はじめる

YOLOv6-3.0とYOLO11

高性能アプリケーション向けのコンピュータビジョンモデルを評価する際、適切なアーキテクチャの選択は重要です。ビジョンAIの進化により、異なる環境に合わせた専用モデルが登場しました。この包括的なガイドでは、エコシステムを代表する2つのモデル、産業用途に重点を置くYOLOv6-3.0と、汎用性に優れたUltralytics YOLO11を比較します。

どちらのモデルも機械学習の実践者に有力なソリューションを提供しますが、対象とするデプロイの方式は異なります。以下のセクションでは、十分な情報に基づいて判断できるよう、アーキテクチャ、トレーニング手法、実環境での理想的なデプロイシナリオを詳しく解説します。

YOLOv6-3.0:産業用スループットに特化#

MeituanのVision AI Departmentが開発したYOLOv6-3.0は、産業用途向けに明確に最適化された次世代の物体検出フレームワークとして位置付けられています。

アーキテクチャの主な特徴#

YOLOv6-3.0は、NVIDIA GPUなどのハードウェアアクセラレータでスループットを最大化することに重点を置いています。バックボーンにはEfficientRep設計を採用しており、TensorRTなどのプラットフォームを使ったGPU推論に高いハードウェア親和性を備えています。

主なアーキテクチャ上の特長は、異なるスケール間の特徴融合を強化する、ネック部分の双方向連結(BiC)モジュールです。トレーニング中の収束を改善するため、YOLOv6はアンカー補助トレーニング(AAT)戦略を採用しています。この戦略では、トレーニング中にアンカーボックスを一時的に利用してアンカーベースの方式の利点を取り入れ、推論時にはアンカーフリーを維持します。

YOLOv6-3.0は、高性能なサーバーグレードのハードウェアでのオフライン動画分析など、高速なバッチ処理環境で優れた性能を発揮しますが、この高度な特化により、幅広い汎用コンピューティング向けに設計されたモデルと比べて、CPUのみのエッジデバイスではレイテンシが最適でない場合があります。

YOLOv6の詳細はこちら

Ultralytics YOLO11:汎用性に優れたマルチタスク標準モデル#

UltralyticsがリリースしたYOLO11は、幅広いビジョンタスクを単一のフレームワークで処理する、統合された効率的なモデルファミリーです。

Ultralyticsの強み#

産業用途に特化したモデルにも価値はありますが、現代の開発者の多くは、性能、使いやすさ、メモリ効率、多様なタスクへの対応のバランスを重視します。YOLO11はこれらすべてをカバーするように設計されています。

バウンディングボックス検出に特化したYOLOv6とは異なり、Ultralytics YOLO11は、使いやすいエコシステム内でインスタンスセグメンテーション、画像分類、姿勢推定、Oriented Bounding Box(OBB)検出をネイティブにサポートします。

機械学習ワークフローの効率化

Ultralyticsはエンドツーエンドのワークフローを提供します。研究用リポジトリでよく見られる複雑な環境構築の代わりに、統合されたPython APIまたはコマンドラインインターフェースを使って、モデルのトレーニング、検証、エクスポートを行えます。Ultralytics Platformを利用すると、データセットのラベル付けやクラウドトレーニングもさらに簡単になります。

性能と技術の比較#

以下の表では、各種モデルサイズの性能を詳しく比較します。すべてのサイズで、YOLO11モデルはYOLOv6の対応モデルよりmAPが高く、パラメーター数とFLOPsが少ないことに注目してください。

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)
YOLOv6-3.0n64037.5-1.174.711.4
YOLOv6-3.0s64045.0-2.6618.545.3
YOLOv6-3.0m64050.0-5.2834.985.8
YOLOv6-3.0l64052.8-8.9559.6150.7
YOLO11n64039.556.11.52.66.5
YOLO11s64047.090.02.59.421.6
YOLO11m64051.5183.24.720.168.1
YOLO11l64053.4238.66.225.387.2
YOLO11x64054.7462.811.356.9195.3

メモリ要件とトレーニング効率#

カスタムデータを準備する際は、トレーニング効率が最も重要です。Ultralytics YOLOモデルは、産業用ネットワークや大規模なTransformerベースのアーキテクチャの多くよりトレーニング時のVRAM使用量が少ないため、研究者は一般向けGPUで高精度モデルをファインチューニングできます。ハイパーパラメーター調整などのツールや、Weights & BiasesやCometなどのロギング連携も積極的にメンテナンスされています。

ユースケースと推奨事項#

YOLOv6とYOLO11のどちらを選ぶかは、具体的なプロジェクト要件、デプロイ上の制約、エコシステムに関する好みによって異なります。

YOLOv6を選ぶ場合#

YOLOv6が適している用途:

  • 産業用ハードウェアを考慮したデプロイ: モデルのハードウェアを考慮した設計と効率的な再パラメーター化によって、特定のターゲットハードウェア上で最適な性能が得られるシナリオです。
  • 高速な1ステージ検出: 制御された環境でのリアルタイム動画処理において、GPU上での生の推論速度を重視するアプリケーションです。
  • Meituanエコシステムとの統合: すでにMeituanの技術スタックとデプロイインフラストラクチャを利用しているチームです。

YOLO11を選ぶ場合#

YOLO11は、次の用途に推奨されます:

  • 本番環境でのエッジデプロイメント: 信頼性と継続的なメンテナンスが最優先となる、Raspberry PiやNVIDIA Jetsonなどのデバイス上での商用アプリケーション。
  • マルチタスクのビジョンアプリケーション: 単一の統合フレームワークで、検出、セグメンテーション、姿勢推定、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: 効率化されたUltralytics Python APIを使って、データ収集から本番環境への移行を迅速に進めたいチーム。

Ultralytics (YOLO26)を選ぶ場合#

多くの新規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を最適なバランスで提供します。

  • 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。

コード例:統合Python API#

Ultralyticsを使えば、最先端モデルの学習はわずか数行のコードで実行できます。同じAPIで予測、検証、およびONNXやOpenVINOなどの形式へのエクスポートも行えます。

from ultralytics import YOLO

# 事前学習済みのYOLO11 Nanoモデルを読み込みます
model = YOLO("yolo11n.pt")

# COCO8データセットでモデルを50エポックトレーニングする
results = model.train(data="coco8.yaml", epochs=50, imgsz=640)

# サンプル画像で高速な推論を実行します
prediction = model("https://ultralytics.com/images/bus.jpg")

# エッジデプロイ用にエクスポートします
model.export(format="onnx")

今後の展望:YOLO26の登場#

YOLO11は従来のYOLOモデルから大きく進化していますが、現時点で最高の性能を求める開発者は、Ultralytics YOLO26へのアップグレードを検討してください。

2026年1月にリリースされたYOLO26には、効率と精度を向上させるいくつかの改良が導入されています。

  • エンドツーエンドのNMSフリー設計: one-to-oneヘッド(nms=False)によって非最大抑制(NMS)をオプションで省略でき、後処理のレイテンシを低減します。この方式はYOLOv10で初めて導入されました。
  • MuSGDオプティマイザー: 大規模言語モデル(LLM)のトレーニング技術をビジョン分野に取り入れたこのオプティマイザーは、SGDとMuonを組み合わせ、安定した高速収束を実現します。
  • CPU向けに最適化: Distribution Focal Loss(DFL)を削除することで、YOLO26nはYOLO11nよりCPU推論が最大43%高速になり、モバイル、IoT、エッジAIアプリケーションに適しています。
  • 高度なトレーニング改良: ProgLossとSTALにより小物体認識が向上します。これは航空画像やロボティクスで重要です。

まとめと推奨事項#

デプロイ環境が、バッチ推論を必要とする高度に構築された産業用GPUパイプラインに厳密に限定される場合は、YOLOv6-3.0も有効な選択肢です。しかし、スケーラブルでトレーニングしやすく、高精度なモデルが求められる大半の実環境では、Ultralytics YOLO11と新しいYOLO26を推奨します。

Ultralyticsエコシステムを利用すると、充実したドキュメントとコミュニティサポートを活用しながら、データセットの収集からエッジデプロイまで迅速に進められます。ほかの効率的なアーキテクチャを検討する場合、YOLOv8は実績のあるデプロイ向けの選択肢です。新しいプロジェクトはYOLO26から直接開始できます。

コントリビューター

コメント

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。