はじめる

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では、最新のUltralytics YOLO26とYOLO11、YOLOv10、RT-DETR、EfficientDetなどの主要アーキテクチャとのトレードオフを網羅した、詳細な技術分析と性能ベンチマークを掲載しています。

エッジAIに求められるミリ秒単位のレイテンシから、医療画像に必要な高精度まで、このガイドでは適切な選択に必要なデータを紹介します。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されます。

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。

このチャートでは主要な性能指標を視覚化しているため、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、デプロイ環境の制約に合ったモデルを選ぶ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#

物体検出は急速に進化しています。旧世代のモデルは既存のデプロイ環境で引き続き有用ですが、新しいアーキテクチャによって速度と精度は向上し続けています。

Ultralytics YOLO26#

2026年1月にリリースされたYOLO26は、最新のUltralyticsモデルであり、新規プロジェクトの推奨開始モデルです。オプションのエンドツーエンドNMSフリーデザイン(nms=False)などのアーキテクチャ上の革新を導入し、非最大値抑制(NMS)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。YOLO26nはYOLO11nよりCPUで最大43%高速であり、エッジデプロイに適しています。

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ています。すべてのUltralyticsタスク(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)に対応し、旧世代のモデルよりも小型で高速、かつデプロイが容易です。

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。引き続き完全にサポートされており、実績ある安定性を求めるユーザーや既存のYOLO11パイプラインを利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#

以下の技術比較で、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ご確認ください。モデルごとに整理しています。

YOLO26と#

YOLO26は最新のUltralyticsモデルで、NMSフリーのエンドツーエンド検出、MuSGDオプティマイザー、YOLO26nのYOLO11n比で最大43%高速なCPU推論を特徴としています。高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#

YOLO11は、前世代モデルの成功を基盤としています。特徴抽出と効率を向上させるため、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と#

清華大学が開発したYOLOv10は、NMS処理をなくしてレイテンシ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高い性能を実現します。

YOLOv9と#

YOLOv9は、深層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、プログラマブル勾配情報(PGI)と汎用効率的層集約ネットワーク(GELAN)を導入しています。

YOLOv8と#

Ultralytics YOLOv8は、今も非常に人気の高い選択肢です。高度なバックボーンとネックにアンカーフリーの分離型ヘッドを組み合わせたアーキテクチャにより、精度と速度の優れたバランスを実現します。

YOLOv7と#

YOLOv7は「学習可能なフリービーの袋」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学習プロセスを最適化することに重点を置いています。

YOLOv6と#

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手法を特徴としています。

YOLOv5と#

Ultralytics YOLOv5は、使いやすさ、安定性、速度で知られています。幅広いデバイスとの互換性が必要なプロジェクトに、引き続き信頼性の高い選択肢です。

RT-DETRと#

RT-DETR(リアルタイム検出Transformer)は、CNNバックボーンとTransformerエンコーダー・デコーダーを組み合わせ、リアルタイム性能を維持しながら高精度を実現します。特に、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が開発した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ネックを採用し、レイテンシと精度のバランスを取っています。

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。

新しいモデルのリリースやベンチマークの改訂に合わせて、このインデックスを更新しています。プライベートライセンスが必要なエンタープライズデプロイについては、Ultralyticsのライセンスページをご覧ください。

コントリビューター

コメント

質問したり、結果を共有したり、ほかの人をサポートしたりできます。