はじめる

PP-YOLOE+とYOLOv8の比較

高性能なリアルタイムコンピュータービジョンモデルへの需要が、AI業界全体の急速な革新を促しています。適切なアーキテクチャの選択は、効率的なデプロイと、扱いにくくリソースを大量に消費するパイプラインの分かれ目となる場合があります。この技術ガイドでは、PP-YOLOE+とUltralytics YOLOv8を比較し、基盤となるアーキテクチャ、トレーニング効率、最適なデプロイシナリオを解説します。

アーキテクチャの概要#

どちらのモデルも物体検出の進化における重要な節目ですが、開発理念とエコシステムはまったく異なります。

PP-YOLOE+#

PaddleDetectionスイートの拡張として開発されたPP-YOLOE+は、従来のPP-YOLOシリーズを基盤としています。PaddlePaddleディープラーニングフレームワーク向けに高度に最適化されており、主にBaiduのソフトウェアスタック上に構築された産業用デプロイを対象としています。

PP-YOLOE+は、CSPRepResNetバックボーンと効率的なタスク整合ヘッド(ET-head)を使用し、分類タスクと位置特定タスクを動的に整合させます。標準ベンチマークで高い平均適合率(mAP)を達成する一方、PaddlePaddleエコシステムへの依存度が高いため、広く採用されている他のフレームワークに慣れた開発者には扱いにくい場合があります。

PP-YOLOE+の詳細はこちら

Ultralytics YOLOv8#

2023年1月にUltralyticsがリリースしたYOLOv8は、当時の物体検出で新たな最先端を確立し、PyTorch開発者コミュニティに使いやすさ、幅広い汎用性、高速な実行性能をもたらしました。

YOLOv8では、最適化されたアンカーフリー検出ヘッドと、従来のC3モジュールに代わる改良版C2fビルディングブロックが導入されました。この設計により勾配フローが改善され、高速なモデルのトレーニングが可能になります。単純な検出にとどまらず、YOLOv8はマルチタスクモデルとして、使いやすい同一のAPIを通じてインスタンスセグメンテーション、画像分類、姿勢推定をサポートします。

パフォーマンスと指標の比較#

これらのアーキテクチャを直接比較すると、パラメーター数と推論レイテンシの間にさまざまなトレードオフがあることがわかります。以下に、COCOデータセットでのパフォーマンスを示します。

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+t64039.9-2.844.8519.15
PP-YOLOE+s64043.7-2.627.9317.36
PP-YOLOE+m64049.8-5.5623.4349.91
PP-YOLOE+l64052.9-8.3652.2110.07
PP-YOLOE+x64054.7-14.398.42206.59
YOLOv8n64037.380.41.473.28.7
YOLOv8s64044.9128.42.6611.228.6
YOLOv8m64050.2234.75.8625.978.9
YOLOv8l64052.9375.29.0643.7165.1
YOLOv8x64053.9479.114.3768.2257.8

最大サイズのPP-YOLOE+xモデルはYOLOv8xをわずかに上回るmAPを達成しますが、パラメーター数は約1億に達します。Ultralytics YOLOv8モデルは、一貫して優れたパフォーマンスバランスを示します。 YOLOv8アーキテクチャは、より大型のモデルに比べてトレーニング時と推論時のメモリー使用量が大幅に少なく、本番環境でのスケールアップに適しています。

Ultralyticsエコシステムの利点#

モデルを評価する際には、生のアーキテクチャと同じくらい周辺のエコシステムも重要です。PP-YOLOE+では、PaddlePaddleフレームワーク固有の複雑な設定ファイルや依存関係に対応する必要があります。

一方、Ultralyticsは開発速度を重視したユーザー体験を提供します。適切に保守されているエコシステムには、シンプルなPython APIと活発なコミュニティがあります。Ultralytics Platformは、データセット管理、クラウドトレーニング、ONNXやTensorRTなどの形式への簡単なエクスポートを提供し、MLパイプライン全体を簡素化します。

PyTorchデプロイの簡素化

YOLOv8はネイティブにPyTorchで構築されているため、既存のAIパイプラインへの統合や、CoreMLを介したモバイル環境へのエクスポート、エッジデバイスへのデプロイが、専用のソフトウェアスタックを必要とするフレームワークより大幅に簡単です。

使いやすさ:コードの比較#

Ultralyticsで物体検出器をトレーニングするコードは、わずか数行で済みます。複雑で階層的な設定フォルダーを読み解く必要はありません。

from ultralytics import YOLO

# 事前トレーニング済みのYOLOv8 smallモデルを読み込みます
model = YOLO("yolov8s.pt")

# カスタムデータセットでモデルを効率的にトレーニングする
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# mAP指標でモデルを検証する
metrics = model.val()

# 高速なエッジデプロイ用にエクスポートする
model.export(format="engine", dynamic=True)  # TensorRTにエクスポートする

ユースケースと推奨事項#

PP-YOLOE+とYOLOv8のどちらを選ぶかは、プロジェクト固有の要件、デプロイ上の制約、エコシステムに関する好みによって異なります。

PP-YOLOE+を選ぶ場合#

PP-YOLOE+は、次のような用途に適しています。

  • PaddlePaddleエコシステムとの統合: BaiduのPaddlePaddleフレームワークとツールを基盤とする既存インフラストラクチャを持つ組織。
  • Paddle Liteによるエッジデプロイ: Paddle LiteまたはPaddle推論エンジン向けに特別に最適化された推論カーネルを備えるハードウェアへのデプロイ。
  • サーバー側での高精度検出: フレームワークへの依存が問題にならない、強力なGPUサーバー上で検出精度を最大化することを優先するシナリオ。

YOLOv8を選ぶ場合#

YOLOv8は、次のような場合におすすめです。

  • Versatile Multi-Task Deployment: Ultralyticsエコシステム内で、検出、セグメンテーション、分類、姿勢推定に対応する実績あるモデルが必要なプロジェクトに適しています。
  • 確立済みの本番システム: 安定性と十分なテストが確認されたデプロイパイプラインを備え、すでにYOLOv8アーキテクチャを基盤として構築されている本番環境。
  • 広範なコミュニティとエコシステムのサポート: YOLOv8の豊富なチュートリアル、サードパーティ製ツールとの統合、活発なコミュニティリソースを活用できるアプリケーション。

Ultralytics (YOLO26)を選ぶ場合#

多くの新規プロジェクトにおいて、Ultralytics YOLO26はパフォーマンスと開発者体験を最適なバランスで提供します。

  • NMSを使用しないエッジデプロイ: 非最大抑制の後処理を複雑化させずに、安定した低レイテンシー推論を必要とするアプリケーション。
  • CPUのみの環境: 専用GPUアクセラレーションを備えていないデバイスでは、YOLO26が最大43%高速なCPU推論(YOLO26nとYOLO11nの比較)を実現し、明確な優位性を発揮します。
  • 小物体検出: ドローンによる航空画像やIoTセンサーの分析など、ProgLossとSTALによって小さな物体の精度が大幅に向上する難しいシナリオ。

YOLOv8を超えて:YOLO26の幕開け#

YOLOv8は引き続き堅牢で信頼できる選択肢ですが、最新の進歩を求める開発者はUltralytics YOLO26を検討してください。2026年1月にリリースされたYOLO26は、YOLOアーキテクチャの基本原則をエッジファーストのAIモデルファミリーへと発展させています。

YOLO26は、PP-YOLOE+と従来のYOLO世代(YOLO11を含む)の両方を上回る、いくつかの革新をもたらします。

  • エンドツーエンドのNMSフリー設計: YOLOv10の概念を発展させ、YOLO26はオプションのエンドツーエンドヘッド(nms=False)を提供します。非極大値抑制(NMS)の後処理をなくすことで、シーンの混雑度にかかわらず、一貫して低レイテンシの推論を実現します。
  • CPU推論が最大43%高速: Distribution Focal Loss(DFL)を削除することで、YOLO26は処理のオーバーヘッドを大幅に削減します。エッジCPU上でYOLO26nはYOLO11nより最大43%高速に動作するため、高価なGPUを利用できないスマートシティやIoTアプリケーションに適しています。
  • MuSGDオプティマイザー: YOLO26は大規模言語モデル(LLM)のトレーニング手法を取り入れています。ハイブリッド型のMuSGDオプティマイザーにより、トレーニングの安定性と収束速度が向上します。
  • ProgLoss + STAL: プログレッシブロスと小型ターゲットを考慮したラベル割り当てにより、小さく遠方にある物体の検出性能が大幅に向上します。航空画像を分析するドローン運用や、高速で動く製造ライン上の欠陥検出に大きなメリットをもたらします。

新しいコンピュータービジョンプロジェクトを始める開発者には、YOLO26を推奨します。

実際の用途#

これらのモデルのどちらを選ぶかは、多くの場合、実際のデプロイ環境によって決まります。

PP-YOLOE+が適している環境:

  • Paddle専用のハードウェアエコシステム: PaddlePaddleが必須のランタイムであるBaidu対応ハードウェアに限定してデプロイする場合、PP-YOLOE+は優れたネイティブ統合を提供します。
  • 大規模なサーバー側処理: パラメーター数やメモリの制約が問題にならず、オフラインのサーバー推論のみを実行する場合に適しています。

Ultralytics YOLOv8(およびYOLO26)が適している環境:

  • 動的なエッジコンピューティング: NVIDIA JetsonデバイスからRaspberry Piボードまで、Ultralyticsモデルは速度と小さなメモリフットプリントの優れたバランスを提供します。
  • マルチタスクパイプライン: アプリケーションで、単純なバウンディングボックスから航空画像用の回転バウンディングボックス(OBB)へ、あるいは行動分析用の姿勢推定へと機能を拡張する必要がある場合、Ultralyticsはこれらのタスクを標準でサポートします。
  • 迅速なプロトタイピングから本番環境へ: Ultralyticsエコシステムは、チームの迅速な反復を支援します。事前トレーニング済みの重みをすぐに利用できるため、競合アーキテクチャよりもはるかに速く、カスタムモデルをトレーニングしてUltralytics Platform経由でデプロイできます。

PP-YOLOE+は競争力のあるベンチマーク結果を示しますが、Ultralyticsモデルの汎用性、使いやすさ、継続的な革新、特に最新のYOLO26により、現代の開発者や研究者にとってより優れた選択肢となっています。

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。