YOLO26とYOLO11の比較#

最先端のコンピュータービジョンシステムを構築する際、精度、レイテンシ、リソース効率のバランスを取るうえで、適切なモデルを選ぶことが重要です。急速に進化する人工知能の分野で、Ultralyticsは可能性の限界を押し広げ続けています。この詳細な技術比較では、高い実績を持つYOLO11から革新的な新モデルYOLO26への移行を検証し、AIエンジニアや研究者が十分な情報に基づいてアーキテクチャを決定するために必要な知見を紹介します。

モデルの系譜とメタデータ#

両モデルはUltralyticsが開発しましたが、物体検出およびマルチタスクビジョンモデルの変遷において、それぞれ異なるパラダイムを示しています。

YOLO26の詳細:

• 著者: Glenn Jocher、Jing Qiu
• 組織: Ultralytics
• 日付: 2026-01-14
• GitHub: Ultralyticsリポジトリ
• ドキュメント: YOLO26公式ドキュメント

YOLO11の詳細:

• 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公式ドキュメント

アーキテクチャの違いと革新#

YOLO11からYOLO26への進化では、モデルアーキテクチャと基盤となるトレーニング手法の両方に根本的な変化が加えられています。YOLO11は物体検出とマルチタスク学習の堅牢な基盤を確立しましたが、YOLO26はエッジコンピューティング向けにデプロイパイプラインを全面的に刷新しています。

エンドツーエンドのNMSフリー設計#

YOLO26の最も重要なアップグレードの一つは、ネイティブなエンドツーエンドアーキテクチャです。非極大値抑制（NMS）の後処理で重複するバウンディングボックスを除外するYOLO11とは異なり、YOLO26ではオプションのone-to-oneヘッド（nms=False）を使用して、この処理を完全に省略できます。この方式は、YOLOv10が先駆けて導入したもので、多様なエッジデバイスでレイテンシのばらつきを大幅に抑え、デプロイのロジックを簡素化します。

エッジ効率化に向けたDFLの削除#

YOLO11はDistribution Focal Loss（DFL）を使用してバウンディングボックスの推定を調整します。しかし、DFLは複雑なsoftmax演算に依存しており、低消費電力のエッジアクセラレーターでは十分にサポートされないことがよくあります。YOLO26は精度を損なうことなくDFLを削除しました。このアーキテクチャの簡素化により、組み込みシステムとの互換性が大幅に向上し、前世代と比べてCPU推論を最大43%高速化できます。

MuSGDオプティマイザー#

トレーニングの安定性と速度は非常に重要です。YOLO26では、Stochastic Gradient Descent（SGD）とMuonを組み合わせたハイブリッド型のMuSGDオプティマイザーを導入しています。これは、Moonshot AIのKimi K2におけるLLMトレーニングの革新から強く着想を得ています。このオプティマイザーは、言語モデルのトレーニングで培われた安定性をコンピュータービジョンにもたらし、重いTransformerベースの手法と比べて収束を速め、トレーニング中のメモリ使用量を削減します。

ProgLossとSTAL#

航空画像やドローンアプリケーションを扱う研究者にとって、小さな特徴の検出は長年の課題です。YOLO26ではProgLossとSTAL（小さな対象を考慮したラベル割り当て）を組み合わせ、YOLO11と比べて小物体の認識性能を大きく向上させています。

パフォーマンスと指標の比較#

両モデルを直接比較すると、YOLO26は精度とエッジデバイス上の効率で明確な優位性を示しながら、Ultralyticsエコシステムの特徴である非常に低いメモリ要件も維持しています。

注: YOLO26 nano（YOLO26n）モデルは、YOLO11nと比べてCPU速度が約~31%向上しています（38.9ms対56.1ms）。これはエッジを優先した設計思想を示しています。

コンピュータービジョンタスクへの幅広い対応#

両モデルは、十分に保守されているUltralyticsエコシステムの利点を活かし、統一されたPython APIを通じて優れた使いやすさを実現しています。単なる物体検出モデルではなく、マルチタスクに対応する強力なモデルです。ただし、YOLO26にはタスク固有の改良がいくつか加えられています。

• インスタンスセグメンテーション: YOLO26では、改良されたセマンティックセグメンテーションの損失関数とマルチスケールのプロトタイピングを使用し、YOLO11よりも鮮明なマスク境界を生成します。セグメンテーションのワークフローの詳細をご覧ください。
• 姿勢推定: Residual Log-Likelihood Estimation（RLE）を統合することで、YOLO26は複雑な人間の姿勢におけるキーポイントの精度を大幅に向上させます。姿勢推定機能をご覧ください。
• Oriented Bounding Boxes（OBB）: 専用の角度損失関数により、従来からの境界不連続性の問題を解決し、衛星画像で回転した物体を検出する際のYOLO26の信頼性を大きく高めています。OBBタスクの詳細をご覧ください。
• 画像分類: 両モデルは高速な分類を効率的に実行し、YOLO26はImageNetでtop-1精度をわずかに向上させています。

トレーニングと推論のコード例#

Ultralyticsは開発者エクスペリエンスで高く評価されています。最先端（SOTA）モデルのトレーニングも推論スクリプトの実行も、わずか数行のコードで済むため、定型コードを最小限に抑えて生産性を最大化できます。また、YOLOモデルのトレーニングに必要なCUDAメモリは、大規模なTransformerネットワークより大幅に少なくて済みます。

from ultralytics import YOLO

# 最先端の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効率的にトレーニングします
# 長時間のトレーニングでは、optimizer="auto"がMuSGDを選択します
train_results = model.train(
    data="coco8.yaml",
    epochs=100,
    imgsz=640,
    device="0",  # GPUを使用してトレーニングを高速化します
)

# 画像に対してNMSフリー推論を直接実行します
results = model("https://ultralytics.com/images/bus.jpg", nms=False)

# 明瞭な予測結果をすぐに表示します
results[0].show()

最適なユースケースとデプロイ戦略#

YOLO26とYOLO11のどちらを選ぶかは、本番環境の制約によって決まります。

YOLO26をデプロイするタイミング#

YOLO26は、新規に開発する最新プロジェクトに最適な選択肢です。次の用途を念頭に設計されています。

• エッジコンピューティングとIoT: 優れたCPU性能とDFLの削除により、Raspberry Pi、Coral NPU、モバイルプロセッサーなどのデバイスに最適です。
• ドローンと航空画像の解析: ProgLossとSTALの統合により、広大な地域を移動する小さくて高速な物体の追跡に特に適しています。
• レイテンシが重要なアプリケーション: 自律ロボットや製造品質管理では、NMSフリー設計により、予期しない後処理の遅延がなく、決定論的なレイテンシを実現できます。

YOLO11を継続して使用するタイミング#

YOLO26は優れていますが、YOLO11も非常に高性能なモデルです。次の場合は、YOLO11を継続して使用できます。

• レガシーパイプライン: 既存のC++デプロイ基盤が、YOLO11固有の出力形式とNMSロジックに密接に依存している場合。
• 学術研究のベースライン: 研究成果を発表するにあたり、新しいアルゴリズムのベンチマークに、広く認知された2024年の標準モデルが必要な場合。

Ultralyticsエコシステムの強み#

YOLO11とYOLO26のどちらをデプロイする場合でも、Ultralyticsモデルを使えば、頻繁なアップデートと幅広いコミュニティサポートを備えた十分に保守されたエコシステムを活用できます。

エンタープライズチーム向けに、Ultralytics Platformはデータアノテーション、モデルのトレーニング、シームレスなクラウドデプロイを網羅するエンドツーエンドのソリューションを提供します。トレーニング済みの重みをCoreMLやTensorRTにエクスポートする作業から、高度なハイパーパラメーター調整の設定まで、提供されるツールによってAIライフサイクルをできる限り効率化できます。