YOLO11 YOLOv6-3.0の比較：詳細なモデル比較
適切なコンピュータビジョンモデルを選択することは、物体検出タスクで最適なパフォーマンスを達成するために非常に重要です。Ultralytics 様々なYOLO モデルを提供しており、それぞれがユニークな強みを持っています。このページでは、Ultralytics YOLO11 YOLOv6-3.0という、物体検出によく使われる2つのモデルを、アーキテクチャ、パフォーマンス指標、理想的なアプリケーションに焦点を当てて技術的に比較します。
Ultralytics YOLO11
Ultralytics YOLO11 、Ultralytics社のGlenn Jocher氏とJing Qiu氏によって開発されたYOLO シリーズの最新鋭モデルで、2024-09-27にリリースされました。オブジェクト検出、インスタンス分割、画像分類、姿勢推定を含む様々なコンピュータビジョンタスクの精度と効率を高めるために設計された、最先端のオブジェクト検出機能を提供するために、以前のバージョンを基に構築されています。
YOLO11 、より正確な予測と効率性の向上のため、アーキテクチャの改良が行われています。特に、YOLO11mは、YOLOv8m比較して少ないパラメータで、COCOデータセット上でより高い平均精度（mAP）を達成しています。この効率性は、エッジデバイスからクラウドシステムまで、多様なプラットフォームに拡張されます。最適化された設計は、処理速度の高速化と計算コストの削減につながり、リアルタイム・アプリケーションやリソースに制約のある環境に適しています。詳細については、YOLO11 公式ドキュメントをご参照ください。
YOLO11強み：
- 優れた精度：より少ないパラメータでより高いmAPを達成し、検出精度を向上。
- 効率の向上：処理速度の高速化と計算コストの削減を実現。
- 汎用性：検出、セグメンテーション、分類、姿勢推定など複数のタスクをサポート。
- クロスプラットフォーム互換性：エッジシステムでもクラウドシステムでも優れたパフォーマンスを発揮します。
- 使いやすさ： Ultralytics HUBとPython パッケージとのシームレスな統合。
YOLO11弱点：
- 新しいモデル：最新のモデルであるため、コミュニティーのサポートやドキュメンテーションは、より確立されたモデルに比べてまだ発展途上である。
YOLO11理想的な使用例：
YOLO11精度とスピードのバランスは、以下のような高精度とリアルタイム性能を必要とするアプリケーションに最適です：
- 自動運転車における先進運転支援システム（ADAS）（自動運転におけるAI）
- 製造業における高精度ロボット（製造業におけるAI）
- セキュリティ強化のための高度な監視システム（盗難防止のためのコンピュータ・ビジョン）
- 正確な診断のための医用画像解析（ヘルスケアにおけるAI）
- リアルタイムスポーツ分析（スポーツにおけるコンピュータビジョンの応用を探る）
YOLOv6-3.0
YOLOv6-3.0は、Meituanが開発し、Chuyi Li、Lulu Liらが執筆した高性能な物体検出フレームワークで、2023-01-13にリリースされた。速度と精度のバランスを必要とする産業用途向けに設計されている。YOLOv6-3.0は、BiC（Bi-directional Concatenation）モジュールやAAT（Anchor-Aided Training）ストラテジーのようなアーキテクチャ上の革新を取り入れ、速度を大きく損なうことなく性能を向上させている。
YOLOv6-3.0は、その効率性とスピードで知られており、さまざまな計算ニーズに対応するために、さまざまなモデルサイズ（N、S、M、L）を提供しています。最適化された設計と量子化サポートにより、リアルタイム・アプリケーションやエッジ・デバイスへの展開に特に適しています。詳細な情報は、YOLOv6ドキュメントとYOLOv6 GitHubリポジトリをご覧ください。
YOLOv6-3.0の強み：
- 高い推論速度：リアルタイムパフォーマンスに最適化され、高FPSを達成。
- バランスのとれた精度：正確さとスピードのバランスが良い。
- 量子化サポート：さらなる高速化と効率化のためにINT8量子化を提供。
- モバイル最適化：YOLOv6Liteモデルには、モバイルおよびCPU 展開用に特別に設計されたモデルが含まれます。
- 確立されたモデル：強力なコミュニティとコードベースがあり、十分に文書化されている。
YOLOv6-3.0の弱点：
- 低い精度の可能性特定の複雑なシナリオでは、YOLO11 ような最新のYOLO モデルと比較して、精度が若干低くなる可能性がある。
- 開発の起源： Ultralytics エコシステムに統合されているが、Ultralytics外部で開発された。
YOLOv6-3.0の理想的な使用例：
YOLOv6-3.0は、スピードと効率が最優先されるアプリケーションに適している：
- エッジデバイスでのリアルタイム物体検出（エッジAI）
- 高速で信頼性の高い検出を必要とする産業オートメーション（コンピュータビジョンによる製造業の改善）
- 高速処理が重要な監視・セキュリティシステム（ビジョンAIで監視の現状を打破する）
- リソース制約のあるモバイル・アプリケーション（エッジAIデバイスへのコンピュータ・ビジョン・アプリケーションの展開）
- 高スループットのビデオ分析
| モデル | サイズ (ピクセル) |
mAPval 50-95 |
速度 CPU ONNX (ms) |
スピード T4TensorRT10 (ms) |
params (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 |
| YOLOv6-3.0n | 640 | 37.5 | - | 1.17 | 4.7 | 11.4 |
| YOLOv6-3.0s | 640 | 45.0 | - | 2.66 | 18.5 | 45.3 |
| YOLOv6-3.0m | 640 | 50.0 | - | 5.28 | 34.9 | 85.8 |
| YOLOv6-3.0l | 640 | 52.8 | - | 8.95 | 59.6 | 150.7 |
他のモデルを検討したいユーザーは、性能と機能のバランスが取れたUltralytics YOLOv8 、高度なアーキテクチャの改良を施したYOLOv9、最新の進歩を遂げたYOLOv10、YOLOv7、YOLO YOLOv5検討できるだろう。
