YOLOv8 vs YOLO26#
コンピュータビジョンの分野は、ここ数年で著しい進歩を遂げました。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と最新の最先端モデルであるUltralytics YOLO26の間の詳細な技術的比較を提供します。デプロイメントに適したモデルを選択できるよう、そのアーキテクチャ、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ます。
モデルの概要#
YOLOv8とYOLO26の両方は、YOLO family of modelsにおける重要なマイルストーンを表しています。これらは、高速で高精度、そして統一されたPython environmentとAPIを通じて信じられないほど使いやすいモデルを提供するという、Ultralyticsの中核的な哲学を共有しています。
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
- Docs: YOLOv8 Documentation
YOLOv8は、優れたパフォーマンスのバランスとUltralytics ecosystemへの深い統合により、すぐに業界標準となりました。object detection、instance segmentation、pose estimation、およびimage classificationをネイティブでサポートしています。しかし、後処理に標準的なNon-Maximum Suppression (NMS)に依存しているため、制約の厳しいエッジ環境ではレイテンシーのボトルネックを引き起こす可能性があります。
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 ドキュメント
YOLO26は、パラダイムシフトをもたらすいくつかの技術的改良を導入しています。最も特筆すべきは、End-to-End NMS-Free Designを備えていることです。YOLOv10によって最初に開拓されたこのアーキテクチャは、NMS後処理の必要性をなくし、エクスポートパイプラインを大幅に簡素化してレイテンシーのばらつきを減らします。さらに、Distribution Focal Loss (DFL)の排除により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ものとなっています。
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。
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モデルの代名詞であり、RT-DETRのようなかさばるトランスフォーマーベースのアーキテクチャと比較して、通常ははるかに低いメモリ要件を誇ります。YOLO26では、MuSGD Optimizerの導入によりこれがさらに強化されています。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）にインスピレーションを得た、Stochastic Gradient Descent (SGD)とMuonのこのハイブリッドにより、より高速な収束と、複雑なデータセット全体での非常に安定したトレーニングダイナミクスが保証されます。
高度な損失関数#
drone imagery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を導入しています。これらの改良された損失関数は、小物体認識において顕著な向上をもたらします。さらに、YOLO26はあらゆる面でタスク固有の改良をもたらしています。セグメンテーションでの優れたマスク生成のためのマルチスケールプロト、より精密なポーズ推定のためのResidual Log-Likelihood Estimation (RLE)、およびOriented Bounding Box (OBB)検出における境界の問題を解決するための特殊な角度損失です。
パフォーマンス分析と比較#
次の表は、COCO datasetを使用した2つのモデルのパフォーマンスの違いを示しています。各サイズカテゴリで最もパフォーマンスの高い値が太字で強調表示されています。
| 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。
最も目覚ましい改善の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の限られたエッジデバイスで比類のないものとなります。TensorRTを使用したGPU速度は両方のモデルで競合していますが、YOLO26全体のパラメータ効率は、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つながります。
使いやすさとエコシステム#
両方のモデルは、よくメンテナンスされたUltralytics ecosystemの恩恵を大いに受けています。開発者は、モデル名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る、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います。
hyperparameter tuningの実行、experiment trackingの実施、または新しいdatasetsの探索のいずれを行っても、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は、これらのモデルに注釈を付け、トレーニングし、クラウドまたはローカルにシームレスにデプロイするための効率的な方法を提供します。
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")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。
- **新しいプロジェクト：**最新の安定リリースとして、YOLO26はあらゆるタスクで優れた汎用性を提供する、新しいmachine learningパイプラインに推奨されるモデルです。
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。