YOLO26とYOLOv10の比較
コンピュータービジョンアプリケーションでは、より高速で正確かつ効率的なモデルが求められ続けています。このガイドでは、影響力のある2つのリアルタイム物体検出アーキテクチャ、YOLO26とYOLOv10を、アーキテクチャ、性能指標、デプロイ機能の観点から比較し、開発者や研究者がビジョンアプリケーションに適したモデルを選べるよう支援します。
NMSフリーアーキテクチャの進化#
長年、YOLO(You Only Look Once:一度だけ見る)ファミリーでは、後処理時に重複するバウンディングボックスを除去するため、非最大値抑制(NMS)が使われてきました。NMSは有効ですが、推論のレイテンシを増加させ、Raspberry Piなどのエッジデバイスや専用のニューラルプロセッシングユニット(NPU)へのデプロイを複雑にします。
YOLOv10は、YOLOファミリーにエンドツーエンドのNMSフリーデザインを導入しました。Ultralytics YOLO26は、この手法を本番環境向けに改良し、オプションのone-to-oneヘッドとして採用するとともに、より幅広いタスクに対応させました。
YOLOv10:NMSフリーのリアルタイム検出#
- 日付: 2024-05-23
- 著者: Ao Wang、Hui Chen、Lihao Liuほか
- 組織: 清華大学
- リソース: arXiv論文 | GitHubリポジトリ
清華大学の研究者が開発したYOLOv10は、NMSを不要にする一貫したデュアルアサインメント戦略を導入しました。効率性と精度を総合的に考慮したモデル設計により、強力なmAP(平均適合率)を維持しながら、計算の冗長性を削減しました。
強み:
- NMSフリーアーキテクチャ: YOLOシリーズで初のNMSフリーデザインを採用し、リアルタイムアプリケーションのレイテンシを低減します。
- 効率性: 以前の世代のモデルと比べて、パラメーター数と推論速度の優れたバランスを実現しています。
弱み:
- タスク対応の制限: 主に標準的な物体検出に特化しており、セグメンテーションや姿勢推定などの高度なタスクには、標準状態でネイティブに対応していません。
- 学術研究重視: コードベースは、エンタープライズの本番デプロイよりも研究に重点を置いています。
YOLO26: エッジとクラウドの新たな標準#
- 日付: 2026-01-14
- 著者: Glenn Jocher、Jing Qiu
- 組織: Ultralytics
- リソース: GitHubリポジトリ | Ultralytics Platform
YOLO11の後継モデルとしてリリースされたYOLO26は、オプションの1対1ヘッド(nms=False)を導入し、NMSフリーのコンセプトをさらに発展させています。機械学習パイプライン全体でアノテーション、学習、デプロイを支援するツールを備えたUltralytics Platformと統合されています。
YOLO26では、アーキテクチャにいくつかの変更が加えられています。
- DFLの削除: Distribution Focal Lossを取り除きました。これにより、モデルのエクスポートプロセスが簡素化され、エッジデバイスや低消費電力デバイスとの互換性が向上します。
- CPU推論が最大43%高速: DFLの削除と構造上の最適化により、YOLO26nはYOLO11nよりCPUで最大43%高速になり、IoTやモバイルへのデプロイに適しています。
- MuSGDオプティマイザー: Moonshot AIのKimi K2など、大規模言語モデル(LLM)の学習手法に着想を得たYOLO26は、SGDとMuonのハイブリッドを採用しています。これにより、コンピュータービジョンの学習がより安定し、収束も高速になります。
- ProgLoss + STAL: Progressive Lossと小物体を考慮したラベル割り当て(STAL)により、小物体の認識性能が向上します。これは航空画像やドローンを活用したセキュリティ監視で重要です。
- タスク固有の改良: YOLO26は、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、分類、姿勢推定、OBBにも対応しています。セグメンテーションに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proto、姿勢推定には残差対数尤度推定(RLE)、回転バウンディングボックス(OBB)には専用の角度損失を追加しています。
パフォーマンス分析と指標#
以下の表では、YOLO26およびYOLOv10モデルのCOCO検出性能を比較しています。YOLO26はすべてのサイズでより高精度で、nモデルではmAPが+2.4、xモデルでは+3.1です。一方、YOLOv10はxスケールでパラメーター数とFLOPsが少なくなっています(パラメーター数29.5M対55.7M、FLOPs 160.4B対194.4B)。
| 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 |
| YOLOv10n | 640 | 38.5 | - | 1.84 | 2.3 | 6.7 |
| YOLOv10s | 640 | 46.3 | - | 2.49 | 7.2 | 21.6 |
| YOLOv10m | 640 | 51.1 | - | 4.74 | 15.4 | 59.1 |
| YOLOv10b | 640 | 52.5 | - | 5.74 | 19.1 | 92.0 |
| YOLOv10l | 640 | 53.2 | - | 7.28 | 24.4 | 120.3 |
| YOLOv10x | 640 | 54.4 | - | 10.70 | 29.5 | 160.4 |
Ultralyticsの強み:学習効率とメモリー効率#
モデルを本番環境にデプロイする際は、メモリー要件と学習効率も推論速度と同じくらい重要です。Ultralyticsモデル、特にYOLO26は、学習時のCUDAメモリー使用量を抑えるよう最適化されています。これにより、開発者はコンシューマー向けGPUでより大きなバッチサイズを使用でき、学習時間と計算コストを削減できます。対照的に、RT-DETRなどの大規模なTransformerモデルを効果的に学習するには、高価なハイエンドハードウェアが必要になることがよくあります。
YOLO26を選ぶ主な利点の1つは、データアノテーションから実験トラッキングまでのワークフローをカバーする、十分に保守されたUltralyticsエコシステムとの統合です。
実践的な実装:コード例#
Ultralytics Python APIを使用すると、YOLOv8などの旧モデルからYOLO26への移行は、コードを1行変更するだけで完了します。
YOLO26の学習、推論、エクスポートを行う例を以下に示します。
from ultralytics import YOLO
# 1. Load the YOLO26 nano model
model = YOLO("yolo26n.pt")
# 2. Train the model on the COCO8 dataset efficiently
# optimizer='auto' selects MuSGD for longer training runs; memory management is automatic
results = model.train(
data="coco8.yaml",
epochs=100,
imgsz=640,
device="cpu", # Easily switch to 0 for GPU
)
# 3. Perform NMS-free inference on a sample image
predictions = model.predict("https://ultralytics.com/images/bus.jpg", nms=False)
# 4. Display the results to screen
predictions[0].show()
# 5. Export to ONNX for simplified edge deployment
export_path = model.export(format="onnx")
print(f"Model exported successfully to {export_path}")ユースケースと推奨事項#
YOLO26とYOLOv10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、エコシステムに関する選好によって異なります。
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: ドローンによる航空画像やIoTセンサー分析など、ProgLossとSTALによって小物体の精度が向上する難易度の高いシナリオに適しています。
YOLOv10を選ぶ場合#
YOLOv10は、次のような用途に推奨されます。
- NMSを使用しないリアルタイム検出: 非最大抑制を使用しないエンドツーエンド検出によって、デプロイを簡素化できるアプリケーション。
- 速度と精度のバランス: さまざまなモデルスケールで、推論速度と検出精度の優れたバランスが必要なプロジェクト。
- レイテンシーが安定している必要のあるアプリケーション: ロボティクスや自律システムなど、予測可能な推論時間が重要なデプロイシナリオ。
結論#
YOLOv10はNMSフリーのYOLO検出を導入し、研究コミュニティに大きく貢献しました。YOLO26はそのアプローチを本番環境に導入します。CPU推論が最大43%高速(YOLO26nとYOLO11nの比較)で、MuSGDオプティマイザーを採用し、7つのビジョンタスクに対応するYOLO26は、エッジコンピューティングと大規模なクラウドデプロイの両方に推奨されるモデルです。
活発なコミュニティ、充実したドキュメント、スムーズな開発者エクスペリエンスを重視するチームには、Ultralyticsエコシステムが適しています。特殊な用途では、ゼロショットのオープンボキャブラリー検出に対応するYOLO-Worldもご検討ください。多くの実用的な用途では、YOLO26を推奨します。
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。