YOLO11とYOLO26#

コンピュータービジョンは急速に進化し、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、高い成功を収めたYOLO11から最先端のYOLO26への移行を取り上げ、アーキテクチャ、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、2つのモデルの微妙な違いを理解することで、堅牢で将来を見据えた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#

どちらのモデルも、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エコシステムの利点を活用できます。両モデルは比類のない汎用性を備え、物体検出、インスタンスセグメンテーション、画像分類、姿勢推定、Oriented Bounding Box（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、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: 新たなフロンティア#

2026年初頭に発表された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パラダイムシフトをもたらし、処理速度と統合のしやす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のドキュメント

アーキテクチャの革新#

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を採用していますが、YOLO26はボトルネックを解消するために設計された複数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、ネイティブの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が初めて導入した考え方に基づき、非最大抑制（NMS）の後処理を排除します。NMSを省く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欠かせない、一貫したレイテンシを実現します。

エッジ最適化のためのDFL削除#

YOLO26ではDistribution Focal Loss（DFL）を削除しています。DFLはYOLO11で詳細な位置特定に役立ちましたが、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高まり、Raspberry PiやNVIDIA JetsonなどのエッジデバイスでYOLO26が優れた性能を発揮します。

MuSGDオプティマイザー#

大規模言語モデル（LLM）のトレーニング手法、特にMoonshot AIのKimi K2から着想を得たYOLO26は、革新的な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を組み合わせたこの手法は、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われる標準的な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（プログレッシブ損失と小物体対応ラベル割り当て）を採用しています。この組み合わせにより、小さく密集した物体の検出性能が大幅に向上します。さらにYOLO26は、タスクに特化した改善も導入しています。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プロトモジュール、複雑な人間の姿勢推定用の残差対数尤度推定（RLE）、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#

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選定を左右します。YOLO26は特にCPU推論速度を重視しており、前世代と比べてCPU推論が最大43%高速です。

示されているとおり、YOLO26 Nano（YOLO26n）は精度を大幅に向上させながら、ONNX Runtimeを使った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の監視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では、YOLO26が最適です。DFLの削除とCPU速度の43%向上により、専用のGPUが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、テンソル構造に合わせて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おいて、依然として優れた選択肢です。クラウドベースの動画分析や、特定の出力形式と深く統合済みの大規模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#

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、小さな物体を高精度で特定する必要がある場合、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大きく向上します。

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非常に少ないことです。膨大なCUDAメモリを消費する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、一般消費者向けの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することで、モデルが最適な重みをより速く見つけられるようになり、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。

ネイティブのPython APIを使って最新のYOLO26モデルを簡単にトレーニングできることを、次のシンプルな例で示します。

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はリアルタイム検出の最高峰ですが、Ultralyticsドキュメントに掲載されているほかのモデルを検討することも有益です。レガシー環境に制約されるユーザーには、YOLOv5のような旧世代アーキテクチャも、依然として堅牢な性能を提供します。事前にクラスを定義できないゼロショット機能が必要な場合は、YOLO-Worldがテキストプロンプトを使った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。本番環境でリアルタイム物体検出モデルが動作する仕組みを、構造から再考したものです。複雑な後処理をなくし、エッジでの実行を優先して最適化したYOLO26は、現代の開発者に最適な選択肢です。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、最先端の精度を実現できます。