YOLO11とYOLOv6-3.0の比較
コンピュータービジョンの分野は急速に進化しており、適切なモデルアーキテクチャを選ぶことは機械学習の実践者にとって重要な判断です。リアルタイム物体検出における注目すべき2つのマイルストーンが、YOLO11とYOLOv6-3.0です。どちらも視覚データから有用な情報を抽出しますが、主な目的と設計思想は異なります。
このガイドでは、アーキテクチャ、性能指標、理想的なデプロイシナリオを比較し、次のAIプロジェクトで十分な情報に基づいて判断できるよう支援します。
モデルの概要#
技術的なベンチマークに入る前に、それぞれのモデルの開発背景と主な目的を理解しておくと役立ちます。
Ultralytics YOLO11#
Ultralyticsエコシステム内でネイティブに開発されたYOLO11は、トレーニングからデプロイまでを網羅する開発体験を提供するよう設計されました。生の速度だけでなく、マルチタスクの汎用性、使いやすさ、最新のデプロイパイプラインとの統合も重視しています。
- 著者: Glenn Jocher、Jing Qiu
- 組織: Ultralytics
- 日付: 2024-09-27
- GitHub: Ultralyticsリポジトリ
- ドキュメント: YOLO11ドキュメント
Meituan YOLOv6-3.0#
YOLOv6-3.0は、専用のグラフィックス処理ユニット(GPU)を利用できる産業用途向けに明確に調整されています。TensorRTでのデプロイに最適化されており、管理された環境でスループットを最大化することに重点を置いています。
- 著者: Chuyi Li、Lulu Li、Yifei Geng、Hongliang Jiang、Meng Cheng、Bo Zhang、Zaidan Ke、Xiaoming Xu、Xiangxiang Chu
- 組織: Meituan
- 日付: 2023-01-13
- arXiv: 2301.05586
- GitHub: Meituan YOLOv6リポジトリ
- ドキュメント: YOLOv6ドキュメント
アーキテクチャの違い#
基盤となるアーキテクチャによって、モデルの学習方法やスケーリング方法が決まります。どちらのフレームワークも、従来のYOLOの手法に独自の改良を加えています。
YOLO11は長年の研究を基盤とし、パラメーター効率に優れたアーキテクチャを実現しています。洗練されたバックボーンと汎用ヘッドを備え、インスタンスセグメンテーションや姿勢推定など、多様なコンピュータービジョンタスクを大幅な構造変更なしに処理します。また、トレーニング時のCUDAメモリ要件が低く、RT-DETRのような大型のTransformerモデルとは一線を画しています。
一方、YOLOv6-3.0はBi-directional Concatenation(BiC)モジュールとAnchor-Aided Training(AAT)戦略を採用しています。これらの仕組みは位置特定精度の向上を目的としています。分離型ヘッドと、INT8推論に適した量子化対応設計を採用しており、確立されたGPUスタックを実行する高速製造ラインに適した有力な選択肢です。
プロジェクトで迅速なプロトタイピング、多様なタスク(セグメンテーションや分類など)のサポート、さまざまなハードウェア(CPU、Edge TPU、モバイル)へのデプロイが必要な場合、Ultralyticsフレームワークによって開発者はよりスムーズに作業できます。
パフォーマンスとメトリクス#
モデルを評価する際の主要な指標は、mean Average Precision(mAP)と推論速度です。次の表では、さまざまなモデルスケールにおけるYOLO11とYOLOv6-3.0の性能を比較します。最も優れた指標は太字で示しています。
| モデル | サイズ (ピクセル) | mAPval50-95 | 速度 CPU ONNX (ms) | 速度 T4 TensorRT10 (ms) | パラメーター (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 | 21.6 |
| YOLO11m | 640 | 51.5 | 183.2 | 4.7 | 20.1 | 68.1 |
| YOLO11l | 640 | 53.4 | 238.6 | 6.2 | 25.3 | 87.2 |
| YOLO11x | 640 | 54.7 | 462.8 | 11.3 | 56.9 | 195.3 |
| 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 |
YOLO11は、同等の各規模で、より少ないパラメーター数とFLOPsで高いmAPを達成します。たとえば、YOLO11sは9.4Mパラメーターで47.0 mAPを達成するのに対し、YOLOv6-3.0sは18.5Mパラメーターで45.0 mAPです。T4 TensorRTではYOLOv6-3.0nが最速(1.17 ms)ですが、sスケール以上ではYOLO11の方が高速です。このパラメーター効率により、モデルのトレーニング時と推論時の両方でメモリ要件が低くなります。
Ultralyticsの強み#
モデル選びでは、単なる性能指標だけでなく、機械学習のライフサイクル全体を考慮する必要があります。Ultralyticsモデルは、開発者や研究者にいくつかの利点を提供します。
- 使いやすさ:Ultralytics Python APIを使えば、数行のコードでモデルのトレーニング、検証、エクスポートを実行できます。複雑な依存関係を手動で設定する必要はありません。
- 適切に保守されたエコシステム: Ultralyticsは、頻繁に更新される統合エコシステムを提供しています。Ultralytics Platformを利用すると、開発者はデータセットへの共同アノテーション、クラウドトレーニング、モデルモニタリングを行えます。
- 汎用性: 主にバウンディングボックス検出器であるYOLOv6-3.0とは異なり、YOLO11は画像分類と回転バウンディングボックス(OBB)にも対応しているため、技術スタックを統合できます。
- トレーニング効率: 最新の最適化と自動バッチサイズ調整により、YOLO11は一般向けハードウェアでも効率よくトレーニングできます。
コード例:トレーニングと推論#
以下は、Ultralyticsパッケージを使ってモデルをトレーニングし、推論を実行して、エクスポートする実行可能な例です。
from ultralytics import YOLO
# 事前トレーニング済みのYOLO11小型モデルを読み込みます
model = YOLO("yolo11s.pt")
# COCO8データセットでモデルを効率的にトレーニングします
results = model.train(data="coco8.yaml", epochs=50, imgsz=640)
# ウェブ上の画像で推論を実行します
prediction = model("https://ultralytics.com/images/bus.jpg")
# 簡単にデプロイできるよう、モデルをONNX形式にエクスポートします
model.export(format="onnx")最適なユースケース#
各モデルの得意分野を理解することで、目的に合ったツールを確実に選択できます。
YOLOv6-3.0を選ぶ場合: 特定のTensorRT 7.x/8.xパイプラインを中心に構築されたレガシー産業システムを維持しており、ハードウェアが高速な製造自動化向けの専用NVIDIA T4またはA100 GPUのみで構成されている場合、YOLOv6は引き続き有力な選択肢です。
YOLO11を選ぶ場合: ほとんどの最新アプリケーションでは、YOLO11がより適した選択肢です。スマート製造ソリューションの構築、Raspberry PiデバイスへのエッジAIのデプロイ、医療画像の検出とセグメンテーションなどのマルチタスク処理のいずれにおいても、YOLO11は速度、精度、デプロイの柔軟性を高い水準で両立します。
今後の展望:YOLO26#
UltralyticsはYOLO11以降も新しいモデルの開発を続けています。2026年1月にリリースされたYOLO26モデルシリーズは、最新のUltralytics YOLO世代であり、新規プロジェクトに推奨されるモデルです。
YOLO26には、最新のデプロイ課題に対応するため、次のような機能が導入されています。
- エンドツーエンドのNMSフリーデザイン: YOLOモデルにYOLOv10が導入したNMSフリートレーニングを基盤に、YOLO26はオプションのエンドツーエンドヘッド(
nms=False)を提供し、Non-Maximum Suppression(NMS)の後処理をなくすことで、より高速でシンプルなデプロイパイプラインを実現します。 - DFLの削除: Distribution Focal Lossを削除することで、YOLO26はネットワークヘッドを簡素化し、低消費電力のモノのインターネット(IoT)デバイスやエッジデバイスとの互換性を高めています。
- MuSGDオプティマイザー: Moonshot AIのKimi K2など、大規模言語モデル(LLM)のトレーニング手法に着想を得たYOLO26は、より安定したトレーニングと高速な収束を実現する、MuonとSGDのハイブリッドオプティマイザーを使用します。
- CPU推論が最大43%高速: 専用GPUアクセラレーターを使わずに実行するアプリケーションでは、YOLO26nはCPUでYOLO11nより最大43%高速に動作します。
- ProgLoss + STAL: Progressive LossとSmall-Target-Aware Label Assignment(STAL)によって小さな物体の認識精度が向上します。これは、ドローン画像や空中監視に不可欠です。
- タスク固有の改善: YOLO26は、セグメンテーション向けのマルチスケールプロトモジュールや、姿勢推定向けのResidual Log-Likelihood Estimation(RLE)など、各タスクに合わせた機能強化を取り入れています。
現在、新しいコンピュータービジョンプロジェクトを始める場合は、Ultralytics PlatformでYOLO26モデルをトレーニングすることで、現時点で利用できるUltralyticsアーキテクチャの中から、最も高精度で効率的なものを活用できます。
オープンボキャブラリー検出に関心のある開発者は、YOLO-Worldに関するドキュメントもご覧ください。
コメント
質問したり、結果を共有したり、ほかの人をサポートしたりできます。