YOLO11とYOLOv8の比較#
物体検出アーキテクチャは絶えず進化し、コンピュータービジョンの分野では目覚ましい進歩が続いています。実環境へのデプロイメント向けにモデルを評価する際、開発者は高い成功を収めた前世代モデルであるUltralytics YOLOv8とUltralytics YOLO11の強みを比較することがよくあります。どちらのモデルも速度、精度、開発者体験において業界標準を確立していますが、想定するプロジェクトのライフサイクルやパフォーマンスの基準は若干異なります。
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詳しく分析し、人工知能の取り組みに最適なソリューション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抑えながら特徴抽出の効率を最大化することを目指し、アーキテクチャにいくつかの重要な改良が加えられました。
YOLO11のアーキテクチャ#
YOLO11は、パラメーターの使用効率を最適化するうえで大きな進歩を遂げています。従来のC2fモジュールを高度なC3k2ブロックに置き換え、パラメーター数を大幅に増やすことなく空間特徴の処理を強化します。さらに、YOLO11はバックボーンにC2PSA (Cross-Stage Partial Spatial Attention)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注目でき、小さなオブジェクトの検出と複雑なオクルージョンへの対応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ドキュメント
YOLOv8のアーキテクチャ#
YOLOv8はYOLO11の1年前にリリースされ、アンカーフリーの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、損失関数の定式化が簡素化されました。そのアーキテクチャはC2fブロックを中心に構成されており、ネットワークの深さと勾配の流れ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際は、速度と精度のトレードオフを理解することが重要です。次の表は、YOLO11がすべてのサイズのバリエーションで一貫してYOLOv8より高い精度を実現す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 (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)を大幅に高めると同時に、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フォーマットにエクスポートした場合のCPU推論速度からも、YOLO11の大幅な高速化が確認できます。そのため、専用のGPUアクセラレーションを利用できない環境へのデプロイメントにも適しています。
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大幅に簡素化する、包括的なUltralyticsエコシステムのメリットを活用できます。
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#
重量のある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の少なさで知られています。このメモリ効率により、開発者はメモリ不足エラーに悩まされることなく、コンシューマー向け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。
多様なビジョンタスクに対応#
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、プロジェクト固有の要件、デプロイ時の制約、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: 単一の統合フレームワークで、検出、セグメンテーション、姿勢推定、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: 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。
- 汎用的なマルチタスクデプロイ: Ultralyticsエコシステムで、検出、セグメンテーション、分類、ポーズ推定に対応した、実績のあるモデルを必要とするプロジェクト。
- 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のみの環境: 専用のGPUアクセラレーションを備えていないデバイスで、YOLO26の最大43%高速なCPU推論が大きな優位性を発揮します。
- 小物体検出: ドローンによる航空画像やIoTセンサーの分析など、ProgLossとSTALによって小さな物体の精度が大幅に向上する難しいシナリオ。
コード例：使い始める#
Ultralyticsモデルのデプロイとトレーニングは非常に直感的です。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向け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の最高峰#
YOLO11は成熟度が高く非常に優れたアーキテクチャですが、AIのイノベーションは急速に進み続けています。最高水準の性能を必要とする新規プロジェクトに取り組む開発者には、Ultralytics YOLO26（2026年1月リリース）を強くおすすめします。
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可能性を広げます。
- 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に、YOLO26ではオプションのワンツーワンヘッド（
nms=False）を利用できます。このヘッドは後処理の非最大値抑制（NMS）を省くため、あらゆる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ーを実現します。 - CPU推論が最大43%高速化：YOLO26はDistribution Focal Loss（DFL）ブランチを完全に取り除くことで、強力なGPUを搭載してい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ハイブリッド型のMuSGDオプティマイザーをYOLO26で採用し、非常に安定した高速な学習収束を実現します。
- ProgLoss + STAL：これらの高度な損失関数により、小さな物体や大きく遮蔽された物体の認識精度が大幅に向上します。これは、自律型ロボットやドローンを使っ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、次世代の機能を備えたYOLO26のいずれを選んでも、Ultralytics Platformを利用すれば、ビジョンAIアプリケーションを構想から本番環境までスムーズに展開するために必要なツールが揃います。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するために、利用可能な幅広いインテグレーションもぜひご確認ください。