YOLOv8 対 YOLO11#
コンピュータビジョンの急速な進化は、リアルタイム物体検出フレームワークの継続的な進歩によって大きく推進されてきました。現代の環境をナビゲートする開発者や研究者にとって、適切なモデルを選択することは、精度、速度、リソース効率のバランスをとる上で極めて重要です。この技術比較では、Ultralyticsエコシステムにおける2つの基礎的なモデル、Ultralytics YOLOv8とUltralytics YOLO11の違いについて探っていきます。
どちらのモデルも、使いやすさ、十分に整備されたエコシステム、そして低いメモリ要件による比類のないトレーニング効率という、Ultralyticsアーキテクチャの特長を備えています。そのアーキテクチャ設計、パフォーマンスベンチマーク、理想的なデプロイメントシナリオを詳しく掘り下げていきましょう。
モデルの概要#
具体的な技術的メリットを比較する前に、両モデルの起源と主要な仕様を整理しておくと便利です。
Ultralytics YOLOv8#
2023年初頭に大きな飛躍としてリリースされた YOLOv8 は、アンカーフリーの検出を導入し、損失関数を大幅に改善しました。これにより、幅広い機械学習タスクにおけるゴールドスタンダードとなりました。
- 著者: Glenn Jocher, Ayush Chaurasia, Jing Qiu
- 組織: Ultralytics
- 日付: 2023-01-10
- GitHub: ultralytics/ultralytics
Ultralytics YOLO11#
YOLO11は、前身モデルの成功に基づき、コアアーキテクチャを洗練させることで、精度とレイテンシのパレート境界をさらに押し広げました。予測能力を損なうことなく、パラメータ数を高度に最適化しています。
- 著者： Glenn Jocher and Jing Qiu
- 組織: Ultralytics
- 日付: 2024-09-27
- GitHub: ultralytics/ultralytics
代替のアプローチを検討している場合、UltralyticsはRT-DETRのようなTransformerベースのモデルや、YOLO-Worldのようなゼロショットオープンボキャブラリ検出器もサポートしています。ただし、最適なレイテンシとメモリ効率を重視する場合、標準的なYOLOアーキテクチャが通常は好ましい選択肢であり続けます。
アーキテクチャおよび手法上の違い#
YOLOv8からYOLO11への移行は、全面的な刷新というよりはむしろニューラルネットワーク設計の慎重な進化を表しており、モデルを取り巻く十分に整備されたエコシステムの安定性が保たれています。
バックボーンとネックの最適化#
YOLOv8は、従来のアンカーボックスから脱却し、物体検出を純粋に中心点予測問題として扱う合理化されたCNNバックボーンを導入しました。このアンカーフリーのアプローチにより、バウンディングボックス回帰の複雑さが大幅に軽減されました。YOLO11はこの基盤を引き継ぎ、最適化された特徴ピラミッドネットワーク（FPN）を導入し、C2fブロックをC3k2モジュールに変更しました。この変更により、YOLO11はより豊富な空間特徴を抽出できるようになり、COCO datasetによく見られる小さめの物体に対してより優れた精度を発揮します。
メモリ要件とトレーニング効率#
YOLOv8とYOLO11の最も顕著な利点の1つは、トレーニング中の低メモリ要件です。コンシューマー向けハードウェアでVRAMを容易に枯渇させる可能性のある重いビジョンTransformerとは異なり、これらのモデルは標準GPUでのアクセシブルなPyTorchトレーニング向けに最適化されています。YOLO11は総パラメータ数を大幅に削減し（large (L) バリアントではYOLOv8と比較して最大42%少ないパラメータ）、同時に平均精度（mAP）を向上させています。これは、モデルのトレーニングにおけるエポックの高速化と環境負荷の低減を意味します。
性能メトリクス#
これらのモデルのパフォーマンスバランスを真に評価するには、客観的なベンチマークを見る必要があります。以下の表は、YOLOv8とYOLO11を標準のスケーリングバリアント（ナノからエクストララージまで）で比較したものです。
| 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 (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv8n | 640 | 37.3 | 80.4 | 1.47 | 3.2 | 8.7 |
| YOLOv8s | 640 | 44.9 | 128.4 | 2.66 | 11.2 | 28.6 |
| YOLOv8m | 640 | 50.2 | 234.7 | 5.86 | 25.9 | 78.9 |
| YOLOv8l | 640 | 52.9 | 375.2 | 9.06 | 43.7 | 165.2 |
| YOLOv8x | 640 | 53.9 | 479.1 | 14.37 | 68.2 | 257.8 |
| YOLO11n | 640 | 39.5 | 56.1 | 1.5 | 2.6 | 6.5 |
| YOLO11s | 640 | 47.0 | 90.0 | 2.5 | 9.4 | 21.5 |
| YOLO11m | 640 | 51.5 | 183.2 | 4.7 | 20.1 | 68.0 |
| YOLO11l | 640 | 53.4 | 238.6 | 6.2 | 25.3 | 86.9 |
| YOLO11x | 640 | 54.7 | 462.8 | 11.3 | 56.9 | 194.9 |
示されているように、YOLO11は、より少ないパラメータとFLOPsを利用しながら、一貫してYOLOv8を上回る精度を発揮します。ONNX Runtimeを使用して測定されたCPU推論速度は、エッジデプロイメントにおけるYOLO11の優れた効率性を浮き彫りにしています。NVIDIA TensorRTにエクスポートすると、両方のモデルが15ミリ秒未満の優れたレイテンシを実現し、現実世界のビデオストリーム分析に不可欠です。
エコシステムと使いやすさ#
両方のモデルは、統合された ultralytics Pythonパッケージから多大な恩恵を受けています。この使いやすさにより、エンジニアはYOLOv8とYOLO11の間をシームレスに切り替えることができます。トレーニング、検証、およびエクスポートは、わずか数行のコードで実現できます。
from ultralytics import YOLO
# Load a pre-trained YOLO11 model (you can simply swap to "yolov8n.pt")
model = YOLO("yolo11n.pt")
# Train the model efficiently on a local dataset
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=0)
# Export the optimized model to ONNX
model.export(format="onnx")このシームレスな統合はUltralytics Platformにも拡張されており、高度なDevOps知識を必要とせずに、クラウドベースのトレーニング、モデルのモニタリング、およびデプロイメントを簡素化します。
汎用性と実世界のアプリケーション#
Ultralyticsフレームワークの主な特長は、その本質的な汎用性にあります。YOLOv8とYOLO11はどちらも、標準的な物体検出を超えた幅広いコンピュータビジョンのタスクをサポートしています。
- Instance Segmentation: 医療画像や自動運転に役立つ、精度の高いピクセルレベルのマスク。
- Pose Estimation: スポーツ分析やヒューマンコンピュータインタラクションに合わせたキーポイント検出。
- Image Classification: ImageNetでトレーニングされたバックボーンを利用する軽量なカテゴリ分類。
- Oriented Bounding Boxes (OBB): 衛星画像内の回転したオブジェクトを特定するために不可欠。
YOLOv8はリリースから期間が長いため、コミュニティによるチュートリアルのリポジトリが膨大であり、企業でのデプロイ実績も豊富です。YOLOv8のテンソル形状を厳密に必要とするレガシーパイプラインと統合する場合、信頼性の高い選択肢であり続けます。しかし、Raspberry Piのような組み込みエッジデバイスへのデプロイなど、最大の効率を優先する新しいプロジェクトであれば、その優れた速度対パラメータ比により、YOLO11が明確な運用の勝者となります。
ユースケースと推奨事項#
YOLOv8とYOLO11の選択は、プロジェクトの具体的な要件、デプロイメントの制約、エコシステムの好みによって決まります。
YOLOv8を選択すべき場合#
YOLOv8は、以下のようなケースに適した強力な選択肢です。
- 多彩なマルチタスクデプロイ： Ultralyticsエコシステム内でのdetection、segmentation、classification、およびpose estimationに実証済みのモデルを必要とするプロジェクト。
- 確立された運用システム: 既にYOLOv8アーキテクチャ上で構築され、安定してテストされたデプロイメントパイプラインを持つ既存の運用環境。
- 広範なコミュニティとエコシステムのサポート: YOLOv8の広範なチュートリアル、サードパーティ統合、アクティブ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。
YOLO11を選択すべき時#
YOLO11は以下のような場合に推奨されます。
- 本番エッジデプロイメント: 信頼性と積極的なメンテナンスが最優先される、Raspberry Pi や NVIDIA Jetson などのデバイス上の商用アプリケーション。
- マルチタスクビジョンアプリケーション: 単一の統一されたフレームワーク内で detection、segmentation、pose estimation、および 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: 合理化された Ultralytics Python API を使用して、データ収集から本番環境まで迅速に移行する必要があるチーム。
Ultralytics (YOLO26) を選択すべき時#
ほとんどの新しい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の最高の組み合わせを提供します。
- NMSフリーのエッジ展開： Non-Maximum Suppression後処理の複雑さを伴わずに、一貫した低レイテンシの推論が求められるアプリケーション。
- CPUのみの環境： GPUアクセラレーションを利用できないデバイスにおいて、YOLO26の最大43%高速なCPU推論が決定的な利点となる場合。
- 小物体検出: ProgLossとSTALにより極小オブジェクトの精度が大幅に向上する、空中ドローン画像やIoTセンサー分析などの困難なシナリオ。
最先端技術：YOLO26の利点#
YOLOv8とYOLO11は驚異的なアーキテクチャですが、AIの状況は決して歩みを止めません。2026年の絶対的な最先端を目指す開発者にとって、Ultralytics YOLO26は次の重大な飛躍を表しています。
YOLO26は、デプロイメントパイプラインを根本的に再定義します。YOLOv10で初めて開拓された画期的な手法である エンドツーエンドのNMSフリー設計 を特徴としており、複雑な後処理手順を排除します。さらに、DFL除去（Distribution Focal Loss）により、エクスポートロジックが大幅に簡素化され、低電力エッジデバイスとの互換性が向上し、前身モデルと比較して CPU推論が最大43%高速化 されました。
トレーニングの安定性と収束速度は、LLMトレーニング技術に着想を得た新しい MuSGDオプティマイザー によって劇的に改善されています。さらに、ProgLoss + STAL のような新しい損失定式化は、IoTやロボット工学にとって歴史的な課題であった小物体認識を大幅に強化します。姿勢推定のためのRLEや、セグメンテーションのためのマルチスケールProtoといったタスク特化型の改良を加え、YOLO26は他を寄せ付けません。
広範なレガシーコミュニティサポートが必要な場合は、YOLOv8 から始めましょう。速度とパラメータ削減の非常に洗練されたバランスを求めるなら、YOLO11 にアップグレードしてください。将来を見据えた、究極のエッジ最適化されたNMSフリーアーキテクチャには、YOLO26 へと飛躍してください。
結論#
最終的にYOLOv8とYOLO11のどちらを選択するかは、プロジェクトのタイムラインとハードウェアの制約次第です。YOLOv8は、比類のない安定性を提供する業界の戦いで鍛えられた巨人です。対照的に、YOLO11はそのアーキテクチャを洗練させ、より少ないパラメータで高いmAPを実現するため、リソースの限られたエッジアプリケーションにとって非常に魅力的です。どちらを選んだとしても、シームレスな Ultralytics Python API が、開発ワークフローをアジャイルで効率的、かつ完全にサポートされた状態に保ちます。そして、エッジデバイスで可能なことの限界に挑戦する準備ができたとき、YOLO26 があなたの味方となります。