YOLOv10とYOLO11の比較#
コンピュータビジョンの分野は常に進化しており、新しいアーキテクチャがリアルタイム処理の限界を押し広げています。この急速に変化する分野で開発者や研究者が最先端モデルの微妙な違いを理解することは不可欠です。この詳細な比較では、非常に強力な2つの物体検出フレームワークである YOLOv10 と Ultralytics YOLO11 の技術的な違い、パフォーマンスのトレードオフ、および理想的なユースケースを探ります。
どちらのモデルもベンチマークデータセットで優れた結果を残していますが、その設計哲学やエコシステムの統合方法には大きな違いがあります。アーキテクチャを比較検討することで、デプロイメントの制約とプロジェクトの目標に最適なソリューションを見極めることができます。
YOLOv10：NMS不要のエンドツーエンド検出の先駆け#
2024年春にリリースされたYOLOv10は、後処理に関連するレイテンシのオーバーヘッドを直接解消することで、従来の物体検出パイプラインへの新しいアプローチを導入しました。
- 著者: Ao Wang, Hui Chen, Lihao Liu, 他
- 組織: Tsinghua University
- 日付： 2024年5月23日
- 研究論文: arXiv:2405.14458
- ソースコード: THU-MIG/yolov10 on GitHub
- ドキュメント: YOLOv10 Docs
YOLOv10の際立った革新は、NMSフリーのトレーニングを可能にする一貫したデュアルアサインメント戦略です。従来の物体検出器は、冗長なバウンディングボックスの予測をフィルタリングするために Non-Maximum Suppression (NMS) に大きく依存しています。このステップを削除することで、YOLOv10は真のエンドツーエンド検出を実現し、推論のレイテンシを削減し、カスタムNMS操作の最適化が notoriously 難しい Neural Processing Units (NPUs) などのハードウェアアクセラレータでのデプロイを簡素化します。
YOLO11：エコシステム主導の多才さとパフォーマンス#
同年の後半に登場したYOLO11は、Ultralyticsモデルファミリーの継続的な改良を象徴するものであり、速度、精度、開発者エクスペリエンスの最適なバランスに焦点を当てています。
- 著者： Glenn Jocher and Jing Qiu
- 組織: Ultralytics
- 日付： 2024年9月27日
- ソースコード: Ultralytics on GitHub
- プラットフォーム統合: Ultralytics Platform
YOLO11は本番環境向けに設計されています。標準的なバウンディングボックス検出に優れている一方で、その真の強さは汎用性にあります。主に物体検出に焦点を当てているYOLOv10とは異なり、YOLO11は統合されたアーキテクチャを使用して インスタンスセグメンテーション、ポーズ推定、画像分類、および Oriented Bounding Box (OBB) タスクをネイティブにサポートします。トレーニング中のメモリ要件が非常に低いことを誇っており、より重いトランスフォーマーベースのアーキテクチャと比較して、コンシューマー向けの GPUs を使用するチームにとって非常にアクセスしやすくなっています。
パフォーマンスと指標の比較#
これらのモデルを並べて比較する場合、COCO dataset などの標準ベンチマークにおけるさまざまなスケールバリアントでのパフォーマンスを確認することが不可欠です。
以下の表は、パフォーマンスの違いを強調しています。YOLO11は、非常に競争力のある TensorRT 推論速度を維持しながら、ほとんどのサイズカテゴリでmAPにおいてYOLOv10を頻繁に上回っています。
| 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 (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv10n | 640 | 39.5 | - | 1.56 | 2.3 | 6.7 |
| YOLOv10s | 640 | 46.7 | - | 2.66 | 7.2 | 21.6 |
| YOLOv10m | 640 | 51.3 | - | 5.48 | 15.4 | 59.1 |
| YOLOv10b | 640 | 52.7 | - | 6.54 | 24.4 | 92.0 |
| YOLOv10l | 640 | 53.3 | - | 8.33 | 29.5 | 120.3 |
| YOLOv10x | 640 | 54.4 | - | 12.2 | 56.9 | 160.4 |
| YOLO11n | 640 | 39.5 | 56.1 | 1.5 | 2.6 | 6.5 |
| YOLO11s | 640 | 47.0 | 90.0 | 2.5 | 9.4 | 21.5 |
| YOLO11m | 640 | 51.5 | 183.2 | 4.7 | 20.1 | 68.0 |
| YOLO11l | 640 | 53.4 | 238.6 | 6.2 | 25.3 | 86.9 |
| YOLO11x | 640 | 54.7 | 462.8 | 11.3 | 56.9 | 194.9 |
これらの高速な推論速度をローカルで再現するには、Intel CPU用の OpenVINO やNVIDIA GPU用のTensorRTなどの最適化されたフォーマットにモデルをエクスポートしてください。
アーキテクチャの深掘り#
トレーニング方法論と効率性#
YOLOv10のアーキテクチャは、計算の冗長性を削減することに重点を置いています。清華大学の研究者たちは、包括的な効率と精度を重視した戦略を用いてバックボーンとネックの設計を最適化し、以前のイテレーションと比較して中規模モデル（YOLOv10mなど）のパラメータ数を大幅に削減することに成功しました。
しかし、トレーニング効率はUltralyticsモデルの大きな特徴です。YOLO11は、複雑な ハイパーパラメータチューニング を抽象化する高度に洗練された ultralytics Pythonパッケージを利用しています。このフレームワークは、高度なデータ拡張、学習率のスケジューリング、マルチGPU分散トレーニングを自動的に処理します。また、YOLO11のアーキテクチャは優れた勾配フローを示し、トレーニングフェーズ中の収束の高速化とVRAM使用量の削減をもたらします。
使いやすさとエコシステムの利点#
エンタープライズでの採用において重要な要素となるのが、適切に保守されたエコシステムです。研究用リポジトリは革新的であっても、論文発表後に更新が止まってしまうことがよくあります。YOLO11を支えるUltralyticsエコシステムは、シームレスなエンドツーエンドの開発者体験を提供します。
実験追跡のための Weights & Biases やデータセット管理のための Roboflow などのツールとシームレスに統合することで、YOLO11はプロトタイプから本番環境への移行を加速させます。使いやすさは合理化されたAPIに表れており、開発者はわずか数行のコードでモデルのトレーニングとエクスポートを行うことができます。
from ultralytics import YOLO
# Initialize the YOLO11 small model
model = YOLO("yolo11s.pt")
# Train the model efficiently with optimized memory handling
results = model.train(data="coco8.yaml", epochs=50, imgsz=640, device="0")
# Export to ONNX format for deployment flexibility
model.export(format="onnx")ユースケースと推奨事項#
YOLOv10とYOLO11のどちらを選択するかは、プロジェクト固有の要件、デプロイメントの制約、およびエコシステムの優先順位によって決まります。
YOLOv10を選択すべき場合#
YOLOv10は以下の用途に最適です。
- NMSフリーのリアルタイム検出： Non-Maximum Suppression（NMS）を使用しないエンドツーエンド検出のメリットを享受し、デプロイの複雑さを軽減できるアプリケーション。
- バランスの取れた速度と精度のトレードオフ： さまざまなモデルスケール全体で、推論速度と検出精度の強力なバランスを必要とするプロジェクト。
- 一貫したレイテンシが求められるアプリケーション: ロボティクスや自律システムなど、予測可能な推論時間が不可欠なデプロイシナリオ。
YOLO11を選択すべき時#
YOLO11は以下のような場合に推奨されます。
- 本番エッジデプロイメント: 信頼性と積極的なメンテナンスが最優先される、Raspberry Pi や NVIDIA Jetson などのデバイス上の商用アプリケーション。
- マルチタスクビジョンアプリケーション: 単一の統一されたフレームワーク内で detection、segmentation、pose estimation、および OBB を必要とするプロジェクト。
- 迅速なプロトタイピングとデプロイメント: 合理化された Ultralytics Python API を使用して、データ収集から本番環境まで迅速に移行する必要があるチーム。
Ultralytics (YOLO26) を選択すべき時#
ほとんどの新しいプロジェクトにおいて、Ultralytics YOLO26はパフォーマンスと開発者体験の最高の組み合わせを提供します。
- NMSフリーのエッジ展開： Non-Maximum Suppression後処理の複雑さを伴わずに、一貫した低レイテンシの推論が求められるアプリケーション。
- CPUのみの環境： GPUアクセラレーションを利用できないデバイスにおいて、YOLO26の最大43%高速なCPU推論が決定的な利点となる場合。
- 小物体検出: ProgLossとSTALにより極小オブジェクトの精度が大幅に向上する、空中ドローン画像やIoTセンサー分析などの困難なシナリオ。
他のアーキテクチャの検討#
YOLOv10とYOLO11は優れた選択肢ですが、特定のユースケースでは、ドキュメントで利用可能な他のアーキテクチャの恩恵を受ける可能性があります。シーケンスベースの推論では、RT-DETR などのトランスフォーマーモデルが高精度を提供しますが、通常はより高いメモリ要件が求められます。逆に、再トレーニングなしで新しいクラスを識別するためのゼロショット機能が必要な場合は、YOLO-World が自然言語プロンプト駆動のオープンボキャブラリのアプローチを提供します。
次世代: YOLO26#
最先端技術を求めるチームにとって、最近リリースされた Ultralytics YOLO26 は、前述の両モデルの最高の機能を組み合わせています。2026年1月にリリースされたYOLO26は、現代のデプロイシナリオに対する究極の推奨事項です。
前モデルの基盤の上に構築されたYOLO26は、エンドツーエンドのNMS不要設計をネイティブに組み込んでおり、YOLOv10が初めて取り組んだ後処理のボトルネックを、堅牢なUltralyticsフレームワーク内で効果的に解消しています。さらに、YOLO26はDFL除去（Distribution Focal Loss）を特徴としており、モデルエクスポートグラフを劇的に簡素化し、エッジデバイスや低電力IoTデバイスとの互換性を向上させています。
トレーニングの安定性も、LLMトレーニング方法論に触発されたハイブリッドアプローチであるMuSGDオプティマイザの導入により、世代を超えた飛躍を遂げました。これは非常に高速な収束を確実にします。ProgLoss + STALのような高度な損失関数と組み合わせることで、YOLO26は小物体認識において顕著な改善を実現しました。標準的なエッジデバイスへのデプロイにおいて、これらのアーキテクチャの改良によりCPU推論速度が最大43%高速化しており、あらゆるコンピュータビジョンタスクにおいてYOLO26は比類のない選択肢となっています。