YOLO26とYOLOXの比較#

2021年、YOLOXはアンカーフリー設計を導入し、リアルタイムの物体検出における学術研究と産業応用の隔たりを埋めるうえで大きな影響を与えました。2026年1月には、Ultralytics YOLOがYOLO26をリリースしました。この比較では、YOLO26が以前のイノベーションをどのように発展させ、性能、汎用性、使いやすさにおいてどのように異なるかを解説します。

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Ultralytics YOLOモデルです。後処理のボトルネックを取り除く、オプションのエンドツーエンドNMSフリーヘッド（nms=False）を備えています。クラウドとエッジの両方のデプロイに最適化されており、多様なビジョンタスクに対応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
• ドキュメント： 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の違いは、2021年から2026年にかけてのディープラーニング設計の進歩を反映しています。

YOLOXはアンカーフリーの手法を推進しましたが、重複するバウンディングボックスのフィルタリングには従来のNon-Maximum Suppression（NMS）を引き続き使用していました。YOLO26は、オプションのエンドツーエンドNMSフリーヘッド（nms=False）を追加しています。この手法はYOLOv10がYOLOモデルに導入したもので、NMS後処理を省略し、レイテンシーのばらつきを抑えながら、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を削除することで、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ハードウェアとの互換性が向上します。他のアーキテクチャ上の最適化と組み合わせることで、YOLO26nはYOLO11nよりCPUで最大43%高速になり、専用GPUがない環境に適しています。

学習の安定性も、もう一つの重要な差別化要因です。YOLO26は、Moonshot AIのLLM学習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MuSGDオプティマイザーを使用します。このオプティマイザーは、大規模言語モデルの学習における安定性をコンピュータービジョンにもたらし、収束を速めます。

性能とベンチマーク#

COCOデータセットでは、同程度のサイズでYOLO26はYOLOXより高いmAPを達成し（たとえばsモデルでは48.6対40.5）、T4 TensorRTレイテンシも低くなっています。

注: YOLO26xは55.7Mパラメーターで57.5 mAPを達成するのに対し、YOLOXxは99.1Mパラメーターで51.1 mAPです。

エコシステムと使いやすさ#

YOLO26を選ぶ最大の利点の一つは、Ultralyticsが提供する、適切にメンテナンスされたエコシステムです。YOLOXでは研究用コードベースの理解や環境の手動セットアップが必要ですが、Ultralyticsはより簡単な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、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、OBBなどのタスクを簡単に切り替えられます。YOLOXはバウンディングボックス検出に限定されます。

トレーニング例#

Ultralyticsを使用すると、カスタムデータセットで効率的にモデルを学習できます。学習パイプラインはCUDAメモリの使用量を抑えるため、多くの旧世代アーキテクチャや大規模なTransformerモデルより、一般向けハードウェアでバッチサイズを大きくできます。

from ultralytics import YOLO

# YOLO26小型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、クラウド学習、AI支援によるデータセットのアノテーション、プロトタイプから本番運用へ移行するチーム向け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。

最適なユースケースと実際の応用例#

適切なモデルは、デプロイ環境によって異なります。

エッジAIとIoT#

スマートな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ローカル処理が必要なアプリケーションには、YOLO26が適しています。オプションのNMSフリーヘッドとCPUでの高速実行により、複雑な量子化の回避策を必要とせず、Raspberry Piなどのデバイスで実行できます。

自律型ロボティクス#

ロボティクスのアプリケーションには、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はネイティブなキーポイント検出に対応していないため、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、小さな欠陥の検出が重要です。YOLO26のProgLossとSTALは、小物体の再現率を向上させます。さらに、YOLO26は境界の問題を解決する専用角度損失を備えたOriented Bounding Box（OBB）にネイティブで対応しており、物体が任意の角度に回転している衛星画像や航空画像に適しています。

既存環境へのデプロイ#

YOLOXは、2021年当時の特定の分離型ヘッド出力を前提に既存のC++デプロイパイプラインが明示的に構築されたレガシー環境では、引き続き利用される可能性があります。新規プロジェクトでは、性能向上と継続的なコミュニティサポートを得るため、Ultralyticsエコシステムへの移行を推奨します。

その他のモデル#

YOLO26は推奨されるUltralyticsモデルですが、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あります。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別のアプローチを提供します。また、YOLO11は、過去の広範なベンチマークを必要とする本番環境で、十分に検証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、この分野がいかに急速に進歩したかを示しています。直感的なAPI、汎用性の高い機能、優れた効率性を備えたYOLO26は、研究者と開発者に推奨される選択肢です。