YOLOv8とYOLO26#

コンピュータービジョン分野は、ここ数年で目覚ましい進歩を遂げています。リアルタイム用途で最も広く使われている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を詳しく技術比較します。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べるよう支援します。

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。高速、高精度で非常に使いやすいモデルを、統一されたPython環境とAPIを通じて提供するという、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ー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のドキュメント

YOLOv8は、優れた性能バランスとUltralyticsのエコシステムとの深い統合により、急速に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、後処理には標準的な非最大抑制（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ーのボトルネックが生じる可能性があります。

YOLO26：次世代エッジAIの強力なモデル#

2026年1月にリリースされたYOLO26は、先行モデルの基盤を引き継ぎ、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徹底的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、パラダイムを大きく変える技術的な改良がいくつか導入されています。最も注目すべき点は、エンドツーエンドのNMSフリー設計です。最初にYOLOv10で導入されたこのアーキテクチャは、NMSによる後処理を不要にし、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、レイテンシーのばらつきを抑えます。さらに、Distribution Focal Loss（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ります。

アーキテクチャとトレーニングの革新#

YOLO26では、内部的な複数の進歩により、YOLOv8のベースラインが大幅に改善されています。

MuSGDによるトレーニングの最適化#

トレーニング効率の高さはUltralyticsモデルの特長であり、一般に大規模なTransformerベースのアーキテクチャであるRT-DETRと比べて、必要なメモリ量が大幅に少なくなっています。YOLO26では、MuSGDオプティマイザーの導入により、さらに効率が向上しています。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のハイブリッドにより、複雑なデータセットでも収束が速まり、トレーニングの動作が非常に安定します。

高度な損失関数#

ドローン画像やIoTセンサーなど、高精度が必要なタスク向けに、YOLO26ではProgLoss + STALが導入されています。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きく向上します。さらに、YOLO26ではタスクに応じた改良も幅広く施されています。セグメンテーションのマスク生成を改善するマルチスケールproto、より精細な姿勢推定を実現するResidual Log-Likelihood Estimation（RLE）、そしてOriented Bounding Box（OBB）検出の境界に関する問題を解決する専用の角度損失が導入されています。

性能分析と比較#

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ます。各サイズカテゴリで最も優れた値は太字で示しています。

指標を分析する#

データからは、世代を超えた大きな飛躍が見て取れます。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を大幅に上回る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。

特に顕著な改善の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経由でCPU推論を最大43%高速化します。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般的に高いため、トレーニング時と推論時の両方でメモリ使用量を抑えられます。

使いやすさとエコシステム#

両モデルは、適切に保守されているUltralyticsのエコシステムの恩恵を大いに受けています。開発者からは、統一された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調査など、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を使うと、これらのモデルに対するアノテーション、トレーニング、デプロイを簡単に行い、クラウドまたはローカル環境にスムーズに導入できます。

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。以下は、Ultralytics Python APIを使用した、実行可能な完全な例です。

from ultralytics import YOLO

# 最新の最先端YOLO26 Nanoモデルを読み込む
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デプロイ向けにONNXへシームレスにエクスポートします
export_path = model.export(format="onnx")

最適なユースケース#

適切なモデルを選ぶことが、プロジェクトの成功を左右します。

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速度が43%向上し、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です。
• 航空・衛星画像: ProgLoss + STALの実装により、YOLO26は複雑で高解像度の地形にある微小な物体の検出で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発揮します。

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優れた標準を確立しましたが、YOLO26は可能性の限界を塗り替えます。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で高精度なAIをデプロイできるようにします。