YOLO11とPP-YOLOE+の比較#
本番環境でコンピュータビジョンアプリケーションをデプロイする際、最適なニューラルネットワークアーキテクチャを選択することは重要です。この技術比較では、リアルタイム物体検出分野で注目される2つのモデル、Ultralytics YOLO11とBaiduのPP-YOLOE+を検証します。どちらのアーキテクチャも堅牢な性能を提供しますが、精度、推論速度、開発者エコシステムの課題へのアプローチは大きく異なります。
以下のインタラクティブチャートでは、これらのモデルの性能限界を示しています。ハードウェアの制約に最適なモデルを特定する際に役立ちます。
モデルの起源と技術的系譜#
これらのモデルの起源と設計思想を理解することで、それぞれの強みと最適なユースケースを把握するための有用な背景情報が得られます。
YOLO11の詳細#
Ultralyticsが開発したYOLO11は、高速な推論、極めて高いパラメータ効率、比類のない使いやすさのバランスを重視した、YOLOシリーズの高度に洗練された進化版です。統合されたマルチタスク機能と開発者に使いやすいPython APIで広く知られています。
- 著者: Glenn Jocher、Jing Qiu
- 組織: Ultralytics
- 日付: 2024-09-27
- GitHub: https://github.com/ultralytics/ultralytics
- Docs: YOLO11ドキュメント
PP-YOLOE+の詳細#
PP-YOLOE+は、PaddlePaddleフレームワーク上に構築されたPP-YOLOv2の進化版です。CSPRepResNetバックボーンやタスクアライメント学習（TAL）などのアーキテクチャ変更を導入し、特にハイエンドGPU上で精度の限界を押し広げます。
- 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+ Configuration Docs
アーキテクチャの違い#
YOLO11とPP-YOLOE+の基本的なアーキテクチャ設計には、コンピュータビジョン分野における優先事項の違いが反映されています。
YOLO11は、高度に最適化されたバックボーンとアンカーフリーの検出ヘッドを基盤としています。C3k2ブロックとSpatial Pyramid Pooling - Fast（SPPF）を使用して、計算オーバーヘッドを最小限に抑えながらマルチスケール特徴を取得します。この設計は、エッジNPUやモバイルCPUなど、リソースに制約のあるデバイスで推論レイテンシを削減するうえで非常に有利です。さらに、YOLO11はマルチタスク学習向けにネイティブ設計されており、インスタンスセグメンテーション、姿勢推定、回転バウンディングボックス（OBB）検出を標準でサポートします。
**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）を導入しています。トレーニング中の表現力を高めるために再パラメータ化テクニックを多用しつつ、推論時にはそれらのパラメータを標準的な畳み込みに統合します。これにより優れた平均精度（mAP）がもたらされますが、その結果生じるモデルはパラメータやメモリフットプリントの面で重くなる傾向があり、軽量なエッジデバイスよりも堅牢なサーバーGPUへのデプロイに適しています。
標準的なバウンディングボックスを超えて機能を拡張する必要があるプロジェクトでは、Ultralytics YOLO11が同一のAPI内でセグメンテーション、姿勢推定、分類をネイティブにサポートします。複数の個別リポジトリを統合する場合と比べ、開発オーバーヘッドを大幅に削減できます。
パフォーマンスとベンチマーク#
性能を評価する際は、精度（mAP）、異なるハードウェアにおける推論速度、モデル効率（パラメータ数とFLOPs）を確認します。以下の表では比較指標を示しており、最も効率的または高性能な値を太字で示しています。
| モデル | サイズ （ピクセル） | mAPval 50-95 | 速度 CPU ONNX （ms） | 速度 T4 TensorRT10 （ms） | パラメーター数 （M） | FLOPs （B） |
|---|---|---|---|---|---|---|
| YOLO11n | 640 | 39.5 | 56.1 | 1.5 | 2.6 | 6.5 |
| YOLO11s | 640 | 47.0 | 90.0 | 2.5 | 9.4 | 21.5 |
| YOLO11m | 640 | 51.5 | 183.2 | 4.7 | 20.1 | 68.0 |
| YOLO11l | 640 | 53.4 | 238.6 | 6.2 | 25.3 | 86.9 |
| YOLO11x | 640 | 54.7 | 462.8 | 11.3 | 56.9 | 194.9 |
| 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 |
分析#
YOLO11は、性能バランスとパラメータ効率において明確な優位性を示します。たとえば、YOLO11mはPP-YOLOE+m（49.8）より高いmAP（51.5）を、より少ないパラメータ数（20.1M対23.43M）で達成し、TensorRTで大幅に高速な推論速度（4.7ms対5.56ms）も実現します。YOLO11モデルは軽量であるため、モデル学習とデプロイの両方で必要なメモリ量が本質的に少なくなります。
トレーニングエコシステムと使いやすさ#
モデルの真の価値は、カスタムのコンピュータビジョンデータセットでどれだけ容易に学習でき、本番環境へデプロイできるかにあることが少なくありません。
Ultralyticsの優位性#
Ultralyticsは、効率化された開発者体験を優先しています。YOLO11の学習はシンプルなPython APIまたはCLIで管理でき、複雑なボイラープレートコードを抽象化します。Ultralytics Platformでは、コード不要の学習、自動データセット管理、ONNX、CoreML、TensorRTなどの形式へのワンクリックエクスポートを提供し、さらに開発体験を向上させます。
さらに、YOLOモデルはトレーニング中のメモリ効率が非常に高く、Transformerベースのアーキテクチャや重い再パラメータ化モデルに特有の膨大なVRAMオーバーヘッドを回避できるため、コンシューマー向けハードウェアでのトレーニングが可能です。
from ultralytics import YOLO
# Load a pretrained YOLO11 model
model = YOLO("yolo11n.pt")
# Train the model on the COCO8 dataset
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# Run inference on an image
results = model("https://ultralytics.com/images/bus.jpg")
results[0].show()PP-YOLOE+のエコシステム#
PP-YOLOE+はPaddleDetectionエコシステム内で動作します。このフレームワークは強力で、Baiduの産業向けソリューションと緊密に統合されていますが、開発者は特定のPaddlePaddleディープラーニングフレームワークを採用する必要があります。そのため、すでにPyTorchを標準としているチームにとっては、学習曲線がより険しくなる可能性があります。さらに、PP-YOLOE+モデルをエッジデバイス向けの標準的な汎用形式へエクスポートする場合、Ultralyticsのワークフローにあるネイティブなエクスポートパイプラインと比べて、追加の変換手順が必要になることがあります。
理想的なユースケース#
これらのモデルのどちらを選ぶかは、具体的なデプロイ環境によって決まります。
- YOLO11を選ぶ場合: アジャイルな開発、エッジコンピューティング、モバイルアプリケーションに適しています。高速な推論、少ないメモリフットプリント、幅広いエクスポート機能により、標準CPUでのリアルタイム小売在庫管理、ドローンによる航空画像分析、複雑なマルチタスクパイプラインなどのタスクに最適です。
- PP-YOLOE+を選ぶ場合: 本番パイプライン全体ですでにPaddlePaddleエコシステムを大幅に活用している場合、またはメモリ制約やハードウェア互換性（Paddleの最適化ハードウェア以外）が主要な懸念事項にならない、ハイエンドの専用推論サーバーにデプロイする場合に適しています。
次世代モデル: YOLO26の紹介#
YOLO11は非常に強力ですが、AIの分野は急速に進歩しています。物体検出における最先端を求める場合、Ultralyticsが新しい**YOLO26**を発表しました。2026年1月にリリースされたYOLO26は、前世代モデルの成果を基盤として、これまでにない効率と精度を実現します。
YOLO26の主な革新:
- エンドツーエンドのNMSフリー設計: YOLO26はNon-Maximum Suppression（NMS）の後処理をネイティブに排除します。これにより推論が大幅に高速化され、デプロイロジックが簡素化されます。このアーキテクチャ上の飛躍は、YOLOv10で初めて導入されました。
- CPU推論が最大43%高速: GPUを搭載しないエッジデバイス向けに特化して最適化され、低消費電力のハードウェアでもリアルタイム性能を実現します。
- MuSGDオプティマイザー: LLMの学習安定性に着想を得た、SGDとMuonのハイブリッドであり、より高速な収束と安定した学習を実現します。
- ProgLoss + STAL: 改良された損失関数により、小さな物体の認識性能が大幅に向上します。これはドローンアプリケーションやセキュリティ監視において重要です。
- DFLの削除: Distribution Focal Lossを削除することでモデルエクスポートが簡素化され、幅広いエッジデバイス間での互換性が大幅に向上します。
速度、シームレスなエクスポート、最高精度を重視する新規プロジェクトには、Ultralytics Platformを通じてYOLO26の機能を活用することを強く推奨します。
他のアーキテクチャを評価している場合は、YOLO11とRT-DETRを比較したり、従来モデルのYOLOv8が現代のベンチマークでどの程度通用するかを検証したりすることにも関心があるかもしれません。