YOLO26 vs.YOLOv10：エンドツーエンド物体検出の進化

リアルタイム物体検出の技術動向は急速に変化している。2024年には YOLOv10 が、非最大抑制（NMS）フリーのトレーニング手法を先駆けて導入し、推論パイプラインにおける重大なボトルネックを効果的に解消したことで注目を集めました。2026年へと時を移すと、Ultralytics これらの概念を洗練・拡張し、より高速で高精度なネイティブのエンドツーエンドアーキテクチャを実現。Ultralytics に深く統合されています。

このガイドでは、これら2つの影響力のあるモデルを技術的に比較し、開発者、研究者、エンジニアがコンピュータビジョンアプリケーションに適したツールを選択する手助けをします。

性能指標の比較

現代の検出器を評価する際、速度と精度のトレードオフが最も重要である。YOLOv2はエッジデバイスとCPU に特化した大幅な最適化を導入し、前世代と比較してCPU上で最大43%の速度向上を達成した。一方 YOLOv10 が依然として高効率なモデルである一方、YOLO26はより軽量な計算リソースで実現可能な限界を押し広げている。

アーキテクチャの革新

Ultralytics ：新たな基準

著者:Glenn Jocher, Jing Qiu
組織:Ultralytics
日付：2026年1月14日

YOLO26は、効率性と使いやすさに関する研究の集大成である。YOLOv10 と同様のエンドツーエンドNMSを採用しつつ、堅牢性と展開の柔軟性を目的とした複数の重要なアーキテクチャ変更により強化されている。

1. DFL除去：分布焦点損失（DFL）を除去することで、モデルアーキテクチャが簡素化されます。この変更はエクスポート互換性において極めて重要であり、複雑な出力層が遅延を引き起こす可能性があるラズベリーパイやモバイルデバイスなどの制約のあるエッジハードウェア上でのモデル展開を容易にします。
2. MuSGDオプティマイザー：大規模言語モデル（LLM）の学習安定性に着想を得たYOLO26は、SGD ューオンSGD 組み合わせたハイブリッドオプティマイザーを採用しています。Moonshot AIのKimi K2から適応されたこの革新技術により、収束速度の向上と安定した学習実行が保証され、計算コストの削減を実現します。
3. ProgLoss + STAL:プログレッシブ損失（ProgLoss）とソフトターゲットアンカー損失（STAL）の導入により、小さな物体に対する性能が大幅に向上した。これによりYOLO26は、航空写真解析や製造工程における欠陥検出といったタスクに特に優れている。

YOLO26についてさらに詳しく

YOLOv10：NMS先駆者

著者:王昱ら
所属機関:清華大学
日付:2024年5月23日

YOLOv10 、NMS 冗長性に対処した画期的なYOLOv10 。その主な革新点は、NMSトレーニングを実現する一貫性のある二重割り当て（Consistent Dual Assignments）の採用であった。

• 二重割り当て：学習中、モデルは一対多と一対一のラベル割り当ての両方を使用します。これにより、モデルは豊かな表現を学習できると同時に、推論時にはオブジェクトごとに単一の予測のみが行われるため、NMS（ノックダウン・マージ・スケーリング）が不要となります。
• ホリスティック効率設計：著者らは軽量分類ヘッドと空間チャネル分離型ダウンサンプリングを導入し、計算オーバーヘッドを低減した。これは低いFLOPs消費量に反映されている。

YOLOv10について詳しくはこちら

統合とエコシステム

最も重要な相違点の一つは、周囲のエコシステムにあります。Ultralytics Ultralytics フラッグシップモデルであり、あらゆるタスクとモードに対する即時サポートを保証します。

Ultralyticsの利点

• 汎用性： YOLOv10 主に物体検出にYOLOv10 のに対し、YOLO26はインスタンスセグメンテーション、姿勢推定、OBB、分類をネイティブにサポートしている。
• Ultralytics : Ultralytics （旧称HUB）と完全に統合されており、シームレスなデータセット管理、ワンクリックでのクラウドトレーニング、および以下のような形式へのデプロイを可能にします TFLite や OpenVINOなどへのデプロイが可能です。
• メンテナンス：中核製品として、YOLO26は頻繁なアップデート、バグ修正、GitHubおよび Discordを通じたコミュニティサポートを受けています。

コード比較

両モデルは次のコマンドで実行できます ultralytics Python 、ライブラリの柔軟性を強調している。ただし、YOLO26は最新のユーティリティ関数と最適化の恩恵を受けている。

from ultralytics import YOLO

# ----------------- YOLO26 -----------------
# Load the latest YOLO26 model (NMS-free, optimized for CPU)
model_26 = YOLO("yolo26n.pt")

# Train on a custom dataset with MuSGD optimizer enabled automatically
model_26.train(data="coco8.yaml", epochs=100, imgsz=640)

# Run inference with simplified output (no NMS overhead)
results_26 = model_26("path/to/image.jpg")


# ----------------- YOLOv10 -----------------
# Load the YOLOv10 model (Historical academic checkpoint)
model_10 = YOLO("yolov10n.pt")

# Train using standard settings
model_10.train(data="coco8.yaml", epochs=100, imgsz=640)

# Run inference
results_10 = model_10("path/to/image.jpg")

ユースケースと推奨事項

これらのモデルの中から選択するには、具体的な導入上の制約とプロジェクトの目標によって異なります。

YOLO26の理想的なシナリオ

• CPU上でのエッジAI:専用GPU を搭載しないハードウェアGPU 例: 標準的なノートPC、低消費電力IoTゲートウェイ）でアプリケーションを実行する場合、YOLO26 CPU 43%高速化されており、圧倒的な選択肢となります。
• 商用ソリューション：長期的な保守性、厳格なライセンスの明確性（エンタープライズライセンス）、信頼性の高いサポートを必要とするエンタープライズアプリケーション向けに、YOLO26は本番環境での運用を想定して設計されています。
• 複雑なタスク：航空測量向けの指向性バウンディングボックスやスポーツ分析向けの姿勢推定を必要とするプロジェクトは、YOLO26のマルチタスク能力の恩恵を受けるでしょう。

YOLOv10の理想的なシナリオ

• 学術研究： NMSやラベル割り当て戦略の理論的基盤を研究する研究者にとって、YOLOv10 arXiv論文とアーキテクチャは貴重な参考資料となるでしょう。
• レガシーベンチマーク：2024年当時のベースラインと比較する場合、YOLOv10 効率重視のアーキテクチャにおける優れた基準YOLOv10 。

結論

両方のアーキテクチャは、コンピュータビジョンの発展において極めて重要な役割を果たしてきた。 YOLOv10NMSの必要性に疑問を投げかけ、エンドツーエンド検出がリアルタイムアプリケーションで実現可能であることを証明した。

Ultralytics はこの画期的な技術を進化させ、完成形へと導きます。NMSとMuSGDオプティマイザの安定性、エッジ環境に適したDFL除去、Ultralytics 多機能サポートを組み合わせることで、YOLO26は現代の開発者に最もバランスの取れた高性能ソリューションを提供します。スマートシティ交通システム構築からモバイル文書スキャナ開発まで、YOLO26は成功に必要な速度と精度を実現します。

参考資料

• YOLO26 ドキュメント
• 物体検出タスクガイド
• YOLO 指標の解説
• Ultralytics （モデルトレーニング用）
• モデルエクスポートモードガイド

コメント