Link to this sectionYOLOv8 vs YOLO26#
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中でも、Ultralyticsによって開発されたモデルが特に注目されています。本ガイドでは、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、および理想的なユースケースを分析し、デプロイメントに最適なモデルを選択する手助けをします。
Link to this section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。これらは、共通のPython環境とAPIを通じて、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の核となる哲学を共有しています。
Link to this sectionYOLOv8：汎用性の高い標準モデル#
2023年初頭にリリースされたYOLOv8は、YOLOフレームワークに大幅な刷新をもたらし、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に対する強力なサポートを実現しました。
- 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、優れたパフォーマンスバランスとUltralyticsエコシステムへの深い統合により、業界標準となりました。物体検出、インスタンスセグメンテーション、姿勢推定、画像分類をネイティブにサポートしています。ただし、ポストプロセスに標準的な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。
Link to this sectionYOLO26：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継承し、現代のデプロイメントシナリオ、特にエッジAIや低消費電力デバイスに向けて最適化されています。
- 著者： Glenn Jocher and 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は、技術的に大きな変革をもたらす改善をいくつか導入しています。最も注目すべきは、NMS不要のEnd-to-End設計です。YOLOv10によって先駆けられたこのアーキテクチャは、NMSポストプロセスを不要にし、エクスポートパイプラインを劇的に簡素化して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メントに非常に適した設計となっています。
Link to this sectionアーキテクチャおよびトレーニングの革新#
YOLO26は、YOLOv8のベースラインを劇的に改善するいくつかの技術革新を導入しています。
Link to this sectionMuSGD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のような大規模なTransformerベースのアーキテクチャと比較して、メモリ要件がはるかに低いのが一般的です。YOLO26は、MuSGDオプティマイザを導入することでこれをさらに強化しました。大規模言語モデル (LLM) のトレーニング技術（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安定したトレーニングダイナミクスを保証します。
Link to this section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実現します。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、より詳細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、タスク全体にわたる改善をもたらします。
Link to this section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差を示しています。各サイズカテゴリで最高性能の値は太字で強調されています。
| 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 |
Link to this section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、すべての指標でYOLOv8を大幅に上回っています。YOLO26 Nano (YOLO26n) モデルは、より少ないパラメータ数とFLOPsでありながら、YOLOv8nの37.3 mAPを大きく上回る40.9 mAPを達成しています。
最も顕著な改善の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の削除により、YOLO26はONNXを通じて最大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が限られたエッジデバイスにおいて比類のないパフォーマンスを発揮します。TensorRTを使用したGPU速度は両モデルで拮抗していますが、YOLO26の全体的なパラメータ効率は、トレーニングおよび推論時のメモリフットプリントの削減に貢献します。
Link to this section使いやすさとエコシステム#
両モデルとも、十分にメンテナンスされた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による使いやすさを高く評価しており、モデル名文字列を変更するだけでYOLOv8とYOLO26を簡単に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、実験トラッキング、新しいデータセットの探索など、いずれにおいてもUltralyticsのドキュメントは広範なリソースを提供します。さらに、Ultralytics Platformは、これらのモデルをクラウドまたはローカル環境にシームレスにアノテーション、トレーニング、デプロイするための効率的な方法を提供します。
Link to this sectionコード例#
トレーニングと推論の開始は非常に簡単です。以下は、Ultralytics Python APIを使用した完全な実行可能例です。
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")Link to this section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不要の設計により、組み込みシステム、モバイルデバイス、自律走行ロボットにとって間違いなく最適な選択肢です。
- 航空および衛星画像: ProgLoss + STALの導入により、複雑で高解像度の風景における微小な物体の検出において、YOLO26は明確な優位性を持っています。
- 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推奨されるモデルであり、すべてのタスクにおいて優れた汎用性を提供します。
YOLOv8を保持すべき場合:
- レガシーインフラストラクチャ: 現在のプロダクションパイプラインがYOLOv8の特定の出力テンソルやアンカーメカニズムと深く結合されている場合、移行にはわずか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コンピュータビジョン研究において、依然として頻繁に引用される安定したベースラインです。
結論として、YOLOv8はリアルタイムビジョンタスクにおける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ています。CPU上の圧倒的な効率性と、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。