YOLOv8とPP-YOLOE+の比較#

急速に進化するコンピュータービジョン分野では、推論速度と精度のバランスを実現するために、適切な物体検出モデルを選ぶことが重要です。業界に大きな影響を与えた代表的なモデルとして、Ultralytics YOLOv8とPP-YOLOE+があります。このガイドでは両者を技術的に比較し、開発者や機械学習エンジニアがアーキテクチャ、性能指標、最適なデプロイシナリオの違いを理解できるよう解説します。

Ultralytics YOLOv8：汎用性の高いエコシステム標準#

Ultralyticsが発表したYOLOv8は、長年にわたるYOLOの研究を基盤として、複数のタスクで優れた性能を発揮し、ビジョンアプリケーションの本番環境で急速に広く使われるようになりました。

• 著者: Glenn Jocher、Ayush Chaurasia、Jing Qiu
• 組織: Ultralytics
• 日付: 2023-01-10
• GitHub: Ultralyticsリポジトリ
• ドキュメント: YOLOv8のドキュメント

アーキテクチャの革新と汎用性#

YOLOv8はアンカーフリー設計を採用し、分類タスクと回帰タスクを個別に処理する分離型ヘッドを備えています。この構造上の改良により、特徴表現が向上し、トレーニング中の収束も速くなります。

多くの特化型モデルとは異なり、YOLOv8は複数のタスクをサポートします。バウンディングボックス検出に加え、同じ統合アーキテクチャとAPIで、インスタンスセグメンテーション、画像分類、姿勢推定、方向付きバウンディングボックス（OBB）を標準でサポートします。

PP-YOLOE+：PaddlePaddleによるアンカーフリー検出#

PP-YOLOE+は、それ以前のPP-YOLOシリーズを発展させたモデルであり、BaiduのPaddlePaddleフレームワーク上で効率的に動作するよう設計されています。

• 著者: PaddlePaddle Authors
• 組織: Baidu
• 日付: 2022-04-02
• arXiv: PP-YOLOE論文
• GitHub: PaddleDetectionリポジトリ
• ドキュメント： PP-YOLOE+の設定

PP-YOLOE+の詳細はこちら

アーキテクチャの重点#

PP-YOLOE+は、検出精度を向上させるため、CSPRepResNetバックボーンを導入し、Efficient Task-aligned Head（ET-head）を実装しました。このモデルはPaddlePaddleディープラーニングフレームワークに大きく依存しています。COCOデータセットなどの標準ベンチマークデータセットで高い精度を達成する一方、実装がPaddlePaddleエコシステムに結び付いているため、幅広いAIコミュニティで普及している標準的なPyTorchやTensorFlowのパイプラインに統合するのが難しい場合があります。

パフォーマンスと指標の比較#

エッジデバイスやクラウドサーバーにモデルをデプロイする際は、精度（mAP）、速度、パラメーター数のバランスが重要です。Ultralyticsのモデルは、トレーニング時に必要なメモリが少なく、推論が高速であることで知られています。

以下に、COCO val2017で評価したモデルの詳細な比較表を示します。

トレードオフの分析#

PP-YOLOE+xはmAPでYOLOv8xを上回ります（54.7対53.9）が、パラメーター数は3,000万以上多くなります。小型および中型モデルでは両系列の差は小さく、PP-YOLOE+のFLOPsは少なくなっています。また、この表でCPU上のONNX速度が示されているのはYOLOv8のみです。軽量モデルのYOLOv8nに必要なパラメーターはわずか3.2M、FLOPsは8.7Bで、今回の比較では最小のモデルです。一方、PP-YOLOE+tは4.85Mパラメーターで、より高いmAP（39.9対37.3）を達成します。

YOLOモデルは通常、大規模なTransformerベースのアーキテクチャよりトレーニング時のメモリ使用量が少なくなります。CUDAメモリの使用量が大きいモデルでは高価なハードウェアが必要になることが多い一方、YOLOv8は一般向けGPUで効率的にトレーニングできます。

エコシステム、使いやすさ、デプロイ#

ユーザー体験は、これらのアーキテクチャを分ける大きな要素です。

Ultralytics PlatformとPythonパッケージは、機械学習運用の負担を軽減する、よく整備されたエコシステムを構成しています。シンプルなAPI、充実したドキュメント、データ記録、ハイパーパラメータ調整、クロスプラットフォームエクスポート用のネイティブツールを提供します。ONNX、TensorRT、CoreMLを使ったデプロイも、Ultralyticsが変換を処理します。

一方、PP-YOLOE+を使うには、PaddlePaddleフレームワークに関する深い知識が必要になることがよくあります。これらのモデルをPaddlePaddleエコシステム外の標準的なNVIDIA GPUやエッジデバイスで効率よく動作させるには、Ultralyticsツールにあるようなエクスポート自動化がないため、複数の手順が必要になる場合があります。

Ultralyticsによるトレーニング効率#

Ultralyticsのモデルのトレーニングに必要な定型コードはごくわずかです。以下の例では、PythonでYOLOv8モデルをトレーニングし、TensorRT向けにエクスポートします。

from ultralytics import YOLO

# 事前トレーニング済みのYOLOv8 smallモデルを読み込みます
model = YOLO("yolov8s.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=100, imgsz=640, device=0)

# トレーニング済みモデルをTensorRTデプロイ用にすばやくエクスポートする
model.export(format="engine", device=0)

ユースケースと推奨事項#

YOLOv8とPP-YOLOE+のどちらを選ぶかは、具体的なプロジェクト要件、デプロイの制約、エコシステムに関する優先事項によって異なります。

YOLOv8を選ぶ場合#

YOLOv8は、次のような場合に適しています。

• 汎用的なマルチタスクデプロイ： Ultralyticsエコシステム内で、検出、セグメンテーション、分類、姿勢推定に対応する実績あるモデルが必要なプロジェクトに適しています。
• 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。

PP-YOLOE+を選ぶ場合#

PP-YOLOE+は、次のような用途におすすめです。

• PaddlePaddleエコシステムとの統合：BaiduのPaddlePaddleフレームワークとツールを基盤とした既存のインフラストラクチャがある組織。
• Paddle Liteによるエッジデプロイ: Paddle LiteまたはPaddle推論エンジン向けに特別に最適化された推論カーネルを備えるハードウェアへのデプロイ。
• サーバー側での高精度検出: フレームワークへの依存が問題にならない、強力なGPUサーバー上で検出精度を最大化することを優先するシナリオ。

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フリーのエッジデプロイ: Non-Maximum Suppression（NMS）の後処理を複雑にすることなく、安定した低レイテンシ推論を必要とするアプリケーション。
• CPU-Only Environments: 専用GPUアクセラレーションを備えていないデバイスでは、YOLO26の最大43%高速なCPU推論（YOLO26n対YOLO11n）が大きな優位性をもたらします。
• 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。

今後を見据えて：YOLO26の優位性#

新しいアプリケーションには、2026年1月にリリースされたUltralytics YOLO26が、YOLO11とYOLOv8の両方を次の機能で置き換えます。

• エンドツーエンドのNMSフリーデザイン：YOLO26の任意で有効にできる1対1ヘッド（nms=False）は、NMSの後処理を不要にし、レイテンシの変動を抑えてデプロイロジックを簡素化します。
• MuSGD Optimizer：LLMのトレーニング手法をビジョンAIに取り入れたこの方式は、SGDとMuonのハイブリッドで、トレーニングの安定性と収束速度を高めます。
• CPU推論が最大43%高速：Distribution Focal Loss（DFL）を取り除き、検出ヘッドを軽量化したYOLO26nは、CPU上でYOLO11nより最大43%高速に動作するため、IoTやモバイルアプリケーションに適しています。
• ProgLoss + STAL：Progressive LossとSmall-Target-Aware Label Assignment（STAL）により、小さな物体の検出性能が向上します。これは、ドローン分析や航空画像で重要な要件です。

結論#

YOLOv8とPP-YOLOE+は、どちらもリアルタイム検出を進歩させました。ただし、多くの開発者や研究者にとっては、Ultralytics YOLOv8とその後継モデルのYOLO26のほうが実用的な選択肢です。直感的なAPI、活発なオープンソースコミュニティ、低いトレーニング時のメモリ要件、統合されたマルチタスクフレームワークにより、データセットの作成から本番環境へのデプロイまでを簡素化できます。