はじめる

YOLO26とPP-YOLOE+の比較

リアルタイム物体検出モデルは急速に進化しており、デプロイするモデルを選ぶエンジニアは速度、精度、ツールを比較する必要があります。このページでは、Ultralytics YOLO26とPP-YOLOE+のアーキテクチャ、学習手法、性能指標、実際のデプロイに最適なシナリオを比較します。

モデルの由来とメタデータ#

これらの物体検出アーキテクチャの背景を理解すると、それぞれの設計思想と対象環境を把握しやすくなります。

YOLO26の概要

2026年1月にリリースされたYOLO26は、最新のUltralytics YOLOモデルであり、新規プロジェクトに推奨される選択肢です。小さなフットプリント、オプションのエンドツーエンド推論、高速なCPUおよびGPU処理を備え、エッジAIのデプロイ向けに設計されています。

PP-YOLOE+の概要

PP-YOLOシリーズを発展させる形で開発されたPP-YOLOE+は、PaddlePaddleエコシステム向けに最適化されたアンカーフリー検出器です。CSPRepResNetバックボーンとET-headを使用して、標準的な検出指標を向上させます。

PP-YOLOE+の詳細はこちら

アーキテクチャの革新#

これらのモデルが視覚データを処理する方法の違いは、メモリ要件、学習の安定性、推論レイテンシに影響します。

YOLO26:ネイティブなエンドツーエンド検出#

YOLO26には、モデルデプロイを簡素化するための、いくつかのアーキテクチャ変更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: YOLOv10で初めて導入された概念を基盤として、YOLO26はオプションのone-to-one head(nms=False)により、非極大値抑制(NMS)の後処理を省略するネイティブなエンドツーエンド推論に対応しています。これにより、レイテンシのばらつきが抑えられ、デプロイパイプラインが簡素化されます。
  • DFLの削除: Distribution Focal Loss(DFL)を削除することで検出ヘッドが簡素化され、TensorRTやCoreMLなどの形式へのエクスポートが容易になります。
  • MuSGDオプティマイザー: Moonshot AIのKimi K2に着想を得たYOLO26は、LLMの学習におけるイノベーションをコンピュータービジョンに取り入れています。SGDとMuonを組み合わせたハイブリッドのMuSGDオプティマイザーは、学習の安定性と収束速度を向上させます。
  • ProgLoss + STAL: Progressive LossとSmall-Target-Aware Label Assignment(STAL)は、小物体認識を向上させるため、ドローン画像や農業分野のアプリケーションに適したアーキテクチャを実現します。

PP-YOLOE+:Paddle中心のアプローチ#

PP-YOLOE+は、標準的なサーバーハードウェアで高精度を実現することに重点を置いた、アンカーフリー設計を採用しています。CSPRepResNetバックボーンにより、特徴抽出が向上します。ただし、Baiduのディープラーニングスタックに固有の演算に依存するため、ネットワークの変更やリソースが限られたエッジデバイス向けのエクスポートは、Ultralyticsのフレームワークよりも複雑になる可能性があります。

パフォーマンスと指標の比較#

PP-YOLOE+は競争力のある精度を備えていますが、以下の表に示す全てのサイズで、YOLO26はより高いmAPと低いT4 TensorRTレイテンシを達成しています。たとえば、xモデルではmAPが57.5対54.7、レイテンシが11.8対14.3 ms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)
YOLO26n64040.938.91.72.45.5
YOLO26s64048.687.22.59.520.9
YOLO26m64053.1220.04.720.468.4
YOLO26l64055.0286.26.224.886.8
YOLO26x64057.5525.811.855.7194.4
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

エッジ向けの最適化とDFLの削除により、YOLO26nはYOLO11nよりCPUで最大43%高速に動作します。ここではPP-YOLOE+のCPU上のONNX速度は報告されていないため、Raspberry Piなどのエッジコンピューティングユニットを含め、対象デバイスで両モデルをベンチマークしてください。

メモリー効率

モデルアーキテクチャを比較する際は、Ultralytics YOLOモデルは通常、Transformerベースのモデルよりも学習時のメモリ使用量が少なく、一般向けGPUでのプロトタイプ作成に実用的である点に留意してください。

Ultralyticsエコシステムの利点#

PP-YOLOE+は有能なモデルですが、開発者体験は大きく異なります。Ultralyticsエコシステムは、ビジョンAIの実務者向けにワークフロー全体をカバーします。

  1. 使いやすさ: シンプルなPython APIがデータパイプラインや学習ループの複雑さを抽象化し、充実した、活発にメンテナンスされているドキュメントが利用を支援します。
  2. 汎用性: 主に物体検出に特化したPP-YOLOE+とは異なり、YOLO26は同じAPIでインスタンスセグメンテーション、セマンティックセグメンテーション、深度推定、画像分類、姿勢推定、Oriented Bounding Box(OBB)に対応しています。
  3. 学習効率: 学習済みの重みは自動的にダウンロードされ、組み込みの拡張機能によって効率的な学習が可能です。通常、以前のフレームワークよりも少ないCUDAメモリと時間で学習できます。

コード例:シンプルな実装#

次の例では、Ultralytics APIを使ってプロジェクトを開始する方法を示します。

from ultralytics import YOLO

# エッジで最高のパフォーマンスを発揮する、事前学習済みのYOLO26 nanoモデルを読み込みます
model = YOLO("yolo26n.pt")

# COCO8データセットでモデルをトレーニングします
results = model.train(data="coco8.yaml", epochs=50, imgsz=640, device="cpu")

# 対象画像に対してNMSフリー推論を実行します
inference_results = model.predict("https://ultralytics.com/images/bus.jpg", nms=False)

# デプロイ用にONNX形式へエクスポートします
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、本番環境の制約に大きく左右されます。

PP-YOLOE+をデプロイする場合:

  • Baiduエコシステムとの統合: PaddlePaddleインフラストラクチャ上に構築されたプロジェクト、またはBaiduのソフトウェアスタックを標準として採用する環境に適しています。
  • サーバー側のバッチ処理: NMSによるレイテンシーの変動がそれほど問題にならない、エンタープライズグレードのハードウェアで実行するシナリオ。

YOLO26をデプロイする場合:

  • エッジデバイスとIoT: YOLO26はCPU速度が速いため、スマートカメラ、ドローン、低消費電力のロボティクスに適しています。
  • 時間制約の厳しいデプロイ: オプションのNMSフリー推論モード(nms=False)は、安定した低レイテンシの推論を実現します。これは、自動運転の研究や高速な製造品質管理において重要です。
  • マルチタスクプロジェクト: 物体検出に、姿勢推定によるセグメンテーションマスクやキーポイントを組み合わせるプロジェクトでは、統合されたYOLO26フレームワークでこれら全てを処理できます。

ユースケースと推奨事項#

YOLO26とPP-YOLOE+のどちらを選ぶかは、プロジェクト固有の要件、デプロイ上の制約、エコシステムの選好によって決まります。

YOLO26を選ぶ場合#

YOLO26は、次のような用途に適しています。

  • 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GPUアクセラレーションのないデバイスでは、YOLO26nのCPU推論がYOLO11nより最大43%高速であることが大きな強みになります。
  • 小物体検出: 航空ドローン画像やIoTセンサーの分析など、難易度の高いシナリオでは、ProgLossとSTALによって小物体の精度が向上します。

PP-YOLOE+を選ぶ場合#

PP-YOLOE+は、次のような用途におすすめです。

  • PaddlePaddleエコシステムとの統合: BaiduのPaddlePaddleフレームワークとツールを基盤とする既存インフラストラクチャを持つ組織。
  • Paddle Liteによるエッジデプロイ: 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。
  • サーバー側での高精度検出: フレームワークへの依存が問題にならない、強力なGPUサーバー上で検出精度を最大化すること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#

より広い視点で検討するには、Ultralyticsモデルの前世代にあたり、現在も本番環境で広く使用されているYOLO11をご覧ください。Transformerベースの検出モデルとしては、RT-DETRも選択肢ですが、学習時により多くのメモリが必要です。

MuSGDオプティマイザー、ProgLoss + STAL、オプションのNMSフリー推論を備えたYOLO26は、スケーラブルで効率的なビジョンAIソリューションに推奨される選択肢です。

コントリビューター

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。