YOLOv10とYOLOv8
リアルタイム物体検出は急速に進化しており、新しいアーキテクチャが次々と登場し、精度、推論速度、計算効率の限界を押し広げています。この技術ガイドでは、コンピュータービジョンの2つの重要な節目であるYOLOv10とUltralytics YOLOv8を比較します。YOLOv8が汎用性と本番環境への対応力を備えた標準を確立した一方、YOLOv10は後処理のボトルネックを取り除くため、アーキテクチャを大きく変えました。
これらのモデルの明確な利点、アーキテクチャ、性能指標を理解することは、現実のシナリオで最先端のビジョンAIソリューションをデプロイする開発者や研究者にとって重要です。
技術仕様と開発者#
これらのモデルを適切に評価するには、それぞれの開発の背景と研究チームが重視した点を理解すると役立ちます。
YOLOv10: エンドツーエンドの効率性#
清華大学の研究者によって開発されたYOLOv10は、従来世代の後処理ステップで生じる計算オーバーヘッドに対処するために設計されました。
- 著者: Ao Wang、Hui Chen、Lihao Liuほか
- 組織: 清華大学
- 日付: 2024-05-23
- arXiv: 2405.14458
- GitHub: THU-MIG/yolov10
- ドキュメント: YOLOv10 ドキュメント
Ultralytics YOLOv8:多用途なスタンダード#
2023年1月にリリースされたYOLOv8は、そのアーキテクチャと幅広い機械学習エコシステムとの緊密な統合により、すぐに業界標準の一つとなりました。
- 著者: Glenn Jocher、Ayush Chaurasia、Jing Qiu
- 組織: Ultralytics
- 日付: 2023-01-10
- GitHub: ultralytics/ultralytics
アーキテクチャの革新#
どちらのモデルも従来のYOLOアーキテクチャに大幅な改善をもたらしていますが、パイプラインのやや異なる側面を対象としています。
YOLOv10のアーキテクチャ#
YOLOv10の際立った特長は、NMSフリートレーニング戦略です。従来、物体検出器は推論時に非極大値抑制(NMS)を使い、重複するバウンディングボックスを除去していました。この手順はレイテンシを招き、エンドツーエンドのデプロイを複雑にする場合があります。YOLOv10はトレーニング中に一貫性のあるデュアル割り当てを行うことで、1対1ヘッドが物体ごとに1つのバウンディングボックスを予測できるようにします(Ultralyticsパッケージではnms=Falseでこのヘッドを選択します)。さらに、効率と精度を総合的に重視するモデル設計を採用し、さまざまな構成要素を最適化してFLOPsとパラメーター数を削減します。
YOLOv8のアーキテクチャ#
YOLOv8はアンカーフリー検出ヘッドを導入し、従来モデルのアンカーベース方式から移行しました。これによりバウンディングボックスの予測数が減り、NMS処理が高速化します。また、YOLOv8はC2fモジュール(2つの畳み込みを持つCross-Stage Partialボトルネック)を採用しており、計算コストを大幅に増やすことなく勾配の流れを改善し、ネットワークがより豊かな特徴表現を学習できるようにします。分離型ヘッドは分類と回帰のタスクを分けるため、収束が速くなり、全体的な精度も向上します。
性能とベンチマーク#
モデルをエッジデバイスやクラウドサーバーにデプロイする場合、速度と精度のトレードオフが最も重要です。以下の表では、さまざまなサイズの2つのモデルを直接比較しています。
| モデル | サイズ (ピクセル) | mAPval50-95 | 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 |
| YOLOv8n | 640 | 37.3 | 80.4 | 1.47 | 3.2 | 8.7 |
| YOLOv8s | 640 | 44.9 | 128.4 | 2.66 | 11.2 | 28.6 |
| YOLOv8m | 640 | 50.2 | 234.7 | 5.86 | 25.9 | 78.9 |
| YOLOv8l | 640 | 52.9 | 375.2 | 9.06 | 43.7 | 165.1 |
| YOLOv8x | 640 | 53.9 | 479.1 | 14.37 | 68.2 | 257.8 |
注:ダッシュ(-)は、同一のテスト条件で公式に報告されていない指標を示します。
データからわかるように、YOLOv10はパラメーター効率に優れ、パラメーター数とFLOPsを抑えながら、すべてのサイズで対応するYOLOv8モデルをmAPで上回ります。YOLOv8も速度面で優れており、表ではYOLOv8nが最速のT4 TensorRT時間(1.47 ms)を記録しています。また、CPU ONNX速度が報告されているのはYOLOv8のみです。
本番環境での利用を目指す場合、ONNXやTensorRTなどの形式を使うと、推論速度を大幅に改善できます。YOLOv8とYOLOv10はいずれも、これらの最適化されたグラフ形式に直接エクスポートできます。
エコシステム、トレーニング効率、多用途性#
モデルの選択は理論上のベンチマークだけにとどまりません。開発者エクスペリエンスと周辺のエコシステムも同様に重要です。
Ultralyticsの強み#
YOLOv8の大きな強みの一つは、Ultralyticsエコシステムとの緊密な統合です。この環境は直感的なPython APIと充実したドキュメントを提供します。複雑な環境構築が必要になる場合もある研究中心のリポジトリとは異なり、Ultralyticsモデルは使いやすさで知られています。
さらに、YOLOv8は本質的に汎用性に優れています。物体検出に特化して最適化されたYOLOv10とは異なり、Ultralyticsフレームワークでは、まったく同じライブラリとAPI構造を使い、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、方向付きバウンディングボックス(OBB)の各タスクを切り替えて実行できます。
メモリ要件とトレーニング#
Ultralytics YOLOモデルは、トレーニング効率を重視して設計されています。複雑なTransformerモデルと比べて、一般にトレーニング時と推論時のメモリ使用量が少ないため、CUDAメモリ不足に陥ることなく、一般向けハードウェアや標準的なクラウドインスタンスで最先端モデルをトレーニングできます。適切に調整されたデフォルトのハイパーパラメーターと組み込みのデータ拡張により、モデルの収束も速くなります。
Ultralytics Python APIを使ったモデルのトレーニングと推論がいかに簡単か、実践的な例を紹介します。
from ultralytics import YOLO
# 事前学習済みのYOLOv8nモデルを読み込む
model = YOLO("yolov8n.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=50, imgsz=640, device=0)
# テスト画像に対して推論を実行します
predictions = model("https://ultralytics.com/images/zidane.jpg")
predictions[0].show()次世代モデル: YOLO26#
YOLOv8とYOLOv10は重要な節目ですが、この分野は進歩を続けています。新しいプロジェクトでは、2026年1月にリリースされた最新モデルファミリーのYOLO26をUltralyticsが推奨しています。
YOLO26は、近年のアーキテクチャ上の進歩を単一のフレームワークに統合しています。YOLOv10のエンドツーエンドNMSフリーデザインをオプションのone-to-oneヘッド(nms=False)として採用し、デプロイパイプラインを効率化してレイテンシーのばらつきを抑えます。また、YOLO26はLLMのトレーニングに着想を得た、SGDとMuonのハイブリッドであるMuSGD Optimizerを導入し、より高速で安定した収束を実現します。
YOLO26の主な改善点は次のとおりです。
- CPU推論が最大43%高速: Distribution Focal Loss(DFL)の削除も寄与し、YOLO26nはCPU上でYOLO11nより最大43%高速に動作します。
- ProgLoss + STAL: 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により、小物体の認識性能が向上します。これはドローン画像やIoTセンサーで特に重要です。
- タスク固有の機能強化: 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、ポーズ推定、OBBの各タスク向けに、専用ヘッドと損失関数を備えています。
最適なユースケースとデプロイ戦略#
これらのアーキテクチャから選択する際は、デプロイ環境の具体的な要件を考慮してください。
- YOLOv10を選ぶ場合: パラメーター効率を徹底的に高めることが重要な、純粋な物体検出パイプラインに取り組んでおり、NMSフリーアーキテクチャの初期実装を試したい場合に適しています。
- 次の場合はUltralytics YOLOv8を選択してください: Ultralytics Platformがサポートする、安定した本番環境対応モデルが必要な場合です。統合され、メンテナンスしやすいコードベースを使って、物体を検出してからセグメンテーションを行うなど、複数のタスクを実行するプロジェクトにも適しています。
- 次の場合はYOLO26を選択してください(推奨): 精度、オプションのエンドツーエンドNMSフリー推論、CPUおよびエッジハードウェアでの高速動作を最適なバランスで実現したい場合です。
幅広い選択肢を検討している場合は、YOLO11との比較や、ビジョンAIアプリケーションのさらなる高速化に役立つIntel OpenVINOなどのエッジデプロイ統合にもご注目ください。
コメント1
質問したり、結果を共有したり、ほかの人をサポートしたりできます。
koalag564(編集済み)
Great technical overview! YOLOv10 introduces a more efficient NMS-free design and refined architecture that enhances both speed and accuracy, especially in complex object detection scenarios. This YOLOv8 comparison, however, highlights how v8 still holds its ground with strong task flexibility, easier deployment, and a well-established ecosystem. The choice between the two often comes down to specific application needs and hardware constraints.