はじめる

YOLOv6-3.0とYOLOv8

コンピュータービジョンモデルは、速度と精度の両面で進化を続けています。デプロイ用のアーキテクチャを選ぶ際、開発者は産業用途に特化したモデルと、汎用的なマルチタスクフレームワークを比較することがよくあります。この技術比較では、YOLOv6-3.0とYOLOv8のアーキテクチャ、性能指標、理想的なデプロイ環境を詳しく分析します。

YOLOv6-3.0:産業向けスループットとハードウェア最適化#

MeituanのVision AI部門が開発したYOLOv6-3.0は、産業用途向けの高スループットな物体検出器として特別に設計されています。専用ハードウェアアクセラレータに重点を置いて最適化されており、サーバーグレードの環境で生の処理速度を最大化します。

アーキテクチャの重点#

YOLOv6-3.0はEfficientRepバックボーンを採用しています。これは、最新のNVIDIA GPUで処理効率を最大化するために設計された、ハードウェアに適したアーキテクチャです。ネックには双方向連結(BiC)モジュールを使用し、異なるスケール間の特徴融合を強化します。

トレーニング段階では、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。このハイブリッド方式は、アンカーベースとアンカーフリーの両方式の利点を組み合わせながら、推論パイプラインはアンカーフリーに保ちます。専用のTensorRTデプロイでは非常に効果的ですが、この特化によってCPUのみのエッジデバイスではレイテンシが高くなる場合があります。

YOLOv6の詳細はこちら

Ultralytics YOLOv8:汎用性に優れたマルチタスクの標準#

UltralyticsがリリースしたYOLOv8は、バウンディングボックス検出に特化したモデルから、統合されたマルチタスクのビジョンフレームワークへと進化しました。すぐに利用でき、精度、速度、使いやすさのバランスに優れています。

アーキテクチャの主な特徴#

YOLOv8は、分類と回帰のタスクを分離して収束を改善する、分離型の検出ヘッドをネイティブに備えています。アンカーフリー設計により、アンカーボックスを手動で設定する必要がなく、多様なコンピュータービジョンデータセットへの汎化に役立ちます。

このモデルは、従来のC3ブロックを置き換えるC2fモジュール(2つの畳み込み層を備えたクロスステージ部分ボトルネック)を統合しています。計算量を増やさずに、勾配の流れと特徴表現を強化します。重要な点として、YOLOv8は検出専用エンジンではありません。単一のAPI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)タスクをネイティブにサポートします。

パフォーマンス比較#

業界標準のCOCOデータセットでモデルを評価すると、それぞれの性能を明確に把握できます。以下の表では主要な指標を示し、各列で最も高い値を太字で示しています。

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)
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
YOLOv8n64037.380.41.473.28.7
YOLOv8s64044.9128.42.6611.228.6
YOLOv8m64050.2234.75.8625.978.9
YOLOv8l64052.9375.29.0643.7165.1
YOLOv8x64053.9479.114.3768.2257.8
パフォーマンスとハードウェアのバランス

YOLOv6-3.0はT4などのGPU上でTensorRTのスループットがわずかに高い一方、YOLOv8は同等の精度をより大幅に少ないパラメーター数で実現し、多くのサイズでFLOPsも少なくなっています。この低いメモリ要件は、トレーニング効率やリソースが限られたエッジAIデバイスへのデプロイにおいて重要です。

ユースケースと推奨事項#

YOLOv6とYOLOv8のどちらを選ぶかは、プロジェクト固有の要件、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。

YOLOv8を選ぶ場合#

YOLOv8は、次のような場合におすすめです。

  • 汎用的なマルチタスクデプロイ: Ultralyticsエコシステムで、検出、セグメンテーション、分類、ポーズ推定に対応した、実績のあるモデルを必要とするプロジェクト。
  • 確立済みの本番システム: 安定性と十分なテストが確認されたデプロイパイプラインを備え、すでにYOLOv8アーキテクチャを基盤として構築されている本番環境。
  • 広範なコミュニティとエコシステムのサポート: YOLOv8の豊富なチュートリアル、サードパーティ製ツールとの統合、活発なコミュニティリソースを活用できるアプリケーション。

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。

Ultralyticsの強み:エコシステムと使いやすさ#

純粋な推論速度も重要ですが、機械学習プロジェクトのライフサイクルには、データ管理、トレーニング、エクスポート、モニタリングが含まれます。統合されたUltralytics Platformは、このライフサイクル全体を一か所でカバーします。通常、研究専用のリポジトリではこのような機能は提供されません。

  • 十分にメンテナンスされたエコシステム:Ultralyticsは頻繁に更新を行い、最新のPyTorchリリースやハードウェアドライバーとの互換性を確保します。
  • 使いやすさ:統一されたPython APIを使えば、1行のコードでモデルを学習し、ONNXやOpenVINOなどの形式にエクスポートできます。
  • メモリ要件の低減: Ultralyticsのモデルは、トレーニング中のCUDAメモリ使用量を抑えるよう設計されているため、RT-DETRのような、より多くのメモリを必要とするTransformerアーキテクチャとは異なり、コンシューマー向けハードウェアでも高度なAIを利用できます。

今後の展望:YOLO26へのアップグレード#

現在最高のパフォーマンスと最新のデプロイ機能を求める開発者には、Ultralytics YOLO26(2026年1月リリース)を推奨します。YOLOv8と前世代のYOLO11を基盤に、複数のアーキテクチャ上の改良を加えています。

  • エンドツーエンドのNMSフリーデザイン: YOLO26では、後処理の非極大抑制(NMS)を省略するオプションのワン・ツー・ワンヘッド(nms=False)を利用できます。この概念はYOLOv10によってYOLOモデルに導入されました。これによりデプロイのロジックが簡素化され、レイテンシのばらつきが抑えられます。
  • MuSGDオプティマイザー: Moonshot AIのKimi K2など、大規模言語モデル (LLM) のイノベーションに着想を得た新しいMuSGDオプティマイザー(SGDとMuonのハイブリッド)は、トレーニングを安定させ、多様なデータセットで収束を高速化します。
  • DFLの削除とCPU速度: Distribution Focal Loss (DFL) を削除することで、YOLO26はエクスポートグラフを簡素化します。他の最適化と合わせて、YOLO26nはYOLO11nよりもCPU推論が最大43%高速になり、モバイルおよびIoTエッジへのデプロイに適した選択肢となります。
  • ProgLoss + STAL: プログレッシブロスと小物体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、航空ドローンの画像やロボティクスにおいて重要です。

Pythonでのトレーニング例#

Ultralytics APIの柔軟性により、YOLOv8からYOLO26へのアップグレードでは、文字列を1つ変更するだけで済みます。次の実行可能なコードスニペットで、そのワークフローを説明します。

from ultralytics import YOLO

# Initialize the YOLO26 Nano model
model = YOLO("yolo26n.pt")

# Train the model on the COCO8 dataset efficiently
results = model.train(
    data="coco8.yaml",
    epochs=100,
    imgsz=640,
    device="cpu",  # Easily switch to '0' for GPU training
)

# Run an inference on a test image
predictions = model.predict("https://ultralytics.com/images/bus.jpg", save=True)

# Export the trained model to ONNX format for deployment
export_path = model.export(format="onnx")
print(f"Model exported successfully to: {export_path}")

結論#

適切なアーキテクチャの選択は、パイプラインの長期的な保守性を左右します。YOLOv6-3.0は、高性能なGPUアクセラレーターを備えた産業用パイプライン向けの専門的なツールです。一方、Ultralytics YOLOv8は、成熟したトレーニングエコシステムを備え、マルチタスクの柔軟性と少ないパラメーター数のバランスに優れています。

新しい本番環境へのデプロイでは、Ultralytics Platformを通じてYOLO26にアップグレードすると、CPU推論が高速化し、エンドツーエンドのNMSフリーヘッドをオプションで利用できます。

コントリビューター

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。

  1. wootingdoublemovementGitHub(編集済み)

    Excellent deep-dive! YOLOv6-3.0 impresses with its industrial-level optimization, especially for high-performance inference in production setups. That said, this YOLOv8 comparison brings out how v8’s modular architecture, task adaptability, and ease of training make it a more versatile choice for researchers and developers alike. It’s interesting to see how both models serve distinct but equally valuable roles depending on real-world requirements.