Ultralytics YOLO27:

YOLO26 と PP-YOLOE+ の比較#

コンピュータビジョン分野では、リアルタイム物体検出モデルが急速な進化を遂げています。最も効率的なビジョン AI モデルのデプロイを目指す ML エンジニアや研究者にとって、Ultralytics YOLO26 と PP-YOLOE+ のようなアーキテクチャを比較することは重要です。本ガイドでは、両者のアーキテクチャ、トレーニング手法、パフォーマンス指標、実環境での理想的なデプロイシナリオを詳細に分析します。

モデルの起源とメタデータ#

これらのコンピュータビジョンアーキテクチャの背景を理解することで、それぞれの設計思想と対象環境を適切に把握できます。

YOLO26 概要

2026年1月にリリースされたYOLO26は、Ultralyticsエコシステムの最高峰です。より小さなフットプリント、ネイティブなエンドツーエンド処理、比類のないスピードを誇り、決定的なエッジAIソリューションとなるように設計されています。

PP-YOLOE+ 概要

PP-YOLOシリーズの進化形として開発されたPP-YOLOE+は、PaddlePaddleエコシステム向けに高度に最適化されたアンカーフリーの検出器です。標準的な検出指標を改善するために、CSPRepResNetバックボーンとETヘッドを採用しています。

PP-YOLOE+の詳細をご覧ください

アーキテクチャのイノベーション#

これらのモデルがビジュアルデータを処理する方法の違いは、メモリ要件、トレーニングの安定性、推論レイテンシに大きな影響を与えます。

YOLO26: NMS フリーの最前線#

YOLO26 は、合理化されたモデルデプロイを実現するために、複数の画期的なアーキテクチャ変更を導入しています。

  • エンドツーエンドの NMS フリーデザイン: YOLOv10で初めて導入された概念を基盤に、YOLO26 は非最大抑制 (NMS)の後処理をネイティブに排除します。これによりレイテンシの変動が抑えられ、デプロイパイプラインが大幅に簡素化されます。
  • DFL の削除: 分布焦点損失 (DFL) を削除することで、モデルが大幅に軽量化され、TensorRTやCoreMLなどのフォーマットへシームレスにエクスポートできます。
  • MuSGD オプティマイザ: Moonshot AIのKimi K2にインスピレーションを得たYOLO26は、大規模言語モデル（LLM）のトレーニングにおける革新技術をコンピュータビジョンに導入します。ハイブリッドなMuSGDオプティマイザ（SGD + Muon）は、非常に安定したトレーニングのダイナミクスと迅速な収束を実現します。
  • ProgLoss + STAL: これらの高度な損失関数により小物体認識が大幅に向上し、アーキテクチャはドローン画像や農業用途で非常に高い効果を発揮します。

PP-YOLOE+: Paddle 中心のアプローチ#

PP-YOLOE+ はアンカーフリーのパラダイムを採用し、標準的なサーバーハードウェア上での高精度に重点を置いています。特徴抽出能力を向上させる RepResNet 構造を備えています。ただし、Baidu のディープラーニングスタック内で利用可能な特定の演算に大きく依存するため、ネットワークの変更や、高い制約のあるエッジデバイス向けのエクスポートは、Ultralytics フレームワークの場合より大幅に複雑になる可能性があります。

パフォーマンスとメトリクスの比較#

多様な実環境でのデプロイシナリオでは、速度と精度の優れたバランスが不可欠です。PP-YOLOE+ は競争力のある精度を提供しますが、特に CPU での推論速度と低いメモリ使用量を評価した場合、YOLO26 は一貫してより有利なトレードオフを実現します。

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）
YOLO26n64040.938.91.72.45.4
YOLO26s64048.687.22.59.520.7
YOLO26m64053.1220.04.720.468.2
YOLO26l64055.0286.26.224.886.4
YOLO26x64057.5525.811.855.7193.9
PP-YOLOE+t64039.9-2.844.8519.15
PP-YOLOE+s64043.7-2.627.9317.36
PP-YOLOE+m64049.8-5.5623.4349.91
PP-YOLOE+l64052.9-8.3652.2110.07
PP-YOLOE+x64054.7-14.398.42206.59

特定のエッジ最適化と DFL の削除により、YOLO26 は従来モデルと比較してCPU 推論を最大 43%高速化し、Raspberry Pi や標準的なエッジコンピューティングユニットなどのデバイスにデプロイした場合、PP-YOLOE+ を大幅に上回ります。

メモリ効率

モデルアーキテクチャを比較する際は、Ultralytics YOLO モデルが複雑な Transformer モデルよりもトレーニング中のメモリ使用量を大幅に抑えられる点に注目してください。そのため、コンシューマー向け GPU での迅速なプロトタイピングに非常に適しています。

Ultralyticsエコシステムの優位性#

PP-YOLOE+ は有能なモデルですが、真の差別化要因は開発者体験にあります。統合されたUltralytics エコシステムは、ビジョン AI の実務者に比類のない環境を提供します。

  1. 使いやすさ: Ultralytics は合理化されたユーザー体験を提供します。シンプルな Python API がデータパイプラインとトレーニングループの複雑さを抽象化し、充実した継続的にメンテナンスされているドキュメントによって支えられています。
  2. 汎用性: 主に物体検出に重点を置く PP-YOLOE+ とは異なり、YOLO26 は同じ API 構造を使用して、画像分類、インスタンスセグメンテーション、姿勢推定、指向性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。
  3. トレーニング効率: すぐに利用できる事前学習済みウェイトの自動ダウンロードと高度なデータ拡張を組み合わせることで、従来のフレームワークと比較して、必要な CUDA メモリと時間を抑えた効率的なトレーニングプロセスを実現します。

コード例: シンプルさの実践#

以下の有効な Python コードは、Ultralytics API を使用して AI プロジェクトをいかに簡単に開始できるかを示します。

from ultralytics import YOLO

# Load a pre-trained YOLO26 nano model for optimal edge performance
model = YOLO("yolo26n.pt")

# Train the model effortlessly on the COCO8 dataset
results = model.train(data="coco8.yaml", epochs=50, imgsz=640, device="cpu")

# Perform NMS-free inference on a target image
inference_results = model.predict("https://ultralytics.com/images/bus.jpg")

# Export to ONNX format for deployment
model.export(format="onnx")

実環境での理想的な用途#

YOLO26 と PP-YOLOE+ のどちらを選ぶかは、主に本番環境の制約によって決まります。

PP-YOLOE+ をデプロイするケース:

  • Baidu エコシステムとの統合: PaddlePaddle インフラストラクチャに深く根ざしたプロジェクトや、Baidu のハードウェアおよびソフトウェアスタックが厳格に適用される特定のアジア圏の製造環境。
  • サーバーサイドのバッチ処理: NMS に起因するレイテンシの揺らぎがあまり問題にならない、エンタープライズ向けハードウェア上で実行するシナリオ。

YOLO26 をデプロイするケース:

  • エッジデバイスと IoT: YOLO26 は CPU 速度が最大 43%高速であるため、スマートカメラ、ドローン、低消費電力のロボティクスに最適な選択肢です。
  • 時間制約の厳しいデプロイ: ネイティブな NMS フリーアーキテクチャにより、安定した超低レイテンシ推論が保証されます。これは自動運転研究や高速な製造品質管理に不可欠です。
  • マルチタスクプロジェクト: 物体検出、セグメンテーションによる高精度なマスキング、姿勢推定によるキーポイント追跡を組み合わせる必要があるプロジェクトでは、統合された YOLO26 フレームワークが不可欠です。

ユースケースと推奨事項#

YOLO26 と PP-YOLOE+ のどちらを選ぶかは、具体的なプロジェクト要件、デプロイの制約、エコシステムの選好によって決まります。

YOLO26を選ぶタイミング#

YOLO26は次の用途に適しています:

  • 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。

PP-YOLOE+ を選択するケース#

PP-YOLOE+ は次の用途に推奨されます。

  • PaddlePaddle エコシステムとの統合: 既存のインフラストラクチャがBaidu の PaddlePaddleフレームワークとツールで構築されている組織。
  • Paddle Lite エッジデプロイ: Paddle Lite または Paddle 推論エンジン向けに特別に最適化された推論カーネルを備えるハードウェアへのデプロイ。
  • 高精度なサーバーサイド検出: フレームワークへの依存が問題にならず、高性能 GPU サーバー上で最大限の検出精度を優先するシナリオ。

その他のアーキテクチャを検討する#

より幅広いモデルを検討しているユーザーには、YOLO11も確認することをおすすめします。YOLO11 は Ultralytics モデルの信頼性の高い旧世代モデルであり、数千の本番環境で現在も広く利用されています。さらに、Transformer ベースのメカニズムが必要なシナリオでは、RT-DETRアーキテクチャが興味深い代替手段となりますが、トレーニング時のメモリ要件はより大きくなります。

最終的に、MuSGD オプティマイザー、ProgLoss + STAL の機能、NMS フリーデザインを活用することで、YOLO26 は現代的でスケーラブルかつ非常に効率的なビジョン AI ソリューションの第一の選択肢としての地位を確立しています。

貢献者
GLglenn-jocher7PDpderrenger1

コメント