YOLOv10とYOLO26#
リアルタイム物体検出は、複雑で後処理に大きく依存するアーキテクチャから、効率化されたエンドツーエンドモデルへと移行してきました。この技術比較では、その移行における2つの節目を取り上げます。YOLOファミリーにNMSフリー学習を導入した学術モデルのYOLOv10と、本番環境を重視したマルチタスクモデルファミリーのUltralytics YOLO26です。アーキテクチャ、学習手法、実環境でのデプロイ機能を検証することで、開発者は次のビジョンAIアプリケーションの構築に向けて、情報に基づいた判断を行えます。
YOLOv10：NMSフリーのリアルタイム検出#
- 著者: Ao Wang、Hui Chen、Lihao Liuほか
- 組織: 清華大学
- 日付: 2024-05-23
- リンク: arXiv論文 | GitHubリポジトリ
2024年5月にリリースされたYOLOv10は、リアルタイム物体検出における最も根強いボトルネックの1つであるNon-Maximum Suppression（NMS）に取り組みました。従来の物体検出器は、重複するバウンディングボックスを除去するためにNMSに大きく依存しており、推論時のレイテンシが変動し、エッジデプロイが複雑になっていました。
清華大学のチームは、NMSフリー学習のための一貫したデュアルアサインメント戦略を導入しました。これにより、後処理のフィルタリングを必要とせずにモデルがバウンディングボックスを正確に予測できるようになり、推論レイテンシが直接改善され、ハードウェアアクセラレーターへのデプロイのハードルが下がりました。標準的な検出では効率的ですが、このモデルはバウンディングボックスの予測に重点を置いており、インスタンスセグメンテーションや姿勢推定などのタスクはネイティブにサポートしていません。
YOLO26：エッジとクラウドのビジョンAIにおける新たな標準#
- 著者: Glenn Jocher、Jing Qiu
- 組織: Ultralytics
- 日付: 2026-01-14
- リンク: GitHubリポジトリ | Ultralytics Platform
YOLOv10が導入したNMSフリーの概念を発展させ、YOLO26は現在推奨されているUltralyticsのモデルファミリーです。研究と本番環境へのデプロイの両方を想定して設計され、オプションのone-to-oneヘッド（nms=False）によるエンドツーエンドのNMSフリー設計を提供します。このヘッドはNMSの後処理を省略し、対応ハードウェア全体でのデプロイを簡素化します。
YOLO26では、アーキテクチャにもいくつか変更が加えられています。Distribution Focal Loss（DFL）を削除することで、モデルのエクスポートプロセスが簡素化され、低消費電力のエッジAIデバイスとの互換性が向上します。こうした構造上の変更により、YOLO26nはYOLO11nより最大43%高速なCPU推論を実現します。そのため、GPUアクセラレーションを利用できない可能性があるIoTやロボティクスのアプリケーションに適しています。
MuSGD Optimizer（SGDとMuonを組み合わせたハイブリッド）も、LLMのトレーニング手法に着想を得たもので、トレーニングの安定性と収束速度を向上させます。漸進的な損失関数と小さなターゲットを考慮したラベル割り当てを組み合わせたProgLoss + STALにより、YOLO26は小さな物体の認識性能を向上させます。また、セグメンテーション向けのマルチスケールプロトタイピング、ポーズ推定向けのResidual Log-Likelihood Estimation（RLE）、Oriented Bounding Box（OBB）検出の境界問題を解決する専用の角度損失など、タスク固有の機能強化も導入しています。
コンピュータービジョンのワークフローを拡張したいチーム向けに、Ultralytics PlatformはYOLO26を直接サポートしており、大規模なMLOpsインフラストラクチャを必要とせずに、データアノテーション、クラウドトレーニング、ワンクリックデプロイを利用できます。
技術的なパフォーマンス比較#
モデルを評価する際には、精度、モデルサイズ、推論速度のバランスが重要です。以下の表では、標準のCOCOデータセットで評価した、さまざまな規模における両モデルファミリーのパフォーマンスを紹介します。
| 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) |
|---|---|---|---|---|---|---|
| YOLOv10n | 640 | 38.5 | - | 1.84 | 2.3 | 6.7 |
| YOLOv10s | 640 | 46.3 | - | 2.49 | 7.2 | 21.6 |
| YOLOv10m | 640 | 51.1 | - | 4.74 | 15.4 | 59.1 |
| YOLOv10b | 640 | 52.5 | - | 5.74 | 19.1 | 92.0 |
| YOLOv10l | 640 | 53.2 | - | 7.28 | 24.4 | 120.3 |
| YOLOv10x | 640 | 54.4 | - | 10.70 | 29.5 | 160.4 |
| 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 |
YOLO26は、同等のT4 TensorRT速度を維持しながら、あらゆるサイズ層でより高い平均適合率（mAP）を達成します。YOLO26でDFLを削除したことも、CPUでのONNX性能向上に寄与しています。YOLOv10のCPU ONNX速度は表に記載されていません。
トレーニング手法とエコシステム#
モデルの有用性は、それを支えるエコシステムによって決まります。YOLOv10はPyTorchとUltralyticsパッケージを基盤とする堅実な学術実装を提供していますが、サポートしているのは物体検出のみです。
一方、YOLO26は、積極的にメンテナンスされているUltralyticsエコシステムに完全に統合されています。CNNベースのモデルであるため、RT-DETRのようなTransformerベースのモデルよりトレーニング時のメモリ使用量が少なく、一般向けハードウェアでもトレーニングできます。統合APIがデータ拡張とロギングを自動で処理し、model.tune()からハイパーパラメーターのチューニングも利用できます。
コード例：YOLO26のトレーニング#
YOLO26のトレーニングとエクスポートは、数行のPythonコードで実行できます。
from ultralytics import YOLO
# 高度に最適化されたYOLO26 smallモデルを読み込みます
model = YOLO("yolo26s.pt")
# COCO8のサンプルデータセットでモデルをトレーニングする
results = model.train(
data="coco8.yaml",
epochs=100,
imgsz=640,
)
# NMSフリーの1対1ヘッドをTensorRTにエクスポートします
model.export(format="engine", nms=False)実世界でのアプリケーションとユースケース#
適切なアーキテクチャの選択は、主にデプロイ上の制約によって決まります。
高速エッジコンピューティング#
CPU、ロボティクスプラットフォーム、旧型モバイルデバイスにデプロイするアプリケーションでは、CPU推論がより高速なYOLO26が有力な選択肢です。DFLを使用しないアーキテクチャとオプションのNMSフリーヘッドにより、OpenVINOやTensorRTなどの形式にスムーズにエクスポートでき、スマートシティインフラストラクチャのリアルタイム動画分析に適しています。
高度なマルチタスクビジョン#
YOLOv10はバウンディングボックス検出に限られるため、ほかのタスクが必要なプロジェクトにはYOLO26が適しています。検出に加えて、YOLO26は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、分類、ポーズ推定、および方向付きバウンディングボックスに対応し、医療画像からスポーツ分析まで、さまざまな用途向けのタスク固有ヘッドと損失関数を備えています。
オープンボキャブラリー検出が必要なプロジェクトでは、YOLOEまたはYOLO-Worldをご検討ください。既存のパイプラインでは、YOLO11もUltralyticsフレームワークで完全にサポートされる代替モデルです。
ユースケースと推奨事項#
YOLOv10とYOLO26のどちらを選ぶかは、プロジェクト固有の要件、デプロイ時の制約、エコシステムの好みによって異なります。
YOLOv10を選ぶ場合#
YOLOv10は、次の用途に適しています:
- NMSを使用しないリアルタイム検出: 非最大抑制を使用しないエンドツーエンド検出によって、デプロイを簡素化できるアプリケーション。
- 速度と精度のバランス: さまざまなモデルスケールで、推論速度と検出精度の優れたバランスが必要なプロジェクト。
- レイテンシが一定であることが重要なアプリケーション： ロボティクスや自律システムなど、推論時間の予測可能性が重要なデプロイシナリオです。
YOLO26を選ぶ場合#
YOLO26は、次の用途に推奨されます:
- NMSを使用しないエッジデプロイ: 非最大抑制の後処理を複雑化させずに、安定した低レイテンシー推論を必要とするアプリケーション。
- CPUのみの環境： 専用GPUによる高速化機能のないデバイスでは、YOLO26nはCPU上でYOLO11nより最大43%高速に動作します。
- 小物体検出： ドローンによる空撮画像やIoTセンサー分析などの難しいシナリオでは、ProgLossとSTALが小さな物体の精度を向上させます。
結論#
YOLOv10からYOLO26への移行は、学術的な概念実証から本番環境対応モデルへの転換を示しています。YOLOv10が導入したNMSフリー設計を採用し、MuSGDオプティマイザー、ProgLoss、よりシンプルなエッジエクスポートを追加したYOLO26は、あらゆるモデルサイズで精度を高め、より多くのタスクに対応します。速度、精度、使いやすさの最適なバランスを求める開発者には、YOLO26を推奨します。