Link to this sectionPP-YOLOE+ と YOLO26#

リアルタイムコンピュータビジョンの領域は、スケーラブルで効率的かつ高精度な物体検出モデルへの需要に牽引され、大きな成長を遂げてきました。この分野で際立っている2つのアーキテクチャが、PaddlePaddleエコシステムにおける強力な検出器である PP-YOLOE+ と、エッジ展開とトレーニング効率を再定義する最新の最先端モデルである Ultralytics YOLO26 です。

本ガイドでは、これら2つのモデルを包括的に比較し、そのアーキテクチャ、パフォーマンス指標、トレーニング手法、および理想的なユースケースを紹介することで、次回のAIプロジェクトに向けた情報に基づいた意思決定を支援します。

Link to this section技術仕様と著作権情報#

これらのモデルの背景にある起源と設計思想を理解することは、実際のアプリケーションに応用する上で非常に重要です。

PP-YOLOE+の詳細:

著者: PaddlePaddle 著者陣
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

PP-YOLOE+の詳細はこちら

YOLO26の詳細:

著者： Glenn Jocher and 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 Documentation

YOLO26の詳細はこちら

Link to this sectionアーキテクチャの革新#

Link to this sectionPP-YOLOE+ のアーキテクチャ#

PP-YOLOv2をベースに構築された PP-YOLOE+ は、産業用アプリケーション向けに最適化され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) を活用し、速度と精度のバランスを実現しています。PP-YOLOE+ は動的ラベル割り当て (TAL) を利用し、Baiduの PaddlePaddle フレームワークとシームレスに統合されるため、T4 や V100 といった NVIDIA GPU に最適化されています。しかし、PaddlePaddle エコシステムへの依存度が高いため、PyTorch ワークフローに慣れた開発者にとっては導入の障壁となる可能性があります。

Link to this sectionYOLO26 アーキテクチャ: エッジファーストの革命#

2026年初頭にリリースされた Ultralytics YOLO26 は、展開の容易さとエッジ効率を最優先し、リアルタイム検出パイプラインを完全に再構築しました。

YOLO26の主な革新技術は以下の通りです。

エンドツーエンドのNMSフリー設計: YOLO26はネイティブでエンドツーエンドであり、非最大値抑制 (NMS) 後処理の必要性を完全に排除しています。YOLOv10 で初めて採用されたこの画期的な手法により、シーンの混雑状況にかかわらず一定の推論遅延が確保され、展開が大幅に簡素化されました。
DFLの削除: Distribution Focal Loss (DFL) を削除することで、YOLO26は出力ヘッドを劇的に簡素化しました。これにより、エッジデバイスやマイクロコントローラとの互換性が大幅に向上しました。
CPU推論が最大43%高速化: DFLの削除と構造の最適化により、YOLO26は専用GPUがない環境でも高度に最適化されており、YOLO11 と比較してCPUでの推論速度が最大43%向上しています。
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触発された YOLO26 は、SGD と Muon のハイブリッドを採用しています。これにより、コンピュータビジョンタスクにおいて比類のないトレーニングの安定性と高速な収束が実現しました。
ProgLoss + STAL: 特化した高度な損失関数により、ドローン運用やIoTエッジセンサーで重要となる小さな物体の認識能力を強化しました。

YOLO26におけるタスク特化型の改善

標準的なバウンディングボックスを超えて、YOLO26はすべてのビジョンタスクで特定のアップグレードを導入しました。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、ポーズ推定には Residual Log-Likelihood Estimation (RLE)、傾き付きバウンディングボックス (OBB) 検出における境界問題を解決するための専門的な角度損失を採用しています。

Link to this sectionパフォーマンスとメトリクス#

以下の表は、PP-YOLOE+ と YOLO26 をさまざまなモデルサイズで比較した包括的な結果です。YOLO26モデルは、純粋な速度、パラメータ効率、および全体的な平均精度 (mAP) において圧倒的な優位性を持っています。

モデル	サイズ ^{(ピクセル)}	mAP^val 50-95	速度 ^{CPU ONNX (ms)}	速度 ^{T4 TensorRT10 (ms)}	パラメータ ^(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

注: 太字の値は、全モデルの中で最もパフォーマンスの高い指標を示しています。

Link to this section分析#

メモリ要件と効率: YOLO26は、より高い mAP スコアを達成するために必要なパラメータ数とFLOPsが大幅に少なくなっています。例えば、YOLO26n (Nano) モデルは、わずか2.4Mパラメータで40.9 mAPを達成し、サイズの約半分でありながら PP-YOLOE+t モデルを凌駕しています。これは、トレーニング時と展開時の両方においてメモリ消費量を削減することを意味します。
推論速度: TensorRT を使用してエクスポートした場合、YOLO26は遅延指標で圧倒します。NMSの削除により、T4 GPUでの1.7msの推論時間は完全に安定していますが、PP-YOLOE+ は変動する可能性のある後処理時間に依存しています。

Link to this sectionUltralyticsの利点：エコシステムと使いやすさ#

純粋な指標も重要ですが、多くの場合、開発者エクスペリエンスがプロジェクトの成功を左右します。Ultralytics Platform は、既存の旧来型フレームワークよりも優れた、適切にメンテナンスされたエコシステムを提供します。

使いやすさ: Ultralyticsは複雑なボイラープレートコードを抽象化します。YOLO26のトレーニングは数行の Python コードで完結し、PP-YOLOE+ に必要な密度の高い設定ファイルを作成する必要はありません。
汎用性: PP-YOLOE+ は主に物体検出アーキテクチャです。一方、YOLO26はセグメンテーション、分類、ポーズ推定、OBBをすぐに利用できるサポートを提供しています。
Training Efficiency: Ultralytics YOLO models require vastly lower CUDA memory compared to bulky transformer models like RT-DETR or older architectures, enabling researchers to train state-of-the-art models on consumer-grade hardware.

その他のUltralyticsモデル

YOLO26が現在の研究の頂点である一方、Ultralyticsのエコシステムには YOLO11 や 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備えた非常に有能なモデルであり、古いレガシーシステムから移行するユーザーに最適です。

Link to this sectionコード例: YOLO26の学習#

Ultralyticsでの開発開始はスムーズです。以下は、YOLO26モデルの読み込み、トレーニング、検証を行うための完全に実行可能な例です：

from ultralytics import YOLO

# Load the cutting-edge 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="auto",  # MuSGD is automatically engaged for YOLO26
)

# Export seamlessly to ONNX for CPU deployment
export_path = model.export(format="onnx")
print(f"Model successfully exported to: {export_path}")

Link to this section理想的なユースケース#

Link to this sectionPP-YOLOE+ を選ぶべき場面#

レガシーなPaddlePaddleインフラ: 企業がすでにBaiduのテクノロジースタックに深く関与しており、Paddle Inference用に事前設定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となります。
アジアの製造ハブ: アジアの多くの産業用ビジョンパイプラインにおいて、PP-YOLOE+ は自動欠陥検出における堅牢で既存のサポート基盤を持っています。

Link to this sectionYOLO26を選ぶべき時#

エッジコンピューティングとIoT: 43%高速なCPU推論 と DFL削除により、YOLO26は Raspberry Pi、携帯電話、組み込みデバイスへの展開において無敵のチャンピオンとなっています。
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フリー アーキテクチャは、従来のNMSがボトルネックとなる駐車場管理や交通監視などの密集した環境において、安定した遅延を保証します。
マルチタスクプロジェクト: 物体の追跡、人間のポーズ推定、またはピクセル単位のマスク生成がパイプラインで必要な場合、YOLO26はこれらすべてを単一の統一された Python パッケージ内で処理します。

Link to this section結論#

PP-YOLOE+ は特定の環境内では依然として非常に有能な検出器ですが、YOLO26 のリリースによってパラダイムシフトが起きました。LLMに触発されたトレーニング最適化 (MuSGD) と、妥協のないNMSフリーのアーキテクチャを組み合わせることで、Ultralyticsは高精度かつ容易に展開可能なモデルを作成しました。速度、精度、開発者エクスペリエンスの最高のバランスを求める現代の開発者にとって、YOLO26は決定的な選択肢です。

貢献者

GLglenn-jocher⁵

作成日時 5 か月前更新日時 6 日前