PP-YOLOE+とYOLO26
スケーラブルで効率的かつ高精度な物体検出モデルの必要性を背景に、リアルタイムコンピュータービジョンは急速に発展しています。この分野で注目される2つのアーキテクチャは、PaddlePaddleエコシステムの検出器であるPP-YOLOE+と、エッジデプロイおよびトレーニング効率を重視して設計された最新のUltralyticsモデル、Ultralytics YOLO26です。
このガイドでは、2つのモデルのアーキテクチャ、性能指標、トレーニング手法、最適なユースケースを比較し、次のAIプロジェクトで情報に基づいた判断ができるよう支援します。
技術仕様と開発者#
各モデルの起源と設計思想を知ることで、実際の用途に関する理解を深められます。
PP-YOLOE+の詳細:
- 著者: PaddlePaddle Authors
- 組織: Baidu
- 日付: 2022年4月2日
- arXiv: https://arxiv.org/abs/2203.16250
- GitHub: PaddleDetectionリポジトリ
- ドキュメント: PP-YOLOE+ドキュメント
YOLO26の詳細:
- 著者: Glenn Jocher、Jing Qiu
- 組織: Ultralytics
- 日付: 2026年1月14日
- GitHub: Ultralyticsリポジトリ
- ドキュメント: YOLO26のドキュメント
アーキテクチャの革新#
PP-YOLOE+のアーキテクチャ#
PP-YOLOEとそれ以前のPP-YOLOv2を基盤とするPP-YOLOE+は、産業用途に合わせた堅牢な設計を導入しています。CSPRepResNetバックボーンとET-head(Efficient Task-aligned head)を採用し、速度と精度のバランスを取っています。PP-YOLOE+は動的ラベル割り当て(TAL)を使用し、BaiduのPaddlePaddleフレームワークと緊密に統合されているため、T4やV100などのNVIDIA GPU向けに高度に最適化されています。ただし、PaddlePaddleエコシステムへの強い依存は、PyTorchのワークフローに慣れた開発者にとって障壁になることがあります。
YOLO26のアーキテクチャ:エッジファースト設計#
2026年1月にリリースされたUltralytics YOLO26は、デプロイの簡素化とエッジ効率を重視して、リアルタイム検出パイプラインを再設計しています。
YOLO26の主な革新点は次のとおりです。
- エンドツーエンドのNMS不要設計: YOLO26はネイティブなエンドツーエンド推論(
nms=False)をサポートし、非極大値抑制(NMS)の後処理を不要にします。この手法はYOLOv10で初めて導入され、シーンの混雑度にかかわらず推論レイテンシを安定させ、デプロイを大幅に簡素化します。 - DFLの削除: Distribution Focal Loss(DFL)を取り除くことで、YOLO26の出力ヘッドを簡素化し、低消費電力のエッジデバイスとの互換性を高めています。
- CPU推論が最大43%高速: DFLの削除と構造の最適化により、YOLO26は専用GPUのない環境向けに最適化されています。YOLO26nはYOLO11nと比較して、CPUで最大43%高速に推論できます。
- MuSGDオプティマイザー: Moonshot AIなどの高度なLLMトレーニング手法に着想を得て、YOLO26はSGDとMuonを組み合わせたハイブリッド方式を導入しています。これにより、コンピュータービジョンタスクのトレーニングが安定し、収束も高速化します。
- ProgLoss + STAL: Progressive Lossと小さな物体を考慮したラベル割り当ては、小さな物体の認識性能を重点的に向上させます。これは、IoTエッジセンサーや、VisDroneデータセットのようなドローン画像で重要です。
標準的なバウンディングボックスに加えて、YOLO26はすべてのビジョンタスクに特化した改良を導入しています。セグメンテーションにはセマンティックセグメンテーション損失とマルチスケールプロトタイピングを使用し、姿勢推定にはResidual Log-Likelihood Estimation(RLE)を採用しています。また、Oriented Bounding Box(OBB)検出の境界に関する問題を解決するため、専用の角度損失を使用します。
パフォーマンスとメトリクス#
以下の表では、さまざまなモデルサイズでPP-YOLOE+とYOLO26を包括的に比較します。YOLO26モデルは、生の速度、パラメーター効率、全体的な平均適合率(mAP)で優れています。
| モデル | サイズ (ピクセル) | mAPval50-95 | 速度 CPU ONNX (ms) | 速度 T4 TensorRT10 (ms) | パラメーター (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| PP-YOLOE+t | 640 | 39.9 | - | 2.84 | 4.85 | 19.15 |
| PP-YOLOE+s | 640 | 43.7 | - | 2.62 | 7.93 | 17.36 |
| PP-YOLOE+m | 640 | 49.8 | - | 5.56 | 23.43 | 49.91 |
| PP-YOLOE+l | 640 | 52.9 | - | 8.36 | 52.2 | 110.07 |
| PP-YOLOE+x | 640 | 54.7 | - | 14.3 | 98.42 | 206.59 |
| YOLO26n | 640 | 40.9 | 38.9 | 1.7 | 2.4 | 5.5 |
| YOLO26s | 640 | 48.6 | 87.2 | 2.5 | 9.5 | 20.9 |
| YOLO26m | 640 | 53.1 | 220.0 | 4.7 | 20.4 | 68.4 |
| YOLO26l | 640 | 55.0 | 286.2 | 6.2 | 24.8 | 86.8 |
| YOLO26x | 640 | 57.5 | 525.8 | 11.8 | 55.7 | 194.4 |
注:太字は、サイズが同等のモデルペア間で優れた指標を示します。
分析#
- メモリ要件と効率: YOLO26は、より少ないパラメーター数とFLOPsで、より高いmAPスコアを達成します。たとえば、YOLO26n(Nano)モデルは、わずか2.4Mのパラメーター数でmAP 40.9を達成し、サイズが約半分でありながらPP-YOLOE+tモデルを上回ります。これにより、トレーニング中とデプロイ時の両方でメモリ使用量を削減できます。
- 推論速度: TensorRTを使用してエクスポートした場合、YOLO26はレイテンシ指標で優位です。このベンチマークで使用したNMS不要の1対1ヘッド(
nms=False)により、T4 GPUでの1.7 msの推論時間を安定して維持できます。一方、PP-YOLOE+では後処理時間が変動する可能性があります。
Ultralyticsの強み:エコシステムと使いやすさ#
生の指標も重要ですが、開発者エクスペリエンスがプロジェクトの成否を左右することも少なくありません。Ultralytics Platformは、旧来のフレームワークよりもはるかに扱いやすく、メンテナンスの行き届いたエコシステムを提供します。
- 使いやすさ: Ultralyticsは複雑な定型コードを抽象化します。YOLO26のトレーニングはわずか数行のPythonで実行でき、PP-YOLOE+で必要となる複雑な設定ファイルを避けられます。
- 汎用性: PP-YOLOE+は主に物体検出向けのアーキテクチャです。YOLO26は、セグメンテーション、分類、姿勢推定、OBBをすぐに利用できる形でサポートします。
- トレーニング効率: Ultralytics YOLOモデルは、RT-DETRなどの大規模なTransformerモデルや旧来のアーキテクチャよりも必要なCUDAメモリが大幅に少ないため、一般向けハードウェアで高精度なモデルをトレーニングできます。
YOLO26をデフォルトの推奨モデルとしていますが、UltralyticsエコシステムにはYOLO11とYOLOv8も含まれています。どちらも大規模なコミュニティサポートを持つ有力なモデルであり、既存システムを保守するユーザーに適しています。
コード例:YOLO26のトレーニング#
Ultralyticsは簡単に使い始められます。以下は、YOLO26モデルの読み込み、トレーニング、エクスポート方法を示す実行可能な例です。
from ultralytics import YOLO
# Load the YOLO26 small model
model = YOLO("yolo26s.pt")
# Train the model on the COCO8 dataset using the new MuSGD optimizer
results = model.train(
data="coco8.yaml",
epochs=100,
imgsz=640,
batch=16,
optimizer="MuSGD", # hybrid SGD + Muon optimizer
)
# Export to ONNX for CPU deployment
export_path = model.export(format="onnx")
print(f"Model successfully exported to: {export_path}")最適なユースケース#
PP-YOLOE+を選ぶ場合#
- レガシーなPaddlePaddleインフラストラクチャ: 企業がすでにBaiduの技術スタックを深く導入し、Paddle Inference用に事前構成されたハードウェアを使用している場合、PP-YOLOE+は安全で安定した選択肢です。
- 既存のPaddleベースの生産ライン: 自動欠陥検出にPP-YOLOE+をすでに使用している産業用ビジョンパイプラインでは、確立済みのツールを引き続き利用できます。
YOLO26を選ぶ場合#
- エッジコンピューティングとIoT: CPU推論が最大43%高速(YOLO26n対YOLO11n)で、DFLも削除されているため、YOLO26はRaspberry Piボード、携帯電話、組み込みデバイスへのデプロイに適しています。
- 混雑したシーンとスマートシティ: エンドツーエンドのNMS不要アーキテクチャにより、駐車場管理や交通監視などの混雑した環境でもレイテンシが安定します。従来のNMSでは、こうした環境でボトルネックが生じます。
- マルチタスクプロジェクト: パイプラインで物体追跡、人間の姿勢推定、正確なセグメンテーションマスクの生成が必要な場合でも、YOLO26は単一の統合Pythonパッケージですべてに対応します。
結論#
PP-YOLOE+は特定のエコシステム内で有力な検出器であり続けていますが、YOLO26はリアルタイム検出の水準を引き上げます。LLMに着想を得たトレーニング最適化(MuSGD)と最適化済みのNMS不要アーキテクチャを組み合わせることで、Ultralyticsは高精度かつデプロイしやすいモデルを実現しました。速度、精度、開発者エクスペリエンスの最適なバランスを求める現代の開発者には、YOLO26を推奨します。
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。