YOLO26とYOLOv7の比較#
リアルタイム物体検出は多くの節目を迎えており、Ultralytics YOLO26とYOLOv7はその代表例です。YOLOv7は2022年に新たな精度ベンチマークを確立した「bag-of-freebies」手法を導入しました。一方、YOLO26はエッジを優先した最適化、オプションのエンドツーエンド推論、大規模言語モデル (LLM)の学習に着想を得た安定した学習ダイナミクスを実現しています。
このページでは、2つのアーキテクチャの性能指標、構造上の違い、最適なデプロイシナリオを比較し、機械学習エンジニアが次のビジョンAIプロジェクトで適切な判断を下せるよう支援します。
モデルの背景と詳細#
パフォーマンスデータを確認する前に、各モデルの起源と主な目的を理解しておくことが重要です。
Ultralytics YOLO26#
- 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のドキュメント
YOLOv7#
- 著者: Chien-Yao Wang、Alexey Bochkovskiy、Hong-Yuan Mark Liao
- 組織: 台湾、中央研究院情報科学研究所
- 日付: 2022-07-06
- arXiv: YOLOv7論文
- GitHub: YOLOv7リポジトリ
アーキテクチャの詳細#
YOLO26とYOLOv7のアーキテクチャ設計思想は大きく異なり、ハイエンドGPU性能の最大化からエンドツーエンドのエッジデプロイ最適化への移行を反映しています。
YOLO26：エッジファースト設計#
2026年1月にリリースされたYOLO26は、デプロイパイプラインを再考したモデルです。最も重要な変更点は、エンドツーエンドのNMSフリー設計です。オプションのワンツーワンヘッド（nms=False）を使用してNon-Maximum Suppression (NMS)の後処理を省くことで、YOLO26はレイテンシのばらつきを抑えます。この概念はYOLOv10で初めて導入されました。これにより、人口密度の高いシーンでも安定したフレームレートを確保でき、自律型ロボティクスや交通モニタリングに不可欠な性能を実現します。
YOLO26ではDistribution Focal Loss (DFL)も削除されています。このDFLの削除により、ONNXやApple CoreMLなどの形式へのエクスポートが簡素化され、YOLO26nはYOLO11nより最大43%高速なCPU推論を実現します。
学習の安定性も大きな重点分野です。標準的な確率的勾配降下法とMuonを組み合わせたMuSGDオプティマイザー（Kimi K2の学習ダイナミクスに着想）の導入により、LLMの学習安定性をコンピュータービジョンにもたらします。ProgLoss + STAL（Progressive LossとSmall-Target-Aware Label Assignment）と組み合わせることで、リアルタイム検出器が長年直面してきた課題である小物体認識をYOLO26で改善します。
YOLOv7：トレーニング可能なBag-of-Freebies#
YOLOv7は、勾配経路の最適化に関する詳細な研究に基づいて構築されました。中核となる革新技術はExtended Efficient Layer Aggregation Network (E-ELAN)で、元の勾配経路を乱すことなく、モデルがより多様な特徴を学習できるようにします。
YOLOv7のアーキテクチャは、推論時に再パラメーター化技術も活用します。これは基本的にレイヤーを融合して、学習時に獲得した豊かな特徴表現を損なわずに速度を高める手法です。標準的なNVIDIA TensorRTサーバーGPUでは高い性能を発揮しますが、アンカーベースの検出ヘッドと従来のNMSに依存しているため、低消費電力デバイスへのデプロイで障壁となる可能性があります。
パフォーマンス比較#
以下の表では、標準COCOデータセットで学習したモデルを直接比較します。YOLO26はパラメーター数とFLOPsを抑えながら精度（mAP）を向上させています。たとえば、YOLO26lはパラメーター数が24.8Mで、36.9MのYOLOv7lの51.4に対し、mAP 55.0を達成します。
| 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 (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 |
| YOLOv7l | 640 | 51.4 | - | 6.84 | 36.9 | 104.7 |
| YOLOv7x | 640 | 53.1 | - | 11.57 | 71.3 | 189.9 |
注: YOLO26xは、YOLOv7xより約22%少ないパラメーター数で、mAPにおいて上回ります（57.5対53.1）。
Ultralyticsエコシステムの利点#
開発者がYOLO26を選ぶ主な理由の1つは、Ultralytics Platformとの統合です。旧世代のアーキテクチャで必要だった単独スクリプトとは異なり、Ultralyticsは統一されたワークフローを提供します。
- Ease of Use: Python APIを使用すれば、数行のコードでモデルを読み込み、学習、デプロイできます。LiteRTなどのモバイル形式へのエクスポートも、引数を1つ変更するだけです。
- Memory Requirements: Ultralyticsモデルは学習効率を重視して設計されています。一般に、大規模なビジョンTransformerモデルよりCUDAメモリの必要量が少ないため、研究者は一般向けハードウェアでより大きなバッチサイズを実行できます。
- Versatility: YOLOv7がタスクごとに個別のコードブランチを使用するのに対し、YOLO26は単一のライブラリからインスタンス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、画像分類、姿勢推定、有向バウンディングボックス (OBB)検出をネイティブにサポートします。人の姿勢推定パイプライン向けのResidual Log-Likelihood Estimation (RLE)など、タスク固有の損失関数も備えています。
- Active Development: Ultralyticsのオープンソースコミュニティは頻繁にアップデートを提供し、エッジケースを迅速に修正するとともに、最新のPyTorchリリースとの互換性を維持しています。
YOLO26は精度向けに、NMSを使用するワンツーメニーヘッドをデフォルトで使用します。nms=Falseを指定してエクスポートするとNMSフリーヘッドが選択されるため、Intel OpenVINOまたはONNX Runtimeを使用する組み込みデバイスにデプロイする際、個別のNMS後処理スクリプトは不要です。
実際のユースケース#
これらのモデルのアーキテクチャ上の違いによって、最適なデプロイシナリオが決まります。
YOLO26を選ぶ場合#
新しいコンピュータービジョンシステムにはYOLO26を推奨します。
- Edge AI and IoT: 高速なCPU推論と少ないパラメーター数を備えたYOLO26nは、Raspberry Piやスマートシティカメラなど、リソースに制約のあるデバイスに適しています。
- Drone and Aerial Imagery: ProgLoss + STALの統合により小物体検出が向上し、パイプライン点検や精密農業に適しています。
- Multi-Task Robotics: 1つのフレームワークでバウンディングボックス、セグメンテーションマスク、姿勢キーポイントを低いメモリ負荷で処理できるため、動的なロボットナビゲーションやインタラクションに適しています。
YOLOv7を検討する場面#
新しいアーキテクチャにほぼ置き換えられたものの、YOLOv7にも特定の用途があります。
- 学術的なベンチマーク： 新しいアンカーベースの検出ヘッドを開発する研究者や、勾配経路の手法を研究する研究者は、標準的な比較ベースラインとしてYOLOv7を頻繁に使用します。
- レガシーGPUパイプライン： 強力なAWS EC2 P4dインスタンス上で、YOLOv7固有のテンソル出力とカスタムNMS設定を中心に構築されたエンタープライズシステムでは、システム全体のリファクタリングが必要になるまで、新しいモデルへの移行を先送りする場合があります。
コード例：使い始める#
開発者エクスペリエンスは、標準的な研究リポジトリとは異なります。カスタムYOLO26モデルの学習は、数行のコードで行えます。
from ultralytics import YOLO
# 最新のYOLO26小型モデルを読み込みます
model = YOLO("yolo26s.pt")
# 自動キャッシュとログ記録を利用して、カスタムデータセットでモデルを学習します
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device="0")
# 外部画像に対してエンドツーエンドのNMSフリー推論を実行します
predictions = model("https://ultralytics.com/images/bus.jpg", nms=False)
# エッジデバイスへのデプロイ向けに最適化されたモデルをエクスポートします
model.export(format="onnx")まとめ#
YOLOv7はリアルタイム物体検出の歴史における重要な節目として評価されていますが、業界ではデプロイの簡便さ、マルチタスクの汎用性、エッジ効率を重視するモデルへと移行しています。
オプションのNMSフリー推論、MuSGDオプティマイザー、高速なCPU推論を備えたUltralytics YOLO26は、現在の開発者やエンタープライズエンジニアに推奨される選択肢です。使いやすいUltralyticsエコシステムと併せて、速度、精度、使いやすさの優れたバランスを提供します。