YOLO26 vs YOLOX#

コンピュータビジョンの進化は、重要なアーキテクチャ上の飛躍によって特徴づけられてきました。2021年、YOLOXは、学術研究と産業応用の隔たりを埋める、非常に影響力のあるアンカーフリーのパラダイムを導入しました。そして2026年、Ultralytics YOLO、特にYOLO26のリリースによって、その状況は再定義されました。この包括的な比較では、YOLO26が過去のイノベーションをどのように発展させ、他に類を見ないパフォーマンス、汎用性、使いやすさを実現しているかを検証します。

モデルの概要#

十分な情報に基づいてデプロイの判断を行うには、これらのモデルの起源と中核となる理念を理解することが不可欠です。

YOLO26の詳細#

• 著者: Glenn Jocher、Jing Qiu
• 組織: Ultralytics
• 日付: 2026-01-14
• GitHub: Ultralytics GitHubリポジトリ
• ドキュメント: YOLO26公式ドキュメント

YOLO26は現代のAIエンジニアリングの頂点に位置し、複雑な後処理のボトルネックを排除する、ネイティブなエンドツーエンド設計を提供します。クラウドとエッジの両方のデプロイに対して高度に最適化されており、多様なタスクをシームレスにサポートするエコシステムを備えています。

YOLOXの詳細#

• 著者: Zheng Ge、Songtao Liu、Feng Wang、Zeming Li、Jian Sun
• 組織: Megvii
• 日付: 2021-07-18
• Arxiv: YOLOXテクニカルレポート
• GitHub: YOLOX GitHubリポジトリ
• Docs: YOLOXドキュメント

YOLOXについて詳しく見る

YOLOXは大きな前進を遂げたモデルであり、デカップルドヘッドとアンカーフリーアーキテクチャを、SimOTAラベル割り当て戦略とともに導入しました。リリース当時、速度と精度の優れたバランスを実現しており、多くのレガシーシステムで広く採用されました。

アーキテクチャのイノベーション#

YOLO26とYOLOXの違いは、ディープラーニング設計における5年間のたゆまぬイノベーションを浮き彫りにしています。

YOLOXはアンカーフリーのアプローチを推進しましたが、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ために、従来の非最大抑制 (NMS) に依然として大きく依存していました。YOLO26はエンドツーエンドNMSフリー設計を導入しています。YOLOv10で初めて開拓されたこの画期的な設計により、NMSの後処理が完全に不要になり、レイテンシーのばらつきが大幅に低減された、より高速でシンプルなデプロイパイプラインを実現します。

さらに、YOLO26はDFLの除去を特徴としています。Distribution Focal Lossを除去することで、モデルのエクスポートプロセスが大幅に簡素化され、エッジデバイスや低消費電力ハードウェアとの優れた互換性を確保します。モデルのアーキテクチャ最適化と組み合わせることで、YOLO26は従来モデルと比較して最大43%高速なCPU推論を実現し、専用GPUのない環境において強力な性能を発揮します。

学習の安定性も、重要な差別化要因です。YOLO26は、Moonshot AIによるLLM学習のイノベーションに着想を得た、SGDとMuonのハイブリッドである新しいMuSGD Optimizerを使用します。このオプティマイザーは、大規模言語モデルの学習安定性をコンピュータビジョンにもたらし、より高速な収束を促進します。

パフォーマンスとベンチマーク#

COCOデータセット上でこれらのモデルを直接比較すると、精度と効率の両面でYOLO26が優れていることが明らかになります。Ultralyticsのモデルは、学習時に必要なメモリが一貫して少なく、推論速度も高速です。

注: YOLO26xモデルは、YOLOXxモデル（99.1M）よりも大幅に少ないパラメーター数（55.7M）で、優れた57.5 mAPを達成しています。これは、Ultralyticsアーキテクチャの卓越したパラメーター効率を示しています。

エコシステムと使いやすさ#

YOLO26を選択する最も大きな利点の1つは、Ultralyticsが提供する、適切に保守されたエコシステムです。YOLOXでは複雑な研究用コードベースの扱いや手動での環境構築が必要になる一方、Ultralyticsは合理化された「ゼロからエキスパートまで」の開発者体験を提供します。

統合されたPython APIを使用すると、開発者は物体検出、インスタンスセグメンテーション、画像分類、ポーズ推定などのタスクを簡単に切り替えられます。一方、YOLOXはバウンディングボックス検出に厳密に限定されています。

学習例#

Ultralyticsを使用したカスタムデータセットでのモデル学習は、非常に効率的です。学習パイプラインによってCUDAメモリの使用量が最小限に抑えられるため、コンシューマー向けハードウェアでもより大きなバッチサイズを使用できます。これは、従来のアーキテクチャや大規模なTransformerモデルとは対照的です。

from ultralytics import YOLO

# Initialize the cutting-edge YOLO26 small model
model = YOLO("yolo26s.pt")

# Train the model effortlessly with the MuSGD optimizer
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=0)

# Export the trained model to ONNX format for deployment
model.export(format="onnx")

Ultralytics Platformはこのワークフローをさらに強化し、クラウド学習、自動データセットアノテーション、ワンクリックデプロイのオプションを提供します。プロトタイピングから本番環境へ迅速に移行したいチームにとって、不可欠なツールです。

理想的なユースケースと実環境でのアプリケーション#

適切なモデルを選択することが、実環境でのデプロイの成否を左右します。

エッジAIとIoT#

スマートセキュリティアラームシステムや遠隔環境センサーなど、限られたハードウェア上でのローカル処理が必要なアプリケーションでは、YOLO26が最適な選択です。NMSフリーアーキテクチャと43%高速なCPU実行により、複雑な量子化の回避策を必要とせず、Raspberry Piなどのデバイス上でスムーズに動作します。

自律型ロボティクス#

ロボティクスには、高い精度と低レイテンシーが求められます。YOLO26のポーズ推定機能は、残差対数尤度推定 (RLE) によって強化されており、ロボットが人間の運動学をリアルタイムで理解できるようにします。YOLOXにはネイティブなキーポイント検出機能がないため、高度な人間とロボットのインタラクションタスクには適していません。

高高度および航空検査#

ドローンを使用してインフラを検査する場合、微細な欠陥を検出することが最も重要です。YOLO26のProgLossとSTALの機能により、小さな物体に対する再現率が大幅に向上します。さらに、YOLO26は回転バウンディングボックス (OBB)をネイティブにサポートし、境界の問題を解決する専用の角度損失も備えています。そのため、物体が任意の方向に回転している衛星画像や航空画像に最適です。

レガシーデプロイ#

YOLOXは、2021年当時の固有のデカップルドヘッド出力を中心に既存のC++デプロイパイプラインが明示的に構築されているレガシー環境では、依然として利用される可能性があります。ただし、新規プロジェクトでは、最新の性能向上と継続的なコミュニティサポートを活用するため、Ultralyticsエコシステムへの移行を強く推奨します。

その他のモデルを検討する#

YOLO26は現在の最先端技術ですが、Ultralyticsエコシステムでは、特定のニーズに合わせたさまざまなモデルを提供しています。Transformerベースのアーキテクチャに関心のある開発者には、RT-DETRがエンドツーエンド検出の代替アプローチを提供します。さらに、YOLO11は、広範な過去のベンチマークを必要とする本番環境向けに、堅牢で十分にテストされた選択肢として引き続き利用できます。

まとめると、YOLOXからYOLO26への移行は、この分野の急速な進歩を示しています。直感的なAPI、汎用性の高い機能セット、比類のない効率性を組み合わせたYOLO26は、世界中の研究者や開発者にとって最適な選択肢です。