Ultralytics YOLO27:

YOLOv6-3.0 対 YOLOv9#

リアルタイム物体検出の分野は、より高い精度、低いレイテンシ、そして優れたハードウェア活用への要求に後押しされ、進化を続けています。この包括的な比較では、この分野における2つの重要なマイルストーン、すなわち産業用途のスループット向けに開発された YOLOv6-3.0 と、ディープラーニングにおける情報ボトルネックを克服する新しいアーキテクチャを導入した YOLOv9 を検証します。

どちらのモデルも独自のアーキテクチャ革新を備えていますが、性能とデプロイの容易さを最適なバランスで実現したい開発者は、最新のエコシステムへ移行することが多くなっています。新しいプロジェクトを始める場合は、ネイティブなエンドツーエンド構成の Ultralytics YOLO26 を推奨します。最先端の精度と、大幅に簡素化された開発者体験を提供します。

YOLOv6-3.0: 産業用スループットの最適化#

MeituanのVision AI Departmentによって開発された YOLOv6-3.0 は、特にGPUハードウェア上の産業用途で最大スループットを実現するために大幅な最適化が施されています。

  • 著者: Chuyi Li、Lulu Li、Yifei Geng、Hongliang Jiang、Meng Cheng、Bo Zhang、Zaidan Ke、Xiaoming Xu、Xiangxiang Chu
  • 組織: Meituan
  • 日付： 2023年1月13日
  • Arxiv: 2301.05586
  • GitHub: meituan/YOLOv6

アーキテクチャのイノベーション#

YOLOv6-3.0では、特徴量融合とハードウェア効率を向上させるため、いくつかの重要な変更が導入されました。アーキテクチャのネック部分には 双方向連結 (BiC) モジュールが組み込まれており、より正確な位置特定シグナルを提供します。また、アンカー支援トレーニング (AAT) 戦略も採用しています。この手法では、アンカーベーストレーニングの豊富なガイダンスと、アンカーフリーパラダイムの推論速度を組み合わせることで、デプロイを遅延させずに性能を向上させます。

バックボーンはEfficientRep設計を基盤としており、GPU推論向けにハードウェアフレンドリーになるよう綿密に最適化されています。そのため、重いバッチ処理が標準となる 産業製造 のシナリオに高い適性を備えています。

長所と短所#

YOLOv6-3.0の主な強みは、NVIDIA T4などのGPU上で高いフレームレートを実現できる点にあり、高密度な ビデオ理解 ストリームに適しています。ただし、特定のハードウェア最適化への依存度が高いため、CPUのみで動作する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。さらに、より統合されたフレームワークと比べると、トレーニングパイプラインの構築が複雑になる可能性があります。

YOLOv6の詳細をご覧ください

YOLOv9：プログラマブル勾配情報#

1年後にリリースされた YOLOv9 は、ディープニューラルネットワークに内在する情報ボトルネック問題の解決に焦点を当て、CNNアーキテクチャの理論的限界を押し広げています。

アーキテクチャのイノベーション#

YOLOv9の主な貢献は プログラマブル勾配情報 (PGI) です。これは、ネットワークの複数の層を通過する際に重要なデータが保持されるようにし、より信頼性の高い重み更新を可能にします。PGIに加えて、このモデルには 一般化効率的層集約ネットワーク (GELAN) が搭載されています。GELANはパラメーター効率を最大化し、多くの従来モデルより少ない計算FLOP数でYOLOv9が優れた精度を達成できるようにします。

長所と短所#

YOLOv9は、COCOなどのベンチマークデータセットで優れた 平均適合率 (mAP) を達成するため、純粋な精度を重視する研究者に好まれています。ただし、YOLOv6と同様に、後処理には従来の非最大値抑制 (NMS) に依然として依存しています。これによりレイテンシが増加し、特にONNXやTensorRTなどの形式を使用するエッジデバイスへ移植する際に、モデルデプロイ パイプラインが複雑になります。

YOLOv9についてさらに詳しく学ぶ

性能比較#

これらのモデルを比較する際は、精度、パラメーター数、推論速度のバランスを確認することが重要です。

モデルサイズ
（ピクセル）		mAPval
50-95		速度
CPU ONNX
（ms）		速度
T4 TensorRT10
（ms）		パラメーター数
（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
YOLOv9t64038.3-2.32.07.7
YOLOv9s64046.8-3.547.126.4
YOLOv9m64051.4-6.4320.076.3
YOLOv9c64053.0-7.1625.3102.1
YOLOv9e64055.6-16.7757.3189.0

Ultralyticsの優位性: YOLO26のご紹介#

YOLOv6-3.0とYOLOv9は堅牢なアーキテクチャを提供しますが、プロダクション環境では、適切に保守されたエコシステム、低いメモリ要件、そして卓越した使いやすさが求められます。こうした点で、Ultralytics Platform と YOLO11 や最先端のYOLO26などのモデルが優れています。

2026年初頭にリリースされたYOLO26は、従来のボトルネックを排除することで、デプロイ効率を根本から再定義します。

ネイティブなエンドツーエンド設計

YOLO26は エンドツーエンドのNMSフリー設計 を採用し、非最大値抑制による後処理を完全に排除しています。これにより推論レイテンシのばらつきが大幅に低減し、エッジデプロイのロジックが簡素化されます。

YOLO26 の主なイノベーション#

  1. MuSGDオプティマイザー: LLMのトレーニング（Moonshot AIのKimi K2など）から着想を得たYOLO26は、SGDとMuonを組み合わせたハイブリッド方式を採用しています。これにより、コンピュータービジョンタスクにかつてないトレーニング安定性と高速な収束をもたらします。
  2. 最大43%高速なCPU推論: YOLOv6がGPUを重視しているのとは異なり、YOLO26はエッジデバイス向けに大幅に最適化されています。Distribution Focal Loss (DFL) を排除してヘッドを簡素化することで、低消費電力CPUおよび エッジコンピューティング ハードウェアとの高い互換性を実現しています。
  3. ProgLoss + STAL: 高度な損失関数により小物体検出が大幅に向上します。これは 航空画像 やロボティクスにおいて重要です。
  4. 比類のない汎用性: YOLOv6が純粋な検出エンジンであるのに対し、YOLO26は インスタンスセグメンテーション、分類、姿勢推定、回転バウンディングボックス (OBB) 検出にシームレスに対応します。

Ultralyticsによるシームレスなトレーニング#

最先端モデルのトレーニングに複雑なbashスクリプトは必要ありません。Ultralytics Python APIは、自動データ読み込み、最小限の CUDAメモリ使用量、組み込みトラッキングによって、効率化された体験を提供します。

from ultralytics import YOLO

# Load the cutting-edge YOLO26 nano model
model = YOLO("yolo26n.pt")

# Train on the COCO8 dataset using the robust MuSGD optimizer natively
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Export the trained model to ONNX with a single command
model.export(format="onnx")

理想的なユースケース#

適切なアーキテクチャの選択は、対象とするデプロイ環境に完全に依存します。

  • YOLOv6-3.0の用途: サーバーグレードのGPU（例: A100）が豊富にあり、バッチ処理によってスループットを最大化できる工場自動化および欠陥検出。
  • YOLOv9の用途: COCOなどの標準化されたデータセットで最高のmAPを徹底的に追求することが主な目標となる学術研究またはコンペティション。
  • YOLO26の用途: ほぼすべての最新の商用アプリケーション。NMSフリーアーキテクチャ、少ないメモリフットプリント、高速なCPU推論により、セキュリティアラームシステム、スマートリテール、組み込みデバイス上でのリアルタイム 物体追跡 に最適です。

包括的な Ultralyticsエコシステム を活用することで、開発者は YOLOv8、YOLO11、YOLO26を簡単に試し、現実の具体的な課題に適した最適な性能バランスを見つけられます。

貢献者
GLglenn-jocher15PDpderrenger1

コメント