YOLO26とYOLOXの比較#
コンピュータービジョンの進化は、アーキテクチャの大きな飛躍によって形作られてきました。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手法を導入しました。それから2026年を迎え、Ultralytics YOLO、特にYOLO26のリリースによって、状況は一新されました。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、比類のない性能、汎用性、使いやすさを実現しているかを解説します。
モデルの概要#
十分な情報に基づいてデプロイを決定するには、各モデルの起源と基本理念を理解することが重要です。
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、最新のAIエンジニアリングの頂点に位置するモデルです。オプションのエンドツーエンド対応NMS不要ヘッド (nms=False) により、複雑な後処理がボトルネックになる問題を解消します。クラウドとエッジの両方のデプロイに合わせて高度に最適化され、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技術レポート
- GitHub： YOLOX GitHubリポジトリ
- ドキュメント： YOLOXドキュメント
YOLOXは大きな前進をもたらし、分離型ヘッドとアンカーフリーアーキテクチャに加えて、SimOTAによるラベル割り当て方式を導入しました。リリース当時、速度と精度のバランスに優れていたため、多くの既存システムで広く採用されました。
アーキテクチャの革新#
YOLO26とYOLOXの違いには、ディープラーニング設計における絶え間ない5年間のイノベーションが表れています。
YOLOXはアンカーフリー方式を推進しましたが、冗長なバウンディングボックスの除去には、従来の非極大値抑制 (NMS) に大きく依存していました。YOLO26はオプションのエンドツーエンドNMS不要ヘッド (nms=False) を導入しています。YOLOv10で初めて実現されたこの画期的な手法は、NMSの後処理をなくし、レイテンシのばらつきを大幅に抑えた、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ではDFLを削除しています。Distribution Focal Lossを取り除くことで、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できます。アーキテクチャの最適化と組み合わせることで、YOLO26は従来モデルよりもCPU推論が最大43%高速になり、専用GPUを利用できない環境でも高い性能を発揮します。
トレーニングの安定性も重要な差別化要因です。YOLO26は、Moonshot AIのLLMトレーニングにおける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オプティマイザーを採用しています。このオプティマイザーは、大規模言語モデルのトレーニングで培われた安定性をコンピュータービジョンにもたらし、収束を高速化します。
YOLO26は、ProgLoss + STALという専用の損失関数を採用しており、小さな物体の認識性能を大きく向上させます。これは、航空画像の処理や密集環境の分析など、複雑なタスクに不可欠です。
性能とベンチマーク#
COCOデータセットで両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、トレーニング時のメモリ要件が一貫して低く、推論速度も高速です。
| 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 |
| YOLOXnano | 416 | 25.8 | - | - | 0.91 | 1.08 |
| YOLOXtiny | 416 | 32.8 | - | - | 5.06 | 6.45 |
| YOLOXs | 640 | 40.5 | - | 2.56 | 9.0 | 26.8 |
| YOLOXm | 640 | 46.9 | - | 5.43 | 25.3 | 73.8 |
| YOLOXl | 640 | 49.7 | - | 9.04 | 54.2 | 155.6 |
| YOLOXx | 640 | 51.1 | - | 16.1 | 99.1 | 281.9 |
注：YOLO26xモデルは、YOLOXxモデル (99.1M) よりもパラメーター数が大幅に少ない (55.7M) にもかかわらず、優れた57.5 mAPを達成しており、Ultralyticsのアーキテクチャが非常にパラメーター効率に優れていることを示しています。
エコシステムと使いやすさ#
YOLO26を選択する最大の利点の一つは、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を扱い、環境を手動で設定する必要がありますが、Ultralyticsはシンプルで、初心者から上級者まで使いやすい開発者体験を提供します。
統合されたPython APIを使えば、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、姿勢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のみに限定されています。
トレーニング例#
Ultralyticsを使ったカスタムデータセットでのモデルのトレーニングは、非常に効率的です。トレーニングパイプラインはCUDAメモリの使用量を抑えるため、コンシューマー向けハードウェアでも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
# 最先端のYOLO26 smallモデルを初期化します
model = YOLO("yolo26s.pt")
# COCO8データセットでモデルを簡単にトレーニングします
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=0)
# トレーニング済みモデルをデプロイ用にONNX形式でエクスポートします
model.export(format="onnx")Ultralytics Platformは、クラウドトレーニング、自動データセットアノテーション、ワンクリックのデプロイオプションを提供し、このワークフローをさらに強化します。プロトタイピングから本番環境への移行を迅速に進めたいチームには欠かせないツールです。
最適なユースケースと実際の応用例#
適切なモデルを選ぶことが、実環境へ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には、YOLO26が最適です。NMS不要のアーキテクチャと43%高速なCPU実行により、複雑な量子化の回避策を使わずに、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#
ロボティクスでは、高い精度と低レイテンシが求められます。Residual Log-Likelihood Estimation (RLE) によって強化されたYOLO26の姿勢推定機能により、ロボットは人間の運動学をリアルタイムで理解できます。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・航空点検#
ドローンでインフラを点検する際には、微細な欠陥の検出が非常に重要です。YOLO26のProgLoss関数とSTAL関数により、小さな物体の再現率が大幅に向上します。また、YOLO26は専用の角度損失関数を備えた方向付きバウンディングボックス (OBB)にもネイティブ対応しており、境界の問題を解決できます。これにより、物体が任意の角度で回転している衛星画像や航空画像に最適です。
既存環境へのデプロイ#
YOLOXは、2021年当時の分離型ヘッドの出力に合わせて既存のC++デプロイパイプラインが明示的に構築されている環境では、引き続き利用できる場合があります。ただし、新しいプロジェクトでは、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#
YOLO26は現在の最先端モデルですが、Ultralyticsエコシステムには、特定のニーズに合わせたさまざまなモデルが用意されています。Transformerベースのアーキテクチャに関心がある開発者には、RT-DETRがエンドツーエンド検出の代替手法を提供します。また、長期間にわたるベンチマークの実績が必要な本番環境では、YOLO11も堅牢で十分に検証された選択肢です。
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兼ね備えた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。