YOLOv8とYOLO26の比較#

コンピュータビジョンの分野は、ここ数年で目覚ましい進歩を遂げています。リアルタイムアプリケーションで最も人気のあるアーキテクチャの一つが、Ultralyticsによって開発されたモデルです。この包括的なガイドでは、画期的なUltralytics YOLOv8と、最新の最先端モデルであるUltralytics YOLO26を詳細に技術比較します。アーキテクチャ、パフォーマンス指標、最適なユースケースを分析し、デプロイに適したモデルを選択できるようにします。

モデルの概要#

YOLOv8とYOLO26は、どちらもYOLOモデルファミリーにおける重要なマイルストーンです。両者は、統合されたPython環境とAPIを介して、高速かつ高精度で非常に使いやすいモデルを提供するという、Ultralyticsの中核理念を共有しています。

YOLOv8：汎用性に優れた標準モデル#

2023年初頭にリリースされたYOLOv8は、YOLOフレームワークを大幅に刷新し、アンカーフリー設計と複数のコンピュータビジョンタスクへの堅牢な対応を実現しました。

• 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ドキュメント

YOLOv8は、優れた性能バランスとUltralyticsエコシステムへの深い統合により、急速に業界標準となりました。標準で物体検出、インスタンスセグメンテーション、姿勢推定、画像分類に対応しています。ただし、後処理には標準の非最大抑制 (NMS)を使用するため、リソースが厳しく制限されたエッジ環境ではレイテンシのボトルネックが発生する可能性があります。

YOLO26：次世代エッジ向け高性能モデル#

2026年1月にリリースされたYOLO26は、従来モデルが築いた基盤を引き継ぎながら、最新のデプロイシナリオ、特にエッジAIや低消費電力デバイス向けに積極的な最適化を施しています。

• 著者: Glenn Jocher、Jing Qiu
• 組織: Ultralytics
• 日付: 2026-01-14
• GitHub: Ultralyticsリポジトリ
• ドキュメント: YOLO26 Documentation

YOLO26では、パラダイムを変える複数の技術的改良が導入されています。特に注目すべき点は、エンドツーエンドのNMSフリー設計です。YOLOv10で初めて導入されたこのアーキテクチャは、NMS後処理を不要にし、エクスポートパイプラインを大幅に簡素化するとともに、レイテンシのばらつきを低減します。さらに、分布焦点損失 (DFL)を削除することで検出ヘッドが簡素化され、エッジAIハードウェアへのデプロイが非常に容易になっています。

アーキテクチャとトレーニングの革新#

YOLO26は、YOLOv8のベースラインを大幅に上回る、内部レベルでの複数の進歩を実現しています。

MuSGDによる最適化トレーニング#

トレーニング効率はUltralyticsモデルの特徴であり、RT-DETRのような大規模なTransformerベースのアーキテクチャと比べて、通常ははるかに少ないメモリで動作します。YOLO26では、MuSGDオプティマイザーの導入によって、これをさらに向上させています。大規模言語モデル (LLM)のトレーニング手法、具体的にはMoonshot AIのKimi K2に着想を得たこの、確率的勾配降下法 (SGD)とMuonのハイブリッドにより、複雑なデータセット全体での収束を高速化し、トレーニングダイナミクスを高い安定性で維持します。

高度な損失関数#

ドローン画像やIoTセンサーなど、高い精度が求められるタスク向けに、YOLO26ではProgLoss + STALを導入しています。これらの改良された損失関数により、小さな物体の認識性能が大幅に向上します。さらにYOLO26では、タスクに応じた改良を全体にわたって実施しています。セグメンテーションでより高品質なマスクを生成するマルチスケールproto、より精細な姿勢推定を実現する残差対数尤度推定 (RLE)、指向性バウンディングボックス (OBB)検出における境界の問題を解決する専用の角度損失などです。

パフォーマンス分析と比較#

以下の表では、COCOデータセットを使用して、2つのモデルの性能差を示しています。各サイズカテゴリで最も高い値は太字で強調しています。

メトリクスの分析#

データから、世代間で大きな飛躍があったことが分かります。YOLO26は、すべての指標でYOLOv8を大幅に上回っています。YOLO26 Nano (YOLO26n)モデルは、40.9 mAPという優れた値を達成し、YOLOv8nの37.3を大きく上回りながら、パラメーター数とFLOPsを削減しています。

最も顕著な改良の一つが、CPU推論速度です。最適化されたアーキテクチャとDFLの削除により、YOLO26はONNX経由で最大43%高速なCPU推論を実現します。そのため、Raspberry Piやその他のリソースが限られたエッジデバイスに最適です。TensorRTを使用したGPU速度は両モデルとも競争力がありますが、YOLO26はパラメーター効率が全体的に高いため、トレーニング時と推論時の両方でメモリフットプリントを削減できます。

使いやすさとエコシステム#

両モデルは、適切に保守されたUltralyticsエコシステムの恩恵を大きく受けています。開発者からは、統合APIの使いやすさが高く評価されています。このAPIでは、モデル名の文字列を変更するだけでYOLOv8とYOLO26を切り替えられます。

ハイパーパラメーターのチューニング、実験の追跡、新しいデータセットの検討のいずれを行う場合でも、Ultralyticsのドキュメントには豊富なリソースが用意されています。さらに、Ultralytics Platformを使用すると、これらのモデルへのアノテーション、トレーニング、デプロイをクラウドまたはローカル環境でシームレスに行えます。

コード例#

トレーニングと推論は非常に簡単に始められます。以下に、Ultralytics Python APIを使用した完全な実行可能サンプルを示します。

from ultralytics import YOLO

# Load the latest state-of-the-art YOLO26 Nano model
model = YOLO("yolo26n.pt")

# Train the model on the COCO8 dataset for 50 epochs
# The MuSGD optimizer is automatically leveraged for YOLO26
train_results = model.train(
    data="coco8.yaml",
    epochs=50,
    imgsz=640,
    device="cpu",  # Use '0' for GPU training
)

# Run inference on a sample image
# The NMS-free design provides clean, rapid predictions
results = model("https://ultralytics.com/images/bus.jpg")

# Display the predictions
results[0].show()

# Export seamlessly to ONNX for CPU deployment
export_path = model.export(format="onnx")

理想的なユースケース#

適切なモデルを選択することが、プロジェクトの成否を左右します。

YOLO26を選択する場合:

• エッジコンピューティングとロボティクス: CPU速度が43%高速でNMSも不要なため、組み込みシステム、モバイルデバイス、自律型ロボットに最適な選択肢です。
• 航空画像と衛星画像: ProgLoss + STALの実装により、複雑で高解像度の地形における小さな物体の検出で、YOLO26は明確な優位性を発揮します。
• 新規プロジェクト: 最新の安定版リリースであるYOLO26は、新しい機械学習パイプラインに推奨されるモデルであり、あらゆるタスクで優れた汎用性を提供します。

YOLOv8を継続して使用する場合:

• レガシーインフラストラクチャ: 現在の本番パイプラインがYOLOv8固有の出力テンソルやアンカーメカニズムと密接に結び付いている場合、移行には若干の適応が必要になる可能性があります。
• 学術的なベースライン: YOLOv8は、古いアーキテクチャを比較する学術的なコンピュータビジョン研究において、現在も引用数が多く安定したベースラインです。

結論として、YOLOv8がリアルタイムビジョンタスクにおける優れた標準を確立した一方で、YOLO26は可能性の基準を改めて定義します。CPUでの大幅な効率向上と、LLMに着想を得た革新的なトレーニングオプティマイザーを組み合わせることで、YOLO26は、ほぼあらゆるハードウェア環境に高精度AIをデプロイできるようにします。