YOLO11対YOLO26#

コンピュータービジョンの急速な進化により、速度、精度、展開効率の限界が常に押し広げられています。リアルタイム物体検出の分野において、Ultralyticsは常に標準を確立しています。この技術比較では、大成功を収めたYOLO11から最先端のYOLO26への移行について、そのアーキテクチャ、パフォーマンス指標、および理想的な展開シナリオを分析しながら探求します。

ドローン配送システムを構築する場合でも、グローバルなスマート製造パイプラインを最適化する場合でも、これら2つのモデルの微妙な違いを理解することは、堅牢で将来性のあるAIソリューションを構築するのに役立ちます。

モデルの系譜とエコシステム#

どちらのモデルも、分かりやすいAPI、継続的なメンテナンス、および活発なコミュニティを特徴とする包括的なUltralytics ecosystemの恩恵を受けています。これらは比類のない汎用性を提供し、object detection、instance segmentation、image classification、pose estimation、およびOriented Bounding Box (OBB)のタスクをすぐにサポートします。

YOLO11: 確立された標準#

2024年後半にリリースされたYOLO11は、初期世代の進歩を洗練させ、本番環境における信頼できる主力製品としての地位を確固たるものにしました。

• 著者： Glenn Jocher and Jing Qiu
• 組織: Ultralytics
• 日付: 2024-09-27
• GitHub: https://github.com/ultralytics/ultralytics
• ドキュメント: YOLO11 Documentation

YOLO11の詳細はこちら

YOLO26: 新たなフロンティア#

2026年初頭に導入されたYOLO26は、エッジコンピューティングとエンドツーエンドアーキテクチャのパラダイムシフトを体現しており、処理速度と統合の容易さにおいて大幅な改善をもたらします。

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

YOLO26の詳細はこちら

アーキテクチャの革新#

YOLO11は長年コンピュータビジョンを支えてきた従来の後処理手法に依存していますが、YOLO26はボトルネックを解消するために設計されたいくつかの構造的なブレークスルーを導入しています。

エンドツーエンドの NMS 不要設計#

YOLO26における最も重要なアップグレードの1つは、ネイティブなエンドツーエンドのアーキテクチャです。これは、YOLOv10で初めて開拓された概念であるNon-Maximum Suppression (NMS)の後処理を排除します。NMSをバイパスすることで展開パイプラインが大幅に簡素化され、autonomous driving algorithmsのようなリアルタイムアプリケーションに不可欠な一貫したレイテンシが保証されます。

エッジ最適化のためのDFL削除#

YOLO26ではDistribution Focal Loss (DFL)が削除されています。YOLO11ではきめ細かいローカリゼーションにおいてDFLが有用でしたが、それを削除することでネットワークのエクスポートグラフが簡素化されます。この変更により、低電力ハードウェアとの互換性が向上し、Raspberry PiやNVIDIA JetsonなどのエッジデバイスでYOLO26が圧倒的なパワーを発揮します。

MuSGDオプティマイザー#

大規模言語モデル（LLM）のトレーニングメカニズム、具体的にはMoonshot AI's Kimi K2からインスピレーションを得て、YOLO26は革新的なMuSGD Optimizerを利用しています。Stochastic Gradient Descent (SGD)とMuonのこのハイブリッドにより、非常に安定したトレーニング実行が提供され、古いアーキテクチャで使用されていた標準的なAdamWオプティマイザーよりもはるかに高速に収束します。

高度な損失関数#

YOLO26にはProgLoss + STAL（プログレッシブ損失およびスケール認識タスクアライメント学習）が組み込まれています。この組み合わせにより、小さく密集した物体の検出能力が飛躍的に向上します。さらに、YOLO26にはタスク固有の機能強化が導入されています。セマンティックセグメンテーション用の専用マルチスケールプロトタイプ、複雑な人間の姿勢推定用の残差対数尤度推定(RLE)、およびOBB検出タスクにおける境界問題を緩和するための特殊な角度損失です。

パフォーマンスの比較#

これらのモデルを評価する際、パラメータ数、計算複雑性(FLOPs)、速度のバランスがハードウェアの選択を左右します。YOLO26は特にCPU推論速度をターゲットにしており、前モデルと比較して最大43%高速なCPU推論を達成しています。

実証されているように、YOLO26 Nano (YOLO26n)は精度が大幅に向上すると同時に、ONNX Runtimeを使用したCPU推論時間を56.1msから38.9msに短縮します。

ユースケースと実際のアプリケーション#

YOLO11とYOLO26のどちらを選ぶかは、主に特定のインフラストラクチャとプロジェクトの目標によって決まります。

エッジコンピューティングとIoT#

ドローンによるスマート農業監視やローカルのsecurity alarm systemsなど、電力とハードウェアに制限のあるアプリケーションにとって、YOLO26は文句なしのチャンピオンです。DFLの削除とCPU速度の43%向上により、専用のGPUsなしのデバイスでも高いフレームレートを維持しながら複雑なビジョンモデルを実行できます。

クラウドおよびエンタープライズ規模#

YOLO11は、そのテンソル構造向けに大規模なサーバーファームがすでに最適化されているエンタープライズソリューションにとって、依然として素晴らしい選択肢です。cloud-based video analyticsや、特定の出力形式とすでに深く統合されている大規模なメディア処理パイプラインに最適です。

複雑なマルチタスク#

プロジェクトで、回路基板上の欠陥の検出やaerial imageryでの遠方の車両の追跡など、小さな物体に対するピンポイントの精度が求められる場合、YOLO26におけるProgLoss + STALの実装は、それらの困難なエッジケースに対してリコールと精度の顕著な向上をもたらします。

トレーニングの効率とメモリ要件#

Ultralyticsフレームワークの大きな利点は、トレーニング中のメモリフットプリントが非常に小さいことです。RT-DETRや、大量のCUDAメモリを消費する可能性のある古いYOLOv8のような巨大なビジョントランスフォーマーとは異なり、YOLO11とYOLO26の両方はコンシューマー向けハードウェアで効率的にトレーニングできるように最適化されています。

YOLO26へのMuSGDオプティマイザーの統合は、モデルが最適な重みをより速く見つけることを保証し、全体的なGPUの計算時間とcloud computing costsを削減することで、これをさらに強化します。

以下は、ネイティブなPython APIを使用して最新のYOLO26モデルをいかに簡単にトレーニングできるかを示す簡単な例です。

from ultralytics import YOLO

# Initialize the YOLO26 Nano model
model = YOLO("yolo26n.pt")

# Train the model on the COCO8 dataset
# The MuSGD optimizer and efficient memory management are handled automatically
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=0)

# Run a quick validation to verify the mAP metrics
metrics = model.val()

# Export the trained model to ONNX for fast CPU inference
model.export(format="onnx")

代替アーキテクチャの探求#

YOLO26はリアルタイム検出の頂点を表していますが、Ultralyticsドキュメント内の他のモデルを探索することも有益です。レガシー環境に縛られているユーザーにとって、YOLOv5のような以前のアーキテクチャは依然として堅実なパフォーマンスを提供します。事前にクラスを定義できないゼロショット機能の場合、YOLO-Worldはテキストプロンプトによって駆動されるオープンボキャブラリー検出を提供します。

結論#

YOLO11からYOLO26への移行は単なる段階的なアップデートではありません。それは、リアルタイム物体検出モデルが本番環境でどのように動作するかについての構造的な再考です。複雑な後処理ステップを排除し、エッジファーストの実行に向けて最適化することにより、YOLO26は現代の開発者にとって最高の選択肢として際立っています。堅牢なUltralytics ecosystemと包括的なドキュメントに裏打ちされたYOLO26へのアップグレードは、事実上あらゆるコンピュータビジョンタスクにおいて、より高速なデプロイ、安定したトレーニング、およびSOTAの精度を保証します。