YOLO11とYOLO26#

コンピュータービジョンは急速な進化を続け、速度、精度、デプロイ効率の限界を絶えず押し広げています。リアルタイム物体検出の分野では、Ultralyticsが一貫して標準を確立しています。この技術比較では、大きな成功を収めたYOLO11から最先端のYOLO26への移行を取り上げ、アーキテクチャ、パフォーマンス指標、理想的なデプロイシナリオを分析します。

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で、堅牢で将来性のあるAIソリューションを構築できます。

モデルの系譜とエコシステム#

両モデルは、使いやすいAPI、継続的なメンテナンス、活発なコミュニティを特徴とする包括的なUltralyticsエコシステムの恩恵を受けています。両モデルは他に類を見ない汎用性を備え、物体検出、インスタンスセグメンテーション、画像分類、ポーズ推定、指向付きバウンディングボックス (OBB)タスクを標準で自然にサポートします。

YOLO11：確立された標準#

2024年後半にリリースされたYOLO11は、以前の世代の進歩を洗練させ、プロダクション環境で信頼できる実用的なモデルとしての地位を確立しました。

• 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

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におけるパラダイムシフトを象徴し、処理速度と統合の容易さを大幅に向上させています。

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

アーキテクチャのイノベーション#

YOLO11は長年コンピューター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はボトルネックの解消を目的とした複数の構造的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フリーデザイン#

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アーキテクチャです。これにより、YOLOv10で初めて開拓された概念である非最大抑制 (NMS)の後処理が不要になります。NMSを省略することでデプロイパイプラインが大幅に簡素化され、自動運転アルゴリズム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除去#

YOLO26は分布焦点損失 (DFL)を除去しています。DFLはYOLO11で高精度なローカライゼーションに役立ちましたが、これを除去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。この変更により低消費電力ハードウェアとの互換性が向上し、YOLO26はRaspberry PiやNVIDIA Jetsonのようなエッジデバイスで圧倒的な性能を発揮します。

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、特にMoonshot AIのKimi K2から着想を得て、YOLO26は革新的なMuSGD Optimizerを採用しています。これは確率的勾配降下法 (SGD)とMuonを組み合わせたハイブリッドで、非常に安定したトレーニングを実現し、旧世代の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速く収束します。

高度な損失関数#

YOLO26は ProgLoss + STAL（Progressive Loss and Small-Target-Aware Label Assignment）を組み込んでいます。この組み合わせにより、小型かつ高密度に配置されたオブジェクトの検出精度が大幅に向上します。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。具体的には、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、複雑な姿勢推定に向けた Residual Log-Likelihood Estimation（RLE）、および OBB 検出タスクにおける境界の問題を軽減するための特殊な角度損失が含まれます。

性能比較#

これらのモデルを評価する際は、パラメーター数、計算複雑度 (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推論速度を重視しており、前モデルと比較して最大43%高速なCPU推論を実現します。

実際に、YOLO26 Nano (YOLO26n)は精度を大幅に向上させながら、ONNX Runtimeを使用したCPU推論時間を56.1msから38.9msへ短縮します。

ユースケースと実世界のアプリケーション#

YOLO11とYOLO26のどちらを選択するかは、主に具体的な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の監視や、ローカルのセキュリティアラームシステムなど、電力とハードウェアに制約のあるアプリケーションでは、YOLO26が圧倒的に優れています。DFLの除去とCPU速度の43%向上により、専用のGPUを搭載していないデバイスでも、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。

クラウドとエンタープライズ規模#

YOLO11 は、大規模なサーバーファームがすでにそのテンソル構造向け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おいて、依然として優れた選択肢です。その特定の出力フォーマットとすでに深く統合されている、クラウドベースの映像解析や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処理#

回路基板上の欠陥検出や航空画像内の遠方の車両追跡など、非常に小さな物体に対する高精度な検出がプロジェクトで必要な場合、YOLO26のProgLoss + STAL実装により、こうした難しいエッジケースで再現率と適合率が明確に向上します。

トレーニング効率とメモリ要件#

Ultralytics フレームワークの大きな利点の1つは、トレーニング中のメモリ使用量が非常に少ないことです。大量の CUDA メモリを消費する可能性がある RT-DETR のような大規模なビジョン Transformer とは異なり、YOLO11 と YOLO26 はどちらも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 における 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迅速に発見することを確実にすることでこれをさらに強化し、全体的な GPU 計算時間と cloud computing のコストを削減します。

ネイティブ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、シンプルな例を紹介します。

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検討#

YOLO26はリアルタイム検出の頂点に位置しますが、Ultralyticsドキュメントにある他のモデルも検討すると有益です。レガシー環境に依存するユーザーには、YOLOv5のような以前のアーキテクチャでも堅牢な性能が得られます。事前にクラスを定義できないゼロショット機能が必要な場合は、YOLO-Worldがテキストプロンプトを活用したオープンボキャブラリー検出を提供します。

まとめ#

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。プロダクション環境でリアルタイム物体検出モデルが動作する方法を、構造的に再構想したものです。複雑な後処理ステップを省き、エッジファーストの実行に最適化することで、YOLO26は現代の開発者にとって最適な選択肢となっています。堅牢なUltralyticsエコシステムと包括的なドキュメントに支えられたYOLO26へのアップグレードにより、ほぼあらゆるコンピュータービジョンタスクで、より高速なデプロイ、安定したトレーニング、SOTA精度を実現できます。