PP-YOLOE+ vs. YOLO26: SOTAオブジェクト検出器の詳細な比較

オブジェクト検出の分野は常に進化しており、研究者は精度、速度、効率の限界を押し広げています。この包括的な分析では、BaiduのPaddlePaddleチームによる高度な検出器であるPP-YOLOE+と、Ultralyticsの最新の最先端モデルであるYOLO26という2つの重要なモデルを比較します。

PP-YOLOE+はリリース時にアンカーフリー検出における重要な革新を導入しましたが、YOLO26は、ネイティブなエンドツーエンド機能、簡素化されたデプロイメント、および最新のエッジアプリケーション向けの優れた性能を提供し、世代的な飛躍を遂げています。

PP-YOLOE+: 洗練されたアンカーフリー検出

PP-YOLOE+は、BaiduのPaddlePaddleチームによって開発されたPP-YOLOEのアップグレード版です。2022年にリリースされ、強力なバックボーンと効率的なヘッド設計により、トレーニングの収束とダウンストリームタスクの性能向上に焦点を当てています。

PP-YOLOE+の詳細:

著者: PaddlePaddle Authors
組織:Baidu
日付: 2022-04-02
Arxiv:https://arxiv.org/abs/2203.16250
GitHub:https://github.com/PaddlePaddle/PaddleDetection/
ドキュメント:PP-YOLOE+ドキュメント

アーキテクチャと手法

PP-YOLOE+は、より豊富な特徴を捉えるために大規模なカーネル設計を利用するCSPRepResNetバックボーンを基盤としています。分類タスクとローカライゼーションタスク間の高品質なアライメントを保証するため、ラベルを動的に割り当てるTAL (Task Alignment Learning)戦略を採用しています。

主要なアーキテクチャ機能は以下の通りです。

アンカーフリー設計: 事前定義されたアンカーボックスの必要性を排除し、ハイパーパラメータチューニングを削減します。
効率的なタスクアラインドヘッド (ET-Head): 速度と精度のトレードオフを最適化します。
動的ラベル割り当て: ソフトラベル割り当て戦略を使用し、トレーニングの安定性を向上させます。

当時としては革新的でしたが、PP-YOLOE+は後処理に従来のNon-Maximum Suppression (NMS)に依存しています。このステップは推論中にレイテンシを追加し、NMSの実装がTensorRTやONNX Runtimeのような異なるハードウェアプラットフォーム間で異なる可能性があるため、デプロイメントパイプラインを複雑にします。

YOLO26: エッジAIの新標準

2026年初頭にリリースされたYOLO26は、以前の世代で一般的だったデプロイメントのボトルネックを解決するためにゼロから設計されました。ネイティブなNMSフリーのエンドツーエンドアーキテクチャを導入することで、リソースが限られたデバイスでのデプロイメントを大幅に高速化し、容易にします。

YOLO26の詳細:

著者: Glenn Jocher、Jing Qiu
組織:Ultralytics
日付: 2026-01-14
ドキュメント:Ultralytics YOLO26 ドキュメント
GitHub:https://github.com/ultralytics/ultralytics

アーキテクチャとイノベーション

YOLO26は、ラベル割り当てとデコードロジックをモデル構造に直接統合することで、従来のアンカーベースまたはアンカーフリーのパラダイムを超越します。

エンドツーエンドのNMSフリー: トレーニング中に1対1のマッチングを予測することで、YOLO26はNMSの必要性を完全に排除します。この画期的な進歩は、YOLOv10で初めて開拓され、予測可能なレイテンシとよりシンプルなエクスポートロジックをもたらします。
DFLの削除: Distribution Focal Lossの削除により出力ヘッドが簡素化され、8ビット量子化とエッジデプロイメントに適したモデルになります。
MuSGD Optimizer: LLMトレーニング (Kimi K2) に着想を得たSGDとMuonのハイブリッドであり、安定した収束と汎化性能の向上を実現します。
ProgLoss + STAL: 新しい損失関数は、以前のdetectorにおける一般的な弱点であった小さなオブジェクトのdetectを特にターゲットとしています。

YOLO26についてさらに詳しく

なぜエンドツーエンドが重要なのか

従来のオブジェクトdetectorは数千もの候補ボックスを出力し、重複をフィルタリングするためにNMSを必要とします。NMSは計算コストが高く、ハードウェアアクセラレータ (TPUやNPUなど) での最適化が困難です。YOLO26のエンドツーエンド設計は、最終的なボックスを直接出力するため、このボトルネックを解消し、CPUでの推論を最大43%高速化します。

パフォーマンス比較

パフォーマンスを比較すると、YOLO26は効率性において明確な優位性を示します。特にCPUベースの推論と簡素化されたデプロイメントワークフローにおいて顕著です。PP-YOLOE+は強力な学術的ベースラインであり続けていますが、YOLO26は、より少ないパラメータでより高いmAP^valと、大幅に低いレイテンシを提供します。

以下の表は、COCO datasetにおけるパフォーマンスメトリクスを示しています。

モデル	サイズ ^{(ピクセル)}	mAP^val 50-95	速度 ^{CPU ONNX (ms)}	速度 ^{T4 TensorRT10 (ms)}	params ^(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	5.4
YOLO26s	640	48.6	87.2	2.5	9.5	20.7
YOLO26m	640	53.1	220.0	4.7	20.4	68.2
YOLO26l	640	55.0	286.2	6.2	24.8	86.4
YOLO26x	640	57.5	525.8	11.8	55.7	193.9

主なポイント

効率性: YOLO26nは、PP-YOLOE+tよりも高い精度（40.9 mAP）を達成し、FLOPsを大幅に削減（5.4B対19.15B）しています。これにより、YOLO26はモバイルおよびバッテリー駆動アプリケーションにとって格段に優れた選択肢となります。
スケーラビリティ: 最大規模において、YOLO26xはPP-YOLOE+xを約3.0 mAP上回り、より少ないパラメータ数（55.7M対98.42M）を維持しています。
推論速度: NMSとDFLの削除により、YOLO26はCPU上で最大43%高速に実行できます。これは、Raspberry PiやGPUが利用できない一般的なクラウドインスタンスなどのデバイスにとって重要な指標です。

ユーザビリティとエコシステム

モデルの真の価値は、生データとしての指標だけでなく、いかに容易に本番環境に統合できるかにも及びます。

Ultralyticsエコシステムの利点

Ultralyticsは使いやすさとシームレスな開発者体験を優先しています。シンプルなpython APIにより、ユーザーは数分でインストールからトレーニングまでを実行できます。

from ultralytics import YOLO

# Load a COCO-pretrained YOLO26n model
model = YOLO("yolo26n.pt")

# Train on a custom dataset
results = model.train(data="coco8.yaml", epochs=100)

# Export to ONNX for deployment
path = model.export(format="onnx")

Ultralyticsエコシステムには、以下のものも含まれます。

包括的なドキュメント: トレーニング、検証、デプロイに関する広範なガイド。
幅広いタスクのサポート: 主にdetectionに焦点を当てているPP-YOLOE+とは異なり、YOLO26は、単一のフレームワーク内でインスタンスセグメンテーション、姿勢推定、分類、およびOriented Bounding Boxes (obb)をサポートします。
活発なコミュニティ: 頻繁な更新と広範なユーザーベースにより、エッジケースの解決策は、GitHub IssuesまたはコミュニティDiscordを通じてより迅速に見つけることができます。

トレーニング効率

YOLO26は、トレーニング中のメモリ消費量を抑えるように設計されています。新しいMuSGD optimizerはトレーニングのダイナミクスを安定させ、PP-YOLOE+に必要なスケジュールと比較して、収束に達するまでのエポック数を少なくすることがよくあります。これにより、クラウドコンピューティングコストが削減され、研究開発のイテレーションサイクルが高速化されます。

理想的なユースケース

PP-YOLOE+を選択する場合

レガシーなPaddlePaddleワークフロー: 既存のインフラストラクチャがBaidu PaddlePaddleフレームワークおよび推論エンジンに深く結びついている場合、PP-YOLOE+は互換性のある選択肢であり続けます。
学術研究: ResNetバックボーンファミリー内のアンカーフリー割り当て戦略を特に研究している研究者向け。

YOLO26を選択する場合

リアルタイムエッジデプロイメント: Android、iOS、または組み込みLinux上で、ミリ秒単位のレイテンシが重要となるアプリケーション向け。
小オブジェクトdetection: ProgLossとSTALの組み合わせにより、YOLO26はドローン画像解析や製造業における欠陥detectionなどのタスクにおいて優れています。
マルチタスク要件: 新しいAPIやコードベースを学習することなく、detection、segmentation、姿勢推定を切り替える必要があるプロジェクトの場合。
迅速なプロトタイピング: Ultralyticsパッケージの「オールインワン」な性質により、スタートアップ企業やエンタープライズチームは、データからデプロイまでをより迅速に進めることができます。

結論

2020年代初頭においてPP-YOLOE+は強力なアンカーフリーdetectorとして機能しましたが、YOLO26はコンピュータビジョンの未来を象徴しています。NMSのボトルネックを排除し、CPU速度を最適化し、複数のビジョンタスクに統一されたインターフェースを提供することで、YOLO26は今日のAI課題に対し、より堅牢で効率的、かつユーザーフレンドリーなソリューションを提供します。

最先端のビジョン機能を最小限の摩擦で統合したい開発者にとって、Ultralytics YOLO26は推奨される選択肢です。

さらに詳しく

他のアーキテクチャにご興味がありますか？完全にサポートされている前世代モデルであるYOLO11をご覧いただくか、トランスフォーマーベースのdetectionソリューションについてはRT-DETRをご確認ください。