YOLO11とYOLOv8の比較#
コンピュータービジョン分野では、物体検出アーキテクチャが継続的に進化し、目覚ましい進歩を遂げています。実環境へのデプロイに向けてモデルを評価する際、開発者はしばしば、Ultralytics YOLO11と、その大きな成功を収めた前身であるUltralytics YOLOv8の強みを比較します。どちらのモデルも速度、精度、開発者エクスペリエンスにおける業界標準を確立していますが、対象とするプロジェクトのライフサイクルや性能要件には若干の違いがあります。
このガイドでは、アーキテクチャ、トレーニング手法、理想的なユースケースを詳しく分析し、人工知能関連の取り組みに最適なソリューションを選択できるよう支援します。
アーキテクチャのイノベーション#
YOLOv8からYOLO11への移行では、計算オーバーヘッドを抑えながら特徴抽出の効率を最大化することを目的とした、いくつかの重要な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、パラメーターの利用効率を最適化するうえで大きな前進を遂げています。従来のC2fモジュールを高度なC3k2ブロックに置き換え、パラメーター数を膨張させることなく空間特徴の処理を強化しています。さらに、YOLO11はバックボーン内にC2PSA（クロスステージ・パーシャル空間アテンション）モジュールを導入しています。このアテンション機構により、モデルは重要な関心領域に焦点を合わせることができ、小物体検出の性能と複雑なオクルージョンへの対応力が大幅に向上します。
- 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 Docs
YOLOv8のアーキテクチャ#
1年前にリリースされたYOLOv8は、アンカーフリー検出ヘッドへの移行を先駆けて実現しました。これにより、アンカーボックスを手動で調整する必要がなくなり、損失の定式化も簡素化されました。そのアーキテクチャはC2fブロックに大きく依存しています。この設計はネットワークの深さと勾配フローのバランスをうまく取り、幅広いコンピュータービジョンアプリケーションで非常に高い堅牢性を実現しています。
- 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 Docs
YOLOv8が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いた一方で、YOLO11は空間アテンション機構によってこのアプローチを改良し、より少ない計算リソースで高い精度を実現しています。
パフォーマンスとベンチマーク#
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極めて重要です。以下の表は、YOLO11がすべてのサイズバリアントで一貫してYOLOv8を上回ることを示しています。
| モデル | サイズ （ピクセル） | mAPval 50-95 | 速度 CPU ONNX （ms） | 速度 T4 TensorRT10 （ms） | パラメーター数 （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 |
| 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 | 165.2 |
| YOLOv8x | 640 | 53.9 | 479.1 | 14.37 | 68.2 | 257.8 |
メトリクスの分析#
YOLO11は、平均適合率（mAP）を大幅に向上させながら、パラメーター数と浮動小数点演算（FLOPs）の両方を削減しています。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1.3%高いmAPを達成します。さらに、ONNX形式にエクスポートした場合のCPU推論速度を見ると、YOLO11は大幅に高速であり、専用のGPUアクセラレーションを利用できないデプロイに適しています。
Ultralyticsエコシステムの優位性#
YOLO11とYOLOv8のどちらを選択する場合でも、両モデルは包括的なUltralyticsエコシステムのメリットを受けられるため、機械学習のライフサイクルが大幅に簡素化されます。
使いやすさとシンプルなAPI#
ultralytics Pythonパッケージは、エンジニアや研究者が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る、効率化されたAPIを提供します。これにより、PyTorchでディープラーニング環境を構築する際に通常伴う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#
高負荷なビジョントランスフォーマー（RT-DETRなど）とは異なり、Ultralytics YOLOモデルはトレーニング中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、一般消費者向けGPUやGoogle Colabなどのクラウド環境で最先端のネットワークをトレーニングできます。
ビジョンタスク全般への対応力#
YOLO11とYOLOv8は、どちらも真のマルチタスク学習モデルです。標準的なバウンディングボックスによる物体検出に加え、インスタンスセグメンテーション、画像分類、人間の姿勢推定、航空画像向けの方向付きバウンディングボックス（OBB）をネイティブにサポートしています。
ユースケースと推奨事項#
YOLO11とYOLOv8のどちらを選ぶかは、具体的なプロジェクト要件、デプロイ上の制約、エコシステムに関する選好によって決まります。
YOLO11を選ぶタイミング#
YOLO11は、次の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重要となる、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。
- マルチタスクビジョンアプリケーション: 単一の統合フレームワーク内で、検出、セグメンテーション、ポーズ推定、OBBを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:**合理化されたUltralytics Python APIを使用して、データ収集から本番環境まで迅速に移行する必要があるチーム。
YOLOv8を選択するタイミング#
YOLOv8は次の用途に推奨されます:
- 汎用的なマルチタスクデプロイ: Ultralyticsエコシステム内で、detection、segmentation、classification、pose estimationに対応する実績のあるモデルが必要なプロジェクト。
- 確立された本番システム: YOLOv8アーキテクチャを基盤としてすでに構築され、安定した十分にテスト済みのデプロイパイプラインを備えた既存の本番環境。
- 幅広い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、サードパーティー統合、活発なコミュニティリソースの恩恵を受けるアプリケーション。
Ultralytics (YOLO26)を選ぶタイミング#
ほとんどの新規プロジェクトでは、Ultralytics YOLO26が性能と開発者エクスペリエンスの最適な組み合わせを提供します。
- NMSフリーのエッジデプロイ: Non-Maximum Suppressionの後処理を複雑にすることなく、一貫した低レイテンシー推論が必要なアプリケーション。
- CPUのみの環境: 専用GPUアクセラレーションを持たないデバイスで、YOLO26の最大43%高速なCPU推論が決定的な優位性となる場合。
- 小さな物体の検出: aerial drone imageryやIoTセンサー分析など、ProgLossとSTALによって微小物体の精度が大幅に向上する難しいシナリオ。
コード例: 入門#
Ultralyticsモデルのデプロイとトレーニングは非常に直感的に行えます。以下の例では、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を使用してエッジデプロイ向けにエクスポートする方法を示します。
from ultralytics import YOLO
# Initialize the YOLO11 small model
model = YOLO("yolo11s.pt")
# Train the model efficiently with optimized memory requirements
results = model.train(data="coco8.yaml", epochs=50, imgsz=640)
# Evaluate the validation performance
metrics = model.val()
# Run real-time inference on a test image
predictions = model("https://ultralytics.com/images/bus.jpg")
# Export to CoreML for fast mobile deployment
export_path = model.export(format="coreml")Ultralytics APIは標準化されているため、レガシーパイプラインをYOLOv8からYOLO11にアップグレードする際は、通常、重み文字列を"yolov8n.pt"から"yolo11n.pt"に変更するだけで済みます。
将来を見据えて: YOLO26によるエッジAIの頂点#
YOLO11は成熟した高機能アーキテクチャですが、AIイノベーションは急速に進み続けています。パフォーマンスにおいて絶対的な最先端を求めて新しいプロジェクトを開始する開発者には、Ultralytics YOLO26（2026年1月リリース）を強く推奨します。
YOLO26は、画期的な複数の機能によってコンピュータービジョンの限界を押し広げます。
- 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基盤として、YOLO26は非最大抑制（NMS）の後処理をネイティブに排除し、あらゆるデプロイハードウェアで、より低く予測可能なレイテンシーを実現します。
- 最大43%高速なCPU推論: 分布焦点損失（DFL）ブランチを完全に削除することで、YOLO26は高性能なGPUを持たないエッジコンピューティングデバイス向けに特化して最適化されています。
- 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、ハイブリッドMuSGDオプティマイザーを採用し、非常に安定した高速なトレーニング収束を実現します。
- ProgLoss + STAL: これらの高度な損失関数により、微小物体や強いオクルージョン下の物体認識が大幅に向上します。これは自律型ロボティクスやドローンベースの分析に不可欠です。
実績あるYOLOv8の信頼性、最適化されたYOLO11のアーキテクチャ、次世代のYOLO26の機能のいずれに依存する場合でも、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までシームレスに展開するために必要なツールを提供します。モデルをエンタープライズワークフローや分析ダッシュボードに接続するために利用できる、豊富なインテグレーションもぜひご確認ください。