YOLOv8 vs YOLO26: Ultralyticsリアルタイム物体検出の進化
コンピュータビジョンの分野は、過去数年間で目覚ましい進歩を遂げてきました。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1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、最新かつ最先端のUltralytics YOLO26との詳細な技術比較を提供します。両者のアーキテクチャ、パフォーマンス指標、および理想的なユースケースを分析し、デプロイに最適なモデルを選択できるようサポートします。
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。両モデルは、「高速、高精度で、統合されたPython環境とAPIを通じて驚くほど簡単に利用できるモデルを提供する」というUltralyticsの核心的な哲学を共有しています。
YOLOv8：多用途な標準モデル
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の採用と複数のコンピュータビジョンタスクに対する強力なサポートを実現しました。
- 著者: Glenn Jocher, Ayush Chaurasia, and 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、その優れたパフォーマンスのバランスとUltralyticsエコシステムへの深い統合により、すぐに業界標準となりました。ネイティブで物体検出、インスタンスセグメンテーション、姿勢推定、および画像分類をサポートしています。ただし、後処理に標準的なNon-Maximum Suppression (NMS) を使用しているため、制約の厳しい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：次世代のエッジ向けパワーハウス
2026年1月にリリースされたYOLO26は、前モデルが築いた基盤を引き継ぎ、現代のデプロイメントシナリオ、特にエッジAIや低電力デバイス向けに最適化されています。
- 著者: Glenn Jocher および 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、いくつかのパラダイムシフトとなる技術的改善が導入されています。最も注目すべきは、NMSフリーのエンドツーエンド設計です。これは当初YOLOv10で先駆的に導入されたもので、このアーキテクチャによりNMSの後処理が不要となり、エクスポートパイプラインを大幅に簡素化し、レイテンシの変動を低減します。さらに、Distribution Focal Loss (DFL) を削除したことで検出ヘッドが効率化され、エッジAIハードウェアへのデプロイが非常に容易になりました。
アーキテクチャとトレーニングの革新
YOLO26には、YOLOv8のベースラインを劇的に改善するいくつかの内部的な進歩が盛り込まれています。
MuSGDによるトレーニングの最適化
トレーニングの効率性はUltralyticsモデルの特徴であり、RT-DETRのような巨大なTransformerベースのアーキテクチャと比較して、通常、メモリ要件がはるかに低くなっています。YOLO26は、MuSGDオプティマイザの導入によりこれをさらに強化しました。大規模言語モデル (LLM) のトレーニング手法（特にMoonshot AIのKimi K2）に触発されたこのStochastic Gradient Descent (SGD) とMuonのハイブリッドは、より高速な収束と、複雑なデータセット全体にわたる非常に安定したトレーニングダイナミクスを保証します。
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のために、YOLO26はProgLoss + STALを導入しました。これらの改良された損失関数は、小さな物体の認識において顕著な向上をもたらします。さらに、YOLO26は、セグメンテーションにおける優れたマスク生成のためのマルチスケールプロト、より精密な姿勢推定のためのResidual Log-Likelihood Estimation (RLE)、Oriented Bounding Box (OBB)検出における境界問題を解決する特殊な角度損失など、タスク全体にわたって改善をもたらしています。
パフォーマンス分析と比較
以下の表は、COCOデータセットを使用した両モデルのパフォーマンスの違いを強調したものです。各サイズカテゴリにおける最高性能の値は太字で示されています。
| 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 (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv8n | 640 | 37.3 | 80.4 | 1.47 | 3.2 | 8.7 |
| YOLO26n | 640 | 40.9 | 38.9 | 1.7 | 2.4 | 5.4 |
| YOLOv8s | 640 | 44.9 | 128.4 | 2.66 | 11.2 | 28.6 |
| YOLO26s | 640 | 48.6 | 87.2 | 2.5 | 9.5 | 20.7 |
| YOLOv8m | 640 | 50.2 | 234.7 | 5.86 | 25.9 | 78.9 |
| YOLO26m | 640 | 53.1 | 220.0 | 4.7 | 20.4 | 68.2 |
| YOLOv8l | 640 | 52.9 | 375.2 | 9.06 | 43.7 | 165.2 |
| YOLO26l | 640 | 55.0 | 286.2 | 6.2 | 24.8 | 86.4 |
| YOLOv8x | 640 | 53.9 | 479.1 | 14.37 | 68.2 | 257.8 |
| YOLO26x | 640 | 57.5 | 525.8 | 11.8 | 55.7 | 193.9 |
メトリクスの分析
データから、世代を超えた飛躍が明らかです。YOLO26はすべての指標においてYOLOv8を大幅に上回っています。YOLO26 Nano (YOLO26n) モデルは、YOLOv8nの37.3を大幅に上回る40.9 mAPを達成し、かつパラメータ数とFLOPsも削減されています。
最も驚くべき改善点の1つは、CPU推論速度です。最適化されたアーキテクチャとDFLの廃止により、YOLO26はONNXを介して最大43%高速なCPU推論を実現します。これにより、YOLO26はRaspberry Piやその他のリソース制限のあるエッジデバイスにとって比類のないものとなっています。TensorRTを使用したGPU速度は両モデルで競合していますが、YOLO26の全体的なパラメータ効率は、トレーニングと推論の両方においてメモリフットプリントの削減に貢献します。
使いやすさとエコシステム
どちらのモデルも、十分に整備されたUltralyticsエコシステムから大きな恩恵を受けています。開発者は、統一されたAPIによって提供される使いやすさを高く評価しており、モデル名の文字列を変更するだけでYOLOv8とYOLO26を切り替えることができます。
ハイパーパラメータチューニングの実施、実験追跡の実行、あるいは新しいデータセットの探索など、Ultralyticsのドキュメントには広範なリソースが用意されています。さらに、Ultralyticsプラットフォームは、これらのモデルをクラウドまたはローカル環境へシームレスに注釈付け、トレーニング、デプロイするための合理的な方法を提供します。
コード例
トレーニングと推論を開始するのは非常に簡単です。以下は、Ultralytics Python APIを使用した、実行可能な完全なサンプルです：
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")理想的な使用ケース
適切なモデルを選択することが、プロジェクトの成功を左右します。
YOLO26を選択すべき場合：
- エッジコンピューティングとロボティクス： 43%高速なCPU速度とNMSがない設計により、組み込みシステム、モバイルデバイス、自律型ロボットにとって絶対的な最適解となります。
- 航空・衛星画像： ProgLoss + STALの導入により、YOLO26は複雑で高解像度な風景の中にある小さな物体を検出する際に際立った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として、YOLO26はあらゆる新しい機械学習パイプラインにおいて推奨されるモデルであり、すべてのタスクで優れた汎用性を提供します。
YOLOv8を維持すべき場合：
- レガシーインフラ： 現在の運用パイプラインがYOLOv8の特定の出力テンソルやアンカーメカニズムに強く依存している場合、移行には軽微な調整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と比較する学術的なコンピュータビジョン研究において、引き続き広く引用され、安定したベースラインとして機能します。
結論として、YOLOv8はリアルタイムビジョンタスクの驚異的な標準を確立しましたが、YOLO26はその可能性を再定義します。CPUでの大幅な効率向上と、LLMに触発された革新的なトレーニングオプティマイザを組み合わせることで、YOLO26は開発者が事実上あらゆるハードウェア環境で高精度なAIをデプロイできるようにします。