YOLOv8とYOLO26#

コンピュータービジョン分野は、ここ数年で急速に進歩しました。リアルタイムアプリケーションで特に人気の高いアーキテクチャには、Ultralyticsが開発したモデルがあります。このガイドでは、Ultralytics YOLOv8と最新のUltralytics YOLO26を技術的に比較し、アーキテクチャ、性能指標、理想的なユースケースを解説して、デプロイに適したモデルの選定を支援します。

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、統一されたPython APIを通じて、高速で高精度かつ使いやすいモデルを提供するというUltralyticsの基本理念を共有しています。

YOLOv8：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規模な刷新をもたらし、アンカーフリー設計を導入するとともに、複数のコンピュータービジョンタスクを強力にサポートしました。

• 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のドキュメント

YOLOv8は、性能のバランスとUltralyticsエコシステムとの深い統合により、すぐに広く採用されました。YOLOv8は、物体検出、インスタンスセグメンテーション、画像分類、姿勢推定、および方向付きバウンディングボックス（OBB）をネイティブにサポートします。ただし、後処理には標準的な非極大値抑制（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ーのボトルネックが生じる可能性があります。

YOLO26：次世代のエッジAI#

2026年1月にリリースされたYOLO26は、先行モデルを基盤に、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最適化されています。

• 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のドキュメント

YOLO26では、技術面でいくつかの改善が導入されています。特に注目すべき点は、YOLOv10がYOLOモデルに導入したエンドツーエンドのNMSフリーデザインです。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簡素化してレイテンシーのばらつきを抑えます。分布焦点損失（DFL）の削除によって検出ヘッドも簡素化され、エッジAIハードウェアへのデプロイが容易になります。

アーキテクチャとトレーニングの革新#

YOLO26では、YOLOv8のベースラインを改善する、内部的なさまざまな進歩が導入されています。

MuSGDによるトレーニングの最適化#

Ultralyticsのモデルは効率的なトレーニングで知られており、一般にRT-DETRのようなTransformerベースのアーキテクチャよりも必要なメモリが少なくて済みます。YOLO26では、MuSGDオプティマイザーにより、さらに改善されています。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のハイブリッドは、複雑なデータセットでも収束を速め、より安定したトレーニングを実現します。

損失関数とラベル割り当て#

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が導入されています。段階的損失と小物体対応ラベル割り当て（STAL）により、小物体検出が改善されます。さらにYOLO26では、タスクごとの改善も全般的に導入されています。セグメンテーションではマスク生成を向上させるマルチスケールプロト、姿勢推定の精度を高める残差対数尤度推定（RLE）、そして方向付き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関数が追加されています。

性能分析と比較#

次の表では、COCOデータセットを使用して、2つのモデルの性能の違いを示しています。各サイズカテゴリで最も高い性能を示す値は太字で強調されています。

指標を分析する#

データからは、世代を重ねたことによる性能向上が見て取れます。YOLO26は、ほぼすべての指標でYOLOv8を上回っています。YOLO26 Nano（YOLO26n）モデルは、YOLOv8nの37.3を大きく上回る40.9 mAPを達成しながら、パラメーター数とFLOPsを削減しています。

大幅な改善の一つは、CPU推論速度です。簡素化されたアーキテクチャとDFLの削除により、CPUでONNX推論を行った場合、YOLO26nは38.9 msで動作します。YOLOv8nは80.4 msです。また、YOLO26の論文では、YOLO11nよりもCPU推論が最大43%高速と報告されています。そのため、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適しています。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にも優れているため、トレーニング時と推論時のメモリ使用量も削減できます。

使いやすさとエコシステム#

どちらのモデルも、十分に保守されているUltralyticsエコシステムのメリットを受けられます。統一されたAPIにより、モデル名の文字列を変更するだけで、YOLOv8とYOLO26を切り替えられます。

ハイパーパラメーター調整、実験管理、または新しいデータセットの調査など、Ultralyticsのドキュメントには幅広い情報が掲載されています。さらに、Ultralytics Platformを利用すると、データのアノテーション、トレーニング、モデルのクラウドまたはローカルへのデプロイを効率的に行えます。

コード例#

以下に、Ultralytics Python APIを使用したトレーニング、推論、エクスポートの完全な実行可能サンプルを示します。

from ultralytics import YOLO

# 最新のYOLO26 Nanoモデルを読み込みます
model = YOLO("yolo26n.pt")

# COCO8データセットでモデルを50エポックトレーニングする
# optimizer="auto"は、長時間の実行（>10k iterations）ではMuSGDを、今回のような短時間の実行ではAdamWを選択します
train_results = model.train(
    data="coco8.yaml",
    epochs=50,
    imgsz=640,
    device="cpu",  # GPUトレーニングには'0'を指定する
)

# サンプル画像で推論を実行する
# NMSフリー設計により、明快で高速な予測が得られます
results = model("https://ultralytics.com/images/bus.jpg", nms=False)

# 予測結果を表示する
results[0].show()

# CPUへのデプロイ用にONNXへエクスポートします
export_path = model.export(format="onnx")

最適なユースケース#

適切な選択肢は、デプロイ先と既存のインフラストラクチャによって異なります。

YOLO26を選ぶ場合:

• エッジコンピューティングとロボティクス： CPU推論が高速でNMSフリー設計を採用しているため、組み込みシステム、モバイルデバイス、自律型ロボットに適しています。
• 航空・衛星画像： ProgLoss + STALにより、複雑で高解像度のシーンに含まれる極小物体の検出でYOLO26が優位になります。
• 新規プロジェクト： 最新の安定版リリースであるYOLO26は、セマンティックセグメンテーションと深度推定を含む幅広いタスクに対応しており、新しい機械学習パイプラインに推奨されるモデルです。

YOLOv8を継続使用する場合:

• レガシーインフラ: 現在の本番パイプラインがYOLOv8固有の出力テンソルやNMSによる後処理に強く依存している場合、移行には多少の調整が必要になることがあります。
• 学術研究のベースライン: 古いアーキテクチャを比較する学術的なコンピュータービジョン研究では、YOLOv8は今も引用数が多く、安定したベースラインとして使われています。

結論として、YOLOv8はリアルタイムビジョンタスクの強固な基準を確立し、YOLO26はその成果をさらに発展させています。CPU効率の大幅な向上、NMSフリーのデプロイ、大規模言語モデルに着想を得たトレーニング最適化により、幅広いハードウェアで高精度なモデルを実用的にデプロイできます。