Meet YOLO26: next-gen vision AI.

Link to this sectionYOLOv7 vs YOLO26: リアルタイム物体検出における世代交代#

コンピュータビジョンの進化は重要なマイルストーンによって刻まれてきました。レガシーなアーキテクチャと最新のSOTAモデルを比較することは、MLエンジニアにとって貴重な知見をもたらします。本技術比較では、非常に影響力の大きい YOLOv7 と、革新的な Ultralytics YOLO26 の違いを深掘りし、アーキテクチャ、学習手法、デプロイ効率における進化を紹介します。

Link to this sectionYOLOv7: 「Bag-of-Freebies」の先駆者#

2022年半ばに導入されたYOLOv7は、推論コストを増加させることなく精度を向上させる複数のアーキテクチャ最適化を導入し、GPUハードウェアで可能な限界を押し広げました。

モデル詳細

YOLOv7は、再パラメータ化手法やExtended Efficient Layer Aggregation Networks (E-ELAN) を多用した学習可能な「Bag-of-Freebies」という概念を導入しました。これにより、元の勾配パスを破壊することなく、モデルはより多様な特徴を学習し、ネットワークの学習能力を継続的に向上させることができました。当時、COCOで印象的なSOTAベンチマークを達成しましたが、そのアーキテクチャは依然としてアンカーベースの出力に大きく依存しており、デプロイ時にレイテンシのボトルネックを引き起こす可能性がある複雑な Non-Maximum Suppression (NMS) 後処理を必要とします。

YOLOv7の詳細はこちら

Link to this sectionYOLO26: エッジファーストのVision AI標準#

2026年1月にリリースされたUltralytics YOLO26は、デプロイの容易さ、学習の安定性、およびハードウェア効率を優先するために検出パイプラインを全面的に見直したパラダイムシフトを表しています。

モデル詳細

YOLO26は、現代のエンジニアリング課題を解決するためにゼロから構築されました。そのアーキテクチャは、前身モデルを大幅に凌駕するいくつかの重要なイノベーションをもたらします。

  • エンドツーエンドのNMSフリー設計: YOLO26は、YOLOv10 で初めて採用された突破的なアプローチであるNMS後処理をネイティブで排除しています。これにより、混雑したシーンで発生しがちな可変レイテンシを回避し、より高速で非常にシンプルなデプロイパイプラインを実現します。
  • DFLの削除: Distribution Focal Loss (DFL) を削除することで、モデルはエクスポート用に根本的に簡素化され、エッジデバイスや低電力IoTハードウェアとの互換性が大幅に向上しました。
  • 最大43%高速なCPU推論: アーキテクチャの簡素化と構造的プルーニングにより、YOLO26はエッジコンピューティングや専用GPUを搭載しないデバイス向けに最適化されており、標準的なプロセッサ上で古いアーキテクチャを容易に上回ります。
  • MuSGDオプティマイザ: 大規模言語モデルの学習手法（特にMoonshot AIのKimi K2）に触発されたYOLO26は、Stochastic Gradient Descent とMuonのハイブリッドであるMuSGDオプティマイザを採用しています。これにより、コンピュータビジョンのタスクにおいて比類のない学習の安定性と、より高速な収束がもたらされます。
  • ProgLoss + STAL: これらの高度な損失関数の導入により、空中画像、ロボティクス、自動品質検査に不可欠な小物体認識において顕著な改善が見られます。
  • タスク固有の改善: 標準的な 物体検出 を超えて、YOLO26は セグメンテーションタスク 用のマルチスケールprotoと専門化されたセマンティックセグメンテーション損失、 姿勢推定 用のResidual Log-Likelihood Estimation (RLE)、そして Oriented Bounding Boxes (OBB) における境界問題を解決するための専門的な角度損失アルゴリズムを導入しています。

YOLO26の詳細はこちら

YOLO26への移行

古いアーキテクチャからYOLO26へのアップグレードは、Pythonコード内のモデル文字列を yolo26n.pt に変更するだけで完了します。Ultralyticsパッケージは、自動的な重みのダウンロードや設定のスケーリングを含め、移行全体を処理します。

Link to this sectionパフォーマンスと指標の比較#

計算フットプリントを比較すると、YOLO26はパフォーマンスとメモリ要件のバランスにおいて明確な優位性を示しています。Transformerベースのモデルや古い重いアーキテクチャは、多くの場合、膨大なCUDAメモリ割り当てを必要としますが、YOLO26は民生用GPU上で効率的に学習できます。

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
(M)		FLOPs
(B)
YOLOv7l64051.4-6.8436.9104.7
YOLOv7x64053.1-11.5771.3189.9
YOLO26n64040.938.91.72.45.4
YOLO26s64048.687.22.59.520.7
YOLO26m64053.1220.04.720.468.2
YOLO26l64055.0286.26.224.886.4
YOLO26x64057.5525.811.855.7193.9

上記のように、 YOLO26m モデルは、巨大な YOLOv7x と同等の精度（53.1 mAP）を達成しながら、パラメータ数は3分の1以下（71.3Mに対して20.4M）、さらに TensorRT を介して非常に高速な推論時間を実現しています。

Link to this sectionUltralyticsエコシステムの利点#

レガシーモデルのデプロイには、複雑なサードパーティ製リポジトリ、依存関係の地獄、手動のエクスポートスクリプトとの格闘が伴うことがよくあります。対照的に、 Ultralytics Platform は、機械学習ライフサイクル全体を合理化する、保守の行き届いた一貫性のあるエコシステムを提供します。

  • 使いやすさ: 直感的な Python API と網羅的なドキュメントにより、数分でモデルのアノテーション、トレーニング、デプロイが可能です。ONNX や CoreML といったフォーマットへのエクスポートは、わずか1行のコードで実行できます。
  • メモリ要件: Ultralyticsのモデルは、低いメモリ使用量で定評があります。かさばるビジョンTransformerとは異なり、YOLO26はメモリ不足（OOM）エラーに悩まされることなく、標準的なハードウェア上で簡単にファインチューニングできます。
  • 多用途性: YOLOv7は主に物体検出器でしたが（他のタスク向けの試験的なブランチもありましたが）、YOLO26は検出、分類、追跡、姿勢、OBBを同等の習熟度で処理するネイティブな統合フレームワークです。
その他のUltralyticsモデル

YOLO26が推奨される標準ですが、レガシーシステムを移行する開発者は、長期サポートプロジェクトで優れた安定性を提供する、Ultralyticsラインナップのもう1つの高性能な世代である YOLO11 も検討できます。

Link to this sectionコード例: 学習とデプロイ#

次の例は、 ultralytics パッケージの洗練されたシンプルさを示しています。古いモデルのために長いコマンドライン引数を呼び出す場合と比較して、インターフェースがいかにクリーンであるかに注目してください。

from ultralytics import YOLO

# Load the lightweight YOLO26 nano model
model = YOLO("yolo26n.pt")

# Train the model efficiently on a dataset (e.g., COCO8)
results = model.train(
    data="coco8.yaml",
    epochs=100,
    imgsz=640,
    batch=32,  # Efficient memory usage allows larger batch sizes
    device=0,
)

# Run an NMS-free, end-to-end inference on a test image
predictions = model("https://ultralytics.com/images/bus.jpg")

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

Link to this section実際のユースケース#

適切なアーキテクチャの選択は、完全に本番環境の制約に依存します。

YOLOv7を検討すべき場合: YOLOv7は、2022年の基準に対する学術的なベンチマークツールとして依然として価値があります。インフラがYOLOv7固有のアンカー出力に深くハードコードされたレガシーな CUDAパイプライン を多用しており、リファクタリングにリソースを割けない場合、堅牢なベースライン検出器として機能し続けます。

YOLO26を選択すべき場合: 新規プロジェクトにはYOLO26が決定的な選択肢です。そのNMSフリーのアーキテクチャは、低レイテンシの 自律走行 やリアルタイムセキュリティシステムに最適です。DFLの削除と劇的なCPU速度向上により、 Raspberry Pi へのデプロイや家電製品への搭載といった、エッジAIデプロイにおいて間違いなく最強の選択肢となります。さらに、ProgLoss + STALの強化により、製造品質保証や衛星画像における小さな異常の検出にも極めて適しています。

最終的に、YOLO26はオープンソースコミュニティによる包括的なサポートに支えられ、精度、速度、シンプルさにおいて比類のない組み合わせを開発者に提供します。

貢献者
GLglenn-jocher7

コメント