最大抑制の後処理が不要になるため、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 上で最大 43% 高速であり、エッジデプロイに最適です。

主な革新は次のとおりです。

  • NMS フリーのエンドツーエンド: 後処理が不要で、デプロイを簡素化
  • DFL の除去: ONNX、TensorRT、CoreML へのエクスポートを効率化
  • MuSGD オプティマイザー: 安定した収束を実現する、LLM トレーニングに着想を得た SGD/Muon ハイブリッドオプティマイザー
  • ProgLoss + STAL: 小物体検出のパフォーマンスを向上
YOLO26 を選ぶ理由

YOLO26 は Ultralytics の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機能を組み合わせています。検出、セグメンテーション、姿勢推定、分類、OBB のすべてのタスクをサポートし、これまで以上に小型、高速、かつデプロイしやすくなっています。

Ultralytics YOLO11#

YOLO11 は引き続き高い性能を持つモデルであり、YOLOv8 と比較してパラメーター数を 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 パイプラインを使用している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#

コミュニティの議論やリポジトリで、YOLO12 や YOLO13 への言及を目にすることがあります。

本番環境での注意

現在、YOLO12 と YOLO13 の本番環境での使用は 推奨していません。

  • YOLO12: アテンションレイヤーを使用しているため、トレーニングが不安定になったり、メモリ消費量が過剰になったり、CPU 推論速度が大幅に低下したりすることがあります。
  • YOLO13: ベンチマークでは、YOLO11 に対する精度向上はわずかである一方、モデルはより大きく、速度も遅いことが示されています。報告された結果では、再現性に関する問題も確認されています。


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、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。簡単にアクセスできるよう、モデル別に整理しています。

YOLO26 との比較#

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、エッジデプロイ向けに最適化されています。

YOLO11 との比較#

YOLO11 は、最先端の研究成果を取り入れ、前世代モデルの成功を基盤に構築されています。特徴抽出を改善するバックボーンおよびネックアーキテクチャの改良と、効率性の最適化を実現しています。

YOLOv10 との比較#

清華大学が開発した YOLOv10 は、非最大抑制 (NMS) のステップを削除してレイテンシのばらつきを低減することに重点を置いており、計算オーバーヘッドを削減しながら最先端のパフォーマンスを提供します。

YOLOv9 との比較#

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、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) を導入しています。

YOLOv8 との比較#

Ultralytics YOLOv8 は、非常に人気の高い選択肢であり、高度なバックボーンおよびネックアーキテクチャと、精度と速度の最適な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ています。

YOLOv7 対#

YOLOv7では「trainable bag-of-freebies」とモデルの再パラメータ化が導入され、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重点が置かれています。

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トレーニング戦略を特徴としています。

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。幅広いデバイス互換性が必要なプロジェクトにおいて、現在も堅牢な選択肢です。

RT-DETR 対#

RT-DETR（リアルタイム物体検出Transformer）はビジョントランスフォーマーを活用し、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) と分離ヘッドを使用して、効率と精度のバランスを取っています。

DAMO-YOLO 対#

Alibaba Group発の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の精度を最大化します。

YOLOX 対#

Megviiが開発したYOLOXは、分離ヘッドとSimOTAラベル割り当て戦略で知られるアンカーフリーの進化系です。

EfficientDet 対#

Google BrainのEfficientDetは、複合スケーリングとBiFPNを使用してパラメータ効率を最適化し、異なる制約に対応する一連のモデル（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。比較をお楽しみください。

貢献者
GLglenn-jocher15PDpderrenger1RIRizwanMunawar1

コメント