YOLO26 vs YOLO11#
最先端のコンピュータ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ために、適切なモデルを選択することが重要です。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、高い成功を収めたYOLO11から革新的な新しい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上の意思決定を行うために必要な知見を提供します。
モデルの系譜とメタデータ#
両モデルはUltralyticsによって開発されましたが、物体検出およびマルチタスクビジョンモデルの発展における異なるパラダイムを表しています。
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への飛躍には、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おける根本的な変化が伴います。YOLO11が物体検出とマルチタスク学習の堅牢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の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フリーデザイン#
YOLO26における最も重要なアップグレードの1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。非最大抑制 (NMS)のポストプロセスに依存して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はこの処理を完全に排除しています。YOLOv10で初めて先駆的に導入されたこの概念により、レイテンシの変動が大幅に低減され、多様なエッジデバイス間でのデプロイロジックが簡素化されます。
エッジ効率化のためのDFL削除#
YOLO11は、バウンディングボックスの推定を洗練するために分布フォーカル損失 (DFL)を使用します。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は精度を犠牲にすることなくDFLを削除することに成功しました。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、YOLO26は前世代モデルと比較して最大43%高速なCPU推論を実現できます。
MuSGDオプティマイザ#
トレーニングの安定性と速度は極めて重要です。YOLO26は、確率的勾配降下法 (SGD)とMuonのハイブリッドであるMuSGDオプティマイザを導入しています。これは、Moonshot AIのKimi K2におけるLLMトレーニングの革新から大きな影響を受けています。このオプティマイザは、言語モデルのトレーニングにおける安定性をコンピュータビジョンにもたらし、重量級のTransformer代替手法と比較して、より高速な収束とトレーニング中のメモリフットプリント削減を実現します。
ProgLossとSTAL#
aerial imageryまたはドローンアプリケーションを扱う研究者にとって、極小のフィーチャの検出は長年の課題でした。YOLO26はProgLossとSTAL（Small-Target-Aware Label Assignment）を組み合わせることで、YOLO11と比較して小物体認識において顕著な向上を実現しています。
パフォーマンスとメトリクスの比較#
モデルを直接比較すると、YOLO26は精度とエッジデバイス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極めて少ないメモリ要件も維持しています。
| モデル | サイズ （ピクセル） | mAPval 50-95 | 速度 CPU ONNX （ms） | 速度 T4 TensorRT10 （ms） | パラメーター数 （M） | FLOPs （B） |
|---|---|---|---|---|---|---|
| YOLO26n | 640 | 40.9 | 38.9 | 1.7 | 2.4 | 5.4 |
| YOLO26s | 640 | 48.6 | 87.2 | 2.5 | 9.5 | 20.7 |
| YOLO26m | 640 | 53.1 | 220.0 | 4.7 | 20.4 | 68.2 |
| YOLO26l | 640 | 55.0 | 286.2 | 6.2 | 24.8 | 86.4 |
| YOLO26x | 640 | 57.5 | 525.8 | 11.8 | 55.7 | 193.9 |
| YOLO11n | 640 | 39.5 | 56.1 | 1.5 | 2.6 | 6.5 |
| YOLO11s | 640 | 47.0 | 90.0 | 2.5 | 9.4 | 21.5 |
| YOLO11m | 640 | 51.5 | 183.2 | 4.7 | 20.1 | 68.0 |
| YOLO11l | 640 | 53.4 | 238.6 | 6.2 | 25.3 | 86.9 |
| YOLO11x | 640 | 54.7 | 462.8 | 11.3 | 56.9 | 194.9 |
注: YOLO26 nano（YOLO26n）モデルは、YOLO11nと比較してCPU速度が約31%向上しています（38.9ms対56.1ms）。これはエッジファーストの設計思想を示しています。
コンピュータビジョンタスク全般への対応力#
両モデルは、十分にメンテナンスされたUltralyticsエコシステムの恩恵を受け、統一されたPython APIによって他に類を見ない使いやすさを提供します。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にはタスク固有の複数の進化が組み込まれています。
- インスタンスセグメンテーション: YOLO26は、改良された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ワークフローの詳細をご覧ください。
- ポーズ推定: 残差対数尤度推定 (RLE)を統合することで、YOLO26は複雑な人間のポーズにおけるキーポイント精度を大幅に向上させます。ポーズ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り、従来から存在した境界の不連続性の問題を解消し、YOLO26は衛星画像における回転物体の検出で非常に高い信頼性を実現します。OBBタスクについてお読みください。
- 画像分類: 両モデルは高速な分類を効率的に処理し、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は開発者体験で高く評価されています。SOTAモデルのトレーニングや推論スクリプトの実行は数行のコードで済み、ボイラープレートを最小限に抑えて生産性を最大化できます。さらに、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ネットワークよりも大幅に少なくて済みます。
from ultralytics import YOLO
# Load the cutting-edge YOLO26 nano model
model = YOLO("yolo26n.pt")
# Train the model on the COCO8 dataset efficiently
# The MuSGD optimizer is automatically enabled for YOLO26
train_results = model.train(
data="coco8.yaml",
epochs=100,
imgsz=640,
device="0", # Utilize GPU for accelerated training
)
# Perform NMS-free inference directly on an image
results = model("https://ultralytics.com/images/bus.jpg")
# Display the clean, instant predictions
results[0].show()最適なユースケースとデプロイ戦略#
YOLO26とYOLO11のどちらを選択するかは、本番環境の制約に全面的に依存します。
YOLO26をデプロイするタイミング#
YOLO26は、最新の新規プロジェクトに最適な決定的選択肢です。次の用途向けに特化して構築されています。
- エッジコンピューティングとIoT: 卓越したCPUパフォーマンスとDFLの削除により、Raspberry Pi、Coral NPU、モバイルプロセッサなどのデバイスに最適です。
- ドローンおよび航空分析: ProgLoss + STALの統合により、広大な地形を移動する小さく高速な物体を追跡する能力において独自の強みを発揮します。
- レイテンシが重要なアプリケーション: 自律型ロボティクスや製造品質管理では、NMSフリーデザインにより、予期しないポストプロセスの急増がない決定論的なレイテンシを実現します。
YOLO11を使い続けるタイミング#
YOLO26は優れていますが、YOLO11も依然として非常に高性能なモデルです。次の場合はYOLO11を使い続けることを検討できます。
- レガシーパイプライン: 既存のC++デプロイインフラが、旧アーキテクチャ固有のアンカーベース出力やNMSロジックと密接に結合しています。
- 学術的なベースライン: 研究を発表するにあたり、独自アルゴリズムのベンチマークに広く認知された2024年の標準が必要です。
Ultralyticsエコシステムの力#
YOLO11とYOLO26のどちらをデプロイする場合でも、Ultralyticsモデルを使用することで、頻繁なアップデートと広範なコミュニティサポートを備えた十分にメンテナンス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のためのエンドツーエンド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チューニングの設定まで、提供されるツールによってAIライフサイクルを可能な限り効率化できます。