YOLO26とYOLO11の比較
コンピュータービジョンシステムを構築する際は、精度、レイテンシ、リソース効率のバランスを考慮してモデルを選ぶ必要があります。この技術比較では、UltralyticsYOLO11から新しいYOLO26への移行を取り上げ、AIエンジニアや研究者が適切なアーキテクチャを選択するために必要な情報を紹介します。
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への移行では、モデルアーキテクチャと学習レシピの両方が変わります。YOLO11が物体検出とマルチタスク学習の強力なベースラインを確立した一方で、YOLO26はエッジコンピューティング向けにデプロイ経路を再設計しています。
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1つは、ネイティブのエンドツーエンド推論です。非最大値抑制(NMS)の後処理で重複するバウンディングボックスをフィルタリングするYOLO11とは異なり、YOLO26ではオプションの1対1ヘッド(nms=False)を使用して、この処理を完全に省略できます。YOLOv10がYOLOシリーズに導入したこのアプローチにより、レイテンシのばらつきが減少し、多様なエッジデバイスへのデプロイロジックが簡素化されます。
エッジ効率化に向けたDFLの削除#
YOLO11は、バウンディングボックスの推定を改善するためにDistribution Focal Loss(DFL)を使用します。ただし、DFLは低消費電力のエッジアクセラレーターで十分にサポートされないことが多いsoftmax演算に依存しています。YOLO26は精度を損なわずにDFLを取り除いています。この簡素化により組み込みシステムとの互換性が向上し、YOLO26nはYOLO11nより最大43%高速なCPU推論を実現します。
MuSGDオプティマイザー#
YOLO26は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による大規模言語モデル(LLM)の学習における革新に着想を得た、確率的勾配降下法(SGD)とMuonのハイブリッドです。言語モデルの学習における安定性をコンピュータービジョンにもたらし、収束を高速化します。
ProgLossとSTAL#
航空画像やドローン用途に取り組む研究者にとって、小さな物体の検出は長年の課題です。YOLO26はProgLossとSTAL(小物体を考慮したラベル割り当て)を組み合わせ、YOLO11よりも小物体の認識性能を向上させています。
パフォーマンスと指標の比較#
YOLO26はあらゆるサイズでYOLO11を上回るmAPを達成し、その差は+1.4(n)から+2.8(x)です。パラメーター数とFLOPsは同程度です。YOLO26nとYOLO26sはCPUでも高速ですが、大型のYOLO11モデルはCPUレイテンシで優位性を保っています。
| 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) |
|---|---|---|---|---|---|---|
| YOLO26n | 640 | 40.9 | 38.9 | 1.7 | 2.4 | 5.5 |
| YOLO26s | 640 | 48.6 | 87.2 | 2.5 | 9.5 | 20.9 |
| YOLO26m | 640 | 53.1 | 220.0 | 4.7 | 20.4 | 68.4 |
| YOLO26l | 640 | 55.0 | 286.2 | 6.2 | 24.8 | 86.8 |
| YOLO26x | 640 | 57.5 | 525.8 | 11.8 | 55.7 | 194.4 |
| 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 |
注:YOLO26nのCPU ONNXレイテンシはYOLO11nより約31%低く(38.9 ms対56.1 ms)、エッジを優先した設計が反映されています。
コンピュータービジョンタスクへの幅広い対応#
どちらのモデルも、積極的に保守されているUltralyticsエコシステムと統一されたPython APIの恩恵を受け、検出、セグメンテーション、分類、姿勢推定、OBBに対応しています。YOLO26ではさらにセマンティックセグメンテーションと深度推定が追加され、タスク固有の改良も複数導入されています。
- インスタンスセグメンテーション: YOLO26はセマンティックセグメンテーション損失とマルチスケールのprotoモジュールを採用し、YOLO11よりマスク品質を向上させています。セグメンテーションのワークフローについて詳しくご覧ください。
- 姿勢推定: 残差対数尤度推定(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精度を向上させています。姿勢推定機能をご覧ください。
- 回転バウンディングボックス(OBB): 専用の角度損失関数によって境界の不連続性の問題を解消し、衛星画像内の回転した物体をYOLO26でより確実に検出できます。OBBタスクについてご覧ください。
- 画像分類: どちらのモデルも高速な分類を効率的に処理します。YOLO26はImageNetで、nモデルのtop-1精度をわずかに向上させています(71.4%対70.0%)。
トレーニングと推論のコード例#
Ultralyticsを使えば、モデルの学習や推論の実行は数行のコードで完了します。YOLOモデルの学習では、大型のTransformerネットワークよりも少ないCUDAメモリーで済みます。
from ultralytics import YOLO
# 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", # 高速なトレーニングにはGPUを使用します
)
# 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#
新しいプロジェクトにはYOLO26を推奨します。以下の用途向けに設計されています。
- エッジコンピューティングとIoT: CPU性能に優れ、DFLを取り除いているため、Raspberry Pi、Coral Edge TPU、モバイルプロセッサーなどのデバイスに適しています。
- ドローンおよび航空分析: ProgLossとSTALにより、広い範囲のシーンで小さく高速に移動する物体の検出と追跡が改善されます。
- レイテンシが重要なアプリケーション: 自律型ロボットや製造品質管理では、オプションのNMSフリーヘッド(
nms=False)が後処理による急激な遅延を防ぎ、レイテンシを一定に保ちます。
YOLO11を継続して使用するタイミング#
YOLO11も引き続き高性能なモデルです。次のような場合は、YOLO11を継続して使用することを検討してください。
- 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: 研究を発表する際に、新しいアルゴリズムを評価するための広く認知された2024年のベースラインが必要な場合。
Ultralyticsエコシステムの強み#
YOLO11とYOLO26のどちらをデプロイしても、Ultralyticsモデルは十分に保守されたエコシステム、頻繁なアップデート、大規模なコミュニティを利用できます。
エンタープライズチーム向けのUltralytics Platformは、データアノテーション、モデル学習、クラウドデプロイをエンドツーエンドで支援します。ultralyticsパッケージは、ハイパーパラメーター調整から学習済み重みのCoreMLまたはTensorRTへのエクスポートまで、ライフサイクルの残りの工程をカバーします。
コメント2
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。
CoLnd
Hello, thank you for this article. I'm seeing that the best speed upgrade is 31% between 11n and 26n, where does the "up to 43% acceleration" come from please? Thank you have a nice day
Murat Raimbekovyour math is right - YOLO26n at 38.9 ms vs YOLO11n at 56.1 ms is ~31% lower latency, which is what the in-page note on this comparison reflects. the "up to 43% faster" headline expresses the same two numbers as a throughput speedup instead: 56.1 / 38.9 ≈ 1.44, so YOLO26n processes ~44% more frames per second on the same CPU than YOLO11n, marketed as "up to 43% faster". both describe the identical benchmark, just two different conventions:
- latency reduction: (56.1 - 38.9) / 56.1 = ~31%
- throughput speedup: 56.1 / 38.9 - 1 = ~44% (rounded down to "up to 43%" in the headline)
a cleaner restatement: YOLO26n delivers up to ~43% faster CPU ONNX inference than YOLO11n, corresponding to ~31% lower latency in the benchmark table. the "up to" qualifier reflects that nano is where the gap is largest - on s/m/l/x tiers the gap is smaller (or negative on the larger ones), so the headline is bound to the best case. we will look at tightening the wording in the docs so the two metrics read clearly side by side.
thanks for flagging.