YOLO11とYOLOv8の比較
物体検出アーキテクチャは進化を続けています。実環境へのデプロイ向けにモデルを評価する際、開発者はしばしばUltralytics YOLO11と、広く採用されている前世代モデルUltralytics YOLOv8を比較します。どちらも速度、精度、開発者体験に定評がありますが、適したプロジェクトのライフサイクルや性能目標は少し異なります。
このガイドでは、アーキテクチャ、トレーニング手法、最適なユースケースを分析し、人工知能プロジェクトに適したモデルの選択を支援します。
アーキテクチャの革新#
YOLOv8からYOLO11への移行では、計算オーバーヘッドを削減しながら特徴抽出の効率を高める、いくつかのアーキテクチャ上の改良が導入されました。
YOLO11のアーキテクチャ#
YOLO11はパラメーター効率を重視しています。C2fモジュールをC3k2ブロックに置き換え、パラメーター数を増やさずに空間特徴処理を向上させています。さらにYOLO11では、バックボーン内にC2PSA(Cross-Stage Partial Spatial Attention)モジュールが導入されています。このアテンション機構により、モデルは重要な領域に注目しやすくなり、小物体検出の精度向上と複雑な遮蔽への対応を実現します。
- 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
YOLOv8のアーキテクチャ#
1年前にリリースされたYOLOv8は、Ultralytics YOLOにアンカーフリーの検出ヘッドを導入し、アンカーボックスの手動調整を不要にするとともに、損失関数の定式化を簡素化しました。そのアーキテクチャは、ネットワークの深さと勾配フローのバランスを取るC2fブロックを採用しており、幅広いコンピュータービジョンアプリケーションで安定した性能を発揮します。
- 著者: Glenn Jocher、Ayush Chaurasia、Jing Qiu
- 組織: Ultralytics
- 日付: 2023-01-10
- GitHub: Ultralyticsリポジトリ
- ドキュメント: YOLOv8ドキュメント
YOLOv8はUltralyticsエコシステムにおけるアンカーフリー検出の基盤を築き、YOLO11は空間アテンション機構によってこのアプローチを洗練させ、より少ない計算リソースで高い精度を実現しました。
性能とベンチマーク#
Raspberry Piなどのエッジデバイスや、NVIDIA TensorRTを実行する高性能サーバーにモデルをデプロイする場合、速度と精度のトレードオフを理解することが重要です。以下の表が示すように、YOLO11はすべてのモデルサイズでYOLOv8より高精度です。
| 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 |
| YOLOv8n | 640 | 37.3 | 80.4 | 1.47 | 3.2 | 8.7 |
| YOLOv8s | 640 | 44.9 | 128.4 | 2.66 | 11.2 | 28.6 |
| YOLOv8m | 640 | 50.2 | 234.7 | 5.86 | 25.9 | 78.9 |
| YOLOv8l | 640 | 52.9 | 375.2 | 9.06 | 43.7 | 165.1 |
| YOLOv8x | 640 | 53.9 | 479.1 | 14.37 | 68.2 | 257.8 |
指標を分析する#
YOLO11は平均適合率(mAP)を高めながら、パラメーター数と浮動小数点演算数(FLOPs)の両方を削減します。たとえば、YOLO11mモデルはYOLOv8mよりパラメーター数が22%少ない一方、COCOデータセットでmAPが1.3ポイント高くなります。さらに、ONNX形式にエクスポートした際のCPU推論速度を見ると、YOLO11はすべてのサイズで高速です(nanoモデルでは56.1 ms対80.4 ms)。そのため、専用のGPUアクセラレーションを使わないデプロイにも適しています。
Ultralyticsエコシステムの利点#
YOLO11とYOLOv8のどちらを選んでも、機械学習のライフサイクルを簡素化するUltralyticsエコシステムの利点を活用できます。
使いやすさとシンプルなAPI#
ultralytics Pythonパッケージは効率化されたAPIを提供し、エンジニアや研究者はわずか数行のコードでモデルのトレーニング、検証、エクスポートを行えます。これにより、PyTorchでディープラーニング環境をセットアップする際によく発生する複雑さが抽象化されます。
トレーニング効率とメモリ要件#
重いVision Transformers(RT-DETRなど)とは異なり、Ultralytics YOLOモデルはトレーニング時のメモリ使用量が少ないことで知られています。このメモリ効率により、開発者はメモリ不足エラーに直面することなく、一般向けGPUやGoogle Colabのようなクラウド環境で高精度なネットワークをトレーニングできます。
多様なビジョンタスクに対応#
YOLO11とYOLOv8はいずれもマルチタスクモデルです。標準的なバウンディングボックスの物体検出に加えて、インスタンスセグメンテーション、画像分類、人の姿勢推定、航空画像向けの回転バウンディングボックス(OBB)をネイティブにサポートします。
ユースケースと推奨事項#
YOLO11とYOLOv8のどちらを選ぶかは、プロジェクト固有の要件、デプロイ上の制約、エコシステムに関する好みによって異なります。
YOLO11を選ぶ場合#
YOLO11は、次のような用途に適しています。
- 本番環境でのエッジデプロイメント: 信頼性と継続的なメンテナンスが最優先となる、Raspberry PiやNVIDIA Jetsonなどのデバイス上での商用アプリケーション。
- マルチタスクのビジョンアプリケーション: 検出、セグメンテーション、分類、姿勢推定、OBBを1つの統合フレームワーク内で必要とするプロジェクト。
- 迅速なプロトタイピングとデプロイメント: 効率化されたUltralytics Python APIを使って、データ収集から本番環境への移行を迅速に進めたいチーム。
YOLOv8を選ぶ場合#
YOLOv8は、次のような場合におすすめです。
- 汎用性の高いマルチタスクデプロイ: Ultralyticsエコシステム内で、検出、セグメンテーション、分類、姿勢推定、OBBに対応する実績あるモデルが必要なプロジェクト。
- 確立済みの本番システム: 安定性と十分なテストが確認されたデプロイパイプラインを備え、すでにYOLOv8アーキテクチャを基盤として構築されている本番環境。
- 広範なコミュニティとエコシステムのサポート: YOLOv8の豊富なチュートリアル、サードパーティ製ツールとの統合、活発なコミュニティリソースを活用できるアプリケーション。
Ultralytics (YOLO26)を選ぶ場合#
多くの新規プロジェクトにおいて、Ultralytics YOLO26はパフォーマンスと開発者体験を最適なバランスで提供します。
- NMSを使用しないエッジデプロイ: 非最大抑制の後処理を複雑化させずに、安定した低レイテンシー推論を必要とするアプリケーション。
- CPU-Only Environments: 専用GPUアクセラレーションを備えていないデバイスでは、YOLO26の最大43%高速なCPU推論(YOLO26n対YOLO11n)が大きな優位性をもたらします。
- 小物体検出: ドローンによる航空画像やIoTセンサー分析など、ProgLossとSTALによって小物体の精度が向上する難易度の高いシナリオに適しています。
コード例:使い始める#
Ultralyticsモデルのトレーニングとデプロイは、数行のコードで行えます。次の例では、事前トレーニング済みのYOLO11モデルを読み込み、カスタムデータセットでファインチューニングし、Apple CoreMLを使ってエッジデプロイ用にエクスポートする方法を示します。
from ultralytics import YOLO
# YOLO11のsmallモデルを初期化します
model = YOLO("yolo11s.pt")
# 最適化されたメモリ要件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)
# 検証データでの性能を評価します
metrics = model.val()
# テスト画像でリアルタイム推論を実行します
predictions = model("https://ultralytics.com/images/bus.jpg")
# モバイルへの高速デプロイ向けにCoreMLへエクスポートします
export_path = model.export(format="coreml")Ultralytics APIは標準化されているため、従来のパイプラインをYOLOv8からYOLO11にアップグレードする際は、通常、重みの文字列を"yolov8n.pt"から"yolo11n.pt"に変更するだけで済みます。
今後の展望:YOLO26によるエッジAI#
YOLO11は成熟した高性能アーキテクチャですが、新しいプロジェクトを始める開発者には、Ultralytics YOLO26(2026年1月リリース)が推奨モデルです。
YOLO26には、次のような新機能が追加されています。
- エンドツーエンドのNMSフリーデザイン: YOLOv10で検討された概念を発展させ、YOLO26は任意で選択できるone-to-oneヘッド(
nms=False)を備えています。このヘッドはNon-Maximum Suppression(NMS)の後処理を省略し、さまざまなデプロイ用ハードウェアで、より低く予測しやすいレイテンシを実現します。 - CPU推論が最大43%高速: Distribution Focal Loss(DFL)ブランチを削除したことで、YOLO26nはCPUでYOLO11nより最大43%高速に動作します。高性能GPUを搭載しないエッジコンピューティング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に着想を得たYOLO26は、SGDとMuonを組み合わせたMuSGDを使用し、安定かつ高速なトレーニング収束を実現します。
- ProgLoss + STAL: Progressive LossとSmall-Target-Aware Label Assignment(STAL)により、小さな物体や遮蔽された物体の認識精度が向上します。これは、自律型ロボティクスやドローンを用いた分析に不可欠です。
実績ある信頼性を備えたYOLOv8、最適化されたアーキテクチャのYOLO11、次世代の機能を持つYOLO26のいずれを利用する場合でも、Ultralytics Platformは、ビジョンAIアプリケーションを構想から本番環境へ移行するためのツールを提供します。Ultralyticsのintegrationsは、モデルをエンタープライズのワークフローや分析ダッシュボードに接続します。
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。