YOLO11とYOLO26#

Ultralyticsの各YOLO世代は、リアルタイムの物体検出における速度、精度、デプロイ効率の向上を目指しています。この技術比較では、広く利用されているYOLO11から現行のYOLO26への移行を取り上げ、各モデルのアーキテクチャ、性能指標、最適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も、これら2つのモデルの違いを理解することで、適切なモデルを選択できます。

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備えたUltralyticsエコシステムの利点を活用できます。両モデルとも、物体検出、インスタンスセグメンテーション、画像分類、姿勢推定、回転バウンディングボックス（OBB）タスクに標準で対応し、YOLO26はさらにセマンティックセグメンテーションと深度推定にも対応します。

YOLO11: 確立された標準#

2024年後半にリリースされたYOLO11は、従来世代の進歩をさらに洗練させ、本番環境で信頼性の高い主力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
• ドキュメント: YOLO11ドキュメント

YOLO26：次世代モデル#

2026年1月に発表されたYOLO26は、エッジデプロイとオプションのエンドツーエンド推論に重点を置き、CPU速度と統合のしやすさを向上させています。

• 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のドキュメント

アーキテクチャの革新#

YOLO11は、長年にわたり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を採用しています。一方、YOLO26にはデプロイのボトルネックを解消する構造上の変更がいくつか導入されています。

エンドツーエンドのNMSフリー設計#

YOLO26の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。オプションのone-to-oneヘッド（nms=False）は、YOLOv10がYOLOモデルに導入した手法であるNon-Maximum Suppression（NMS）の後処理をなくします。NMSを省略することでデプロイパイプラインが簡素化され、レイテンシーが一定に保たれます。これは、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です。

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。DFLはYOLO11で細かな位置特定に有用でしたが、削除によってネットワークのエクスポートグラフが簡素化されます。これ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などのエッジデバイスに適しています。

MuSGDオプティマイザー#

大規模言語モデル（LLM）のトレーニング手法、特にMoonshot AIのKimi K2に着想を得て、YOLO26はMuSGDオプティマイザーを採用しています。確率的勾配降下法（SGD）とMuonのハイブリッドであるこの手法は、トレーニングの安定性を高め、収束を速めます。また、optimizer=autoでは、Ultralyticsが長時間のトレーニングにMuSGDを選択します。

損失関数とラベル割り当て#

YOLO26には、ProgLoss + STAL（Progressive Lossと小物体認識対応ラベル割り当て）が組み込まれています。この組み合わせにより、小型で密集した物体の検出性能が向上します。さらにYOLO26では、タスク固有の改良も導入されています。セマンティックセグメンテーション損失とインスタンスセグメンテーション用のマルチスケールprotoモジュール、姿勢推定用のResidual Log-Likelihood Estimation（RLE）、およびOBB検出タスクの境界問題を軽減する専用の角度損失です。

パフォーマンス比較#

精度（mAP）、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選択の基準になります。YOLO26は特にCPU推論を重視しており、YOLO26nはYOLO11nよりCPU推論が最大43%高速です。

YOLO26nはONNX RuntimeでCPU推論時間を56.1 msから38.9 msに短縮しながら、YOLO11nより1.4 mAP高い精度を達成します（40.9対39.5）。YOLO26はすべてのサイズでより高精度です。m、l、xの各スケールではYOLO11の方がCPU上で高速ですが、T4上のTensorRTレイテンシは両ファミリーでほぼ同等です。

ユースケースと実環境での活用#

YOLO11とYOLO26のどちらを選ぶかは、主に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モニタリングや、ローカルのセキュリティ警報システムなど、電力やハードウェアに制約のあるアプリケーションには、YOLO26がより適しています。DFLの削除と最大43%高速なCPU推論（YOLO26nとYOLO11nの比較）により、専用GPUの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、クラウドベースの動画分析や、大規模なメディア処理パイプラインなど、YOLO11の出力形式とすでに統合されている既存のエンタープライズデプロイに適した選択肢です。

小物体検出#

回路基板の欠陥検出や航空画像内の遠方車両の追跡など、小物体に対する高い精度が必要なプロジェクトでは、YOLO26のProgLoss + STAL実装により、難しいケースでの再現率と適合率が向上します。

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は、トレーニング時のメモリ使用量が少ないことです。大量のCUDAメモリを消費するRT-DETRのようなTransformerベースの検出器とは異なり、YOLO11とYOLO26はどちらも一般向けハードウェアで効率よくトレーニングできるよう最適化されています。

YOLO26にMuSGDオプティマイザーを統合したことで収束がさらに速まり、GPUの総計算時間とクラウドコンピューティングのコストを削減できます。

以下は、Python APIを使ってYOLO26をトレーニングする簡単な例です。

from ultralytics import YOLO

# YOLO26 Nanoモデルを初期化します
model = YOLO("yolo26n.pt")

# COCO8データセットでモデルをトレーニングします
# オプティマイザーの選択（長時間の実行にはMuSGD）とメモリ管理は自動で処理されます
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=0)

# mAP指標を確認するため、簡易的な検証を実行します
metrics = model.val()

# 高速なCPU推論に向けて、トレーニング済みモデルをONNXにエクスポートします
model.export(format="onnx")

代替アーキテクチャを検討する#

YOLO26は推奨される出発点ですが、Ultralyticsのドキュメントに掲載されたほかのモデルも、特定のニーズに適している場合があります。従来の環境に依存しているユーザーには、YOLOv5などの旧世代アーキテクチャも引き続き安定した性能を発揮します。事前にクラスを定義できないゼロショット用途には、YOLO-Worldがテキストプロンプトによ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、単なる小規模なアップデートではありません。リアルタイム検出モデルの本番環境での実行方法を変えるものです。オプションのNMSフリー推論とエッジを重視した最適化を備えるYOLO26は、新規プロジェクトに推奨されます。Ultralyticsのドキュメントによるサポートのもと、YOLO26にアップグレードすることで、デプロイの簡素化、安定したトレーニング、対応するビジョンタスク全般での精度向上を実現できます。