YOLOv8 vs 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。現代の環境で開発や研究に取り組む方にとって、精度、速度、リソース効率のバランスを取るには、適切なモデルを選択することが重要です。この技術比較では、Ultralyticsエコシステムの2つの基盤モデル、Ultralytics YOLOv8とUltralytics YOLO11の違いを詳しく見ていきます。
どちらのモデルも、Ultralyticsアーキテクチャの特徴である使いやすさ、整備の行き届いたエコシステム、そして少ないメモリ要件で実現される比類のないトレーニング効率を備えています。ここでは、両モデルのアーキテクチャ設計、パフォーマンスベンチマーク、理想的なデプロイシナリオを詳しく見ていきます。
モデルの概要#
両モデルの具体的な技術的長所を比較する前に、それぞれのモデルの起源と主要な仕様を確認しておくとよいでしょう。
Ultralytics YOLOv8#
2023年初頭に大きな飛躍としてリリースされたYOLOv8は、アンカーフリー検出と損失関数の大幅な改善を導入し、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、前身モデルの成功を基盤としてコアアーキテクチャを洗練し、精度とレイテンシのパレートフロンティアをさらに押し広げました。予測性能を犠牲にすることなく、パラメーター数を高度に最適化しています。
- 著者: Glenn Jocher、Jing Qiu
- 組織: Ultralytics
- 日付: 2024-09-27
- GitHub: ultralytics/ultralytics
別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のオープンボキャブラリー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実現するには、通常、標準的なYOLOアーキテクチャが引き続き推奨されます。
アーキテクチャと手法の違い#
YOLOv8からYOLO11への移行は、全面的な刷新ではなく、ニューラルネットワーク設計を慎重に進化させたものです。そのため、両モデルを取り巻く整備の行き届いたエコシステムも安定しています。
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離れ、物体検出を純粋な中心点予測問題として扱う、簡素化された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はこの基盤を発展させ、最適化された特徴ピラミッドネットワーク（FPN）を導入するとともに、C2fブロックをC3k2モジュールへ変更しました。この変更により、YOLO11はより豊かな空間特徴を抽出できるようになり、COCOデータセットに通常含まれる小さな物体に対する精度が向上します。
メモリ要件とトレーニング効率#
YOLOv8とYOLO11の最も注目すべき利点の1つは、トレーニング中の少ないメモリ要件です。一般的なハードウェアのVRAMを容易に使い果たす重量級のビジョントランスフォーマーとは異なり、これらのモデルは標準的なGPU上で利用しやすいPyTorchトレーニングを実現するよう最適化されています。YOLO11は総パラメーター数を大幅に削減しており、大規模（L）バリアントではYOLOv8と比較して最大42%少ないパラメーター数を実現しながら、平均適合率（mAP）も向上しています。これにより、エポックが高速化し、モデルのトレーニングに伴うカーボンフットプリントも削減されます。
性能指標#
これらのモデルのパフォーマンスバランスを正確に評価するには、客観的なベンチマークを確認する必要があります。以下の表では、標準的なスケーリングバリアント（nanoからextra-largeまで）についてYOLOv8とYOLO11を比較しています。
| モデル | サイズ （ピクセル） | mAPval 50-95 | 速度 CPU ONNX （ms） | 速度 T4 TensorRT10 （ms） | パラメーター数 （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 |
このように、YOLO11はより少ないパラメーター数とFLOPsで、精度において一貫してYOLOv8を上回っています。ONNX Runtimeを使用して測定したCPU推論速度は、エッジデプロイメントにおけるYOLO11の優れた効率性を示しています。NVIDIA TensorRTにエクスポートすると、どちらのモデルも15ミリ秒未満という優れたレイテンシを実現し、実環境でのビデオストリーム解析に不可欠な性能を発揮します。
エコシステムと使いやすさ#
どちらのモデルも、統合されたultralytics Pythonパッケージの大きな恩恵を受けます。この使いやすさにより、エンジニアはYOLOv8とYOLO11をシームレスに切り替えられます。トレーニング、検証、エクスポートは、わずか数行のコードで実行できます。
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にも及び、高度なDevOpsの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、デプロイメントを簡素化します。
汎用性と実環境での用途#
Ultralyticsフレームワークの大きな特徴は、その本質的な汎用性です。YOLOv8とYOLO11は、標準的な物体検出以外にも、幅広いコンピュータビジョンタスクをサポートしています。
- インスタンスセグメンテーション： 医用画像や自動運転に役立つ、高精度なピクセルレベルのマスクを生成します。
- ポーズ推定： 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適したキーポイント検出を実行します。
- 画像分類： ImageNetでトレーニングされたバックボーンを利用して、軽量なカテゴリ分類を実行します。
- 指向性バウンディングボックス（OBB）： 衛星画像内の回転した物体を識別するために重要です。
YOLOv8はより長く利用されてきたため、コミュニティによるチュートリアルの膨大なリポジトリと、十分にテストされたエンタープライズデプロイメントを備えています。YOLOv8のテンソル形状を厳密に要求するレガシーパイプラインと統合する場合、YOLOv8は非常に信頼性の高い選択肢です。一方、Raspberry Piのような組み込みエッジデバイスへのデプロイメントなど、最大限の効率を重視する新規プロジェクトでは、速度とパラメーター数の比率に優れるYOLO11が、運用面で明確に優れています。
ユースケースと推奨事項#
YOLOv8とYOLO11のどちらを選ぶかは、具体的なプロジェクト要件、デプロイメントの制約、エコシステムに関する好みによって決まります。
YOLOv8を選択するタイミング#
YOLOv8が適しているケース：
- 汎用的なマルチタスクデプロイ: Ultralyticsエコシステム内で、detection、segmentation、classification、pose estimationに対応する実績のあるモデルが必要なプロジェクト。
- 確立された本番システム: YOLOv8アーキテクチャを基盤としてすでに構築され、安定した十分にテスト済みのデプロイパイプラインを備えた既存の本番環境。
- 幅広い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、サードパーティー統合、活発なコミュニティリソースの恩恵を受けるアプリケーション。
YOLO11を選ぶタイミング#
YOLO11は次の用途に推奨されます：
- 本番環境でのエッジデプロイメント: 信頼性と継続的なメンテナンスが最重要となる、Raspberry PiやNVIDIA Jetsonなどのデバイス上で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: 単一の統合フレームワーク内で、検出、セグメンテーション、ポーズ推定、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)を選ぶタイミング#
ほとんどの新規プロジェクトでは、Ultralytics YOLO26が性能と開発者エクスペリエンスの最適な組み合わせを提供します。
- NMSフリーのエッジデプロイ: Non-Maximum Suppressionの後処理を複雑にすることなく、一貫した低レイテンシー推論が必要なアプリケーション。
- CPUのみの環境: 専用GPUアクセラレーションを持たないデバイスで、YOLO26の最大43%高速なCPU推論が決定的な優位性となる場合。
- 小さな物体の検出: aerial drone imageryやIoTセンサー分析など、ProgLossとSTALによって微小物体の精度が大幅に向上する難しいシナリオ。
最先端：YOLO26の優位性#
YOLOv8とYOLO11は非常に優れたアーキテクチャですが、AIの進化は決して止まりません。2026年に絶対的な最先端を目指す開発者にとって、Ultralytics YOLO26は次なる大きな飛躍を表します。
YOLO26はデプロイメントパイプラインを根本から再構想しています。エンドツーエンドのNMSフリーデザインを採用しており、これはYOLOv10で初めて導入された画期的なアプローチで、複雑な後処理ステップを排除します。さらに、DFLの除去（Distribution Focal Loss）によってエクスポート処理が大幅に簡素化され、低消費電力のエッジデバイスとの互換性が向上します。その結果、前身モデルと比較してCPU推論が最大43%高速化されます。
独自のMuSGD Optimizerにより、トレーニングの安定性と収束速度が大幅に向上します。これはLLMのトレーニング手法に着想を得たハイブリッドオプティマイザーです。さらに、ProgLoss + STALのような新しい損失定式化により、IoTやロボティクスにおける長年の課題であった小物体認識が大幅に強化されます。ポーズ推定向けのRLEやセグメンテーション向けのマルチスケールprotoなど、タスク固有の改善も備えており、YOLO26は他に類を見ない性能を実現します。
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から始めてください。速度とパラメーター削減の高度に洗練されたバランスを求める場合は、YOLO11にアップグレードしてください。将来のエッジ最適化NMSフリーアーキテクチャを最大限に活用する場合は、YOLO26へ移行してください。
まとめ#
YOLOv8とYOLO11のどちらを選ぶかは、最終的にはプロジェクトのスケジュールとハードウェアの制約によって決まります。YOLOv8は業界で十分に実績を積んだ巨星であり、比類のない安定性を提供します。一方、YOLO11はそのアーキテクチャを洗練し、より少ないパラメーター数で高いmAPを実現するため、リソースに制約のあるエッジアプリケーションに非常に適しています。どちらを選んでも、シームレスなUltralytics Python APIによって、開発ワークフローは俊敏かつ効率的に保たれ、十分なサポートを受けられます。そして、エッジデバイスで可能なことの限界を広げる準備ができたら、YOLO26が対応します。