YOLOv8とYOLOv10
リアルタイム物体検出は急速に進化しています。開発者や研究者が、効率と精度に優れたコンピュータービジョンモデルをパイプラインに統合しようとする中、主要なアーキテクチャの比較が欠かせません。このガイドでは、Ultralytics YOLOv8とYOLOv10を比較し、アーキテクチャの違い、性能指標、最適なデプロイシナリオを解説して、次のAIプロジェクトに向けた適切な判断を支援します。
モデル概要:YOLOv8#
YOLO系列の大きな進歩として登場したYOLOv8は、統一された汎用フレームワークの新たな基準を確立しました。標準的なバウンディングボックスを超える多くのタスクに対応するよう一から設計されており、最新のコンピュータービジョンに柔軟に活用できます。
YOLOv8の詳細:
- 著者: Glenn Jocher、Ayush Chaurasia、Jing Qiu
- 組織: Ultralytics
- 日付: 2023-01-10
- GitHub: https://github.com/ultralytics/ultralytics
- ドキュメント: https://docs.ultralytics.com/models/yolov8
アーキテクチャと強み#
YOLOv8では、アンカーフリー検出ヘッドと刷新されたCSPDarknetバックボーンが導入され、精度と推論レイテンシーが大幅に改善されました。アンカーボックスを取り除くことでボックス予測数が減少し、後処理における非極大値抑制(NMS)が高速化されます。
YOLOv8を選ぶ際の際立った利点の一つは、その汎用性です。物体検出のみに特化したモデルが多い一方、YOLOv8はインスタンスセグメンテーション、画像分類、姿勢推定、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。そのため、複数種類の視覚理解を同時に必要とする多段階パイプラインに適しています。また、トレーニング時に必要なメモリは、RT-DETRのようなTransformerベースのアーキテクチャよりも少ないため、研究者は一般的なコンシューマー向けGPUで大規模モデルをトレーニングできます。
モデル概要:YOLOv10#
清華大学の研究者によって開発されたYOLOv10は、YOLOファミリーにおける長年のボトルネックの1つ、すなわちNMSによる後処理への依存に取り組むことを目指しました。
YOLOv10の詳細:
- 著者: Ao Wang、Hui Chen、Lihao Liuほか
- 組織: 清華大学
- 日付: 2024-05-23
- arXiv: https://arxiv.org/abs/2405.14458
- GitHub: https://github.com/THU-MIG/yolov10
- ドキュメント: https://docs.ultralytics.com/models/yolov10
アーキテクチャと強み#
YOLOv10の主要な革新は、一貫性のあるデュアル割り当て戦略です。これにより、NMSフリーのトレーニングとエンドツーエンドのデプロイが可能になります。NMS処理をなくすことで、特に後処理の計算コストが高くなりやすいエッジデバイスで、推論レイテンシーが低減します。
さらにYOLOv10では、効率と精度の両立を目指す包括的なモデル設計を採用し、各レイヤーの計算オーバーヘッドを綿密に調整しています。その結果、パラメーター数とFLOPsを抑えながら、競争力のある平均適合率(mAP)を達成しています。純粋な検出タスクで最小限のレイテンシーが求められるユースケースに適した選択肢です。
パフォーマンスと指標の比較#
これら2つのアーキテクチャを比較する際は、パラメーター数、FLOPs、精度のトレードオフを確認することが重要です。以下に、COCOデータセットでの性能指標を正確に比較した結果を示します。
| モデル | サイズ (ピクセル) | mAPval50-95 | 速度 CPU ONNX (ms) | 速度 T4 TensorRT10 (ms) | パラメーター (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv8n | 640 | 37.3 | 80.4 | 1.47 | 3.2 | 8.7 |
| YOLOv8s | 640 | 44.9 | 128.4 | 2.66 | 11.2 | 28.6 |
| YOLOv8m | 640 | 50.2 | 234.7 | 5.86 | 25.9 | 78.9 |
| YOLOv8l | 640 | 52.9 | 375.2 | 9.06 | 43.7 | 165.1 |
| YOLOv8x | 640 | 53.9 | 479.1 | 14.37 | 68.2 | 257.8 |
| YOLOv10n | 640 | 38.5 | - | 1.84 | 2.3 | 6.7 |
| YOLOv10s | 640 | 46.3 | - | 2.49 | 7.2 | 21.6 |
| YOLOv10m | 640 | 51.1 | - | 4.74 | 15.4 | 59.1 |
| YOLOv10b | 640 | 52.5 | - | 5.74 | 19.1 | 92.0 |
| YOLOv10l | 640 | 53.2 | - | 7.28 | 24.4 | 120.3 |
| YOLOv10x | 640 | 54.4 | - | 10.70 | 29.5 | 160.4 |
この表では、YOLOv10はすべてのスケールでYOLOv8より少ないパラメーター数で高いmAPを達成しています。一方でYOLOv8は、より成熟したエコシステムと幅広いタスクへの対応を備えているため、バウンディングボックス以外の機能も必要とされる本番環境では、一般的により信頼性の高い選択肢です。
エコシステムとトレーニング手法#
最新のMLワークフローで差別化につながるのは、多くの場合、アーキテクチャを取り巻くエコシステムです。YOLOv8のようなUltralyticsモデルを選ぶと、使いやすさと一貫した開発者体験が得られます。
使いやすいPython SDKを使えば、開発者はトレーニング、検証、デプロイを最小限の手間で実行できます。Ultralyticsエコシステムは活発に保守されており、頻繁なアップデート、ハイパーパラメーター調整に関する充実したドキュメント、DiscordやGitHubなどのプラットフォームでの手厚いコミュニティサポートを提供しています。
コード例:簡単なトレーニング#
Ultralytics Python APIを使うと、どちらのモデルも簡単に初期化、トレーニング、検証できます。基盤となるアーキテクチャに関係なく、同じワークフローを適用できる点に注目してください。
from ultralytics import YOLO
# Load a pretrained YOLOv8 model
model = YOLO("yolov8n.pt")
# Train the model efficiently with automated learning rate scheduling
results = model.train(
data="coco8.yaml",
epochs=100,
imgsz=640,
device=0, # optimized CUDA memory usage
batch=16,
)
# Validate the model to check mAP metrics
metrics = model.val()
print(f"Validation mAP: {metrics.box.map}")
# Export to ONNX for edge deployment
model.export(format="onnx")ユースケースと推奨事項#
YOLOv8とYOLOv10のどちらを選ぶかは、プロジェクト固有の要件、デプロイ上の制約、エコシステムに関する好みによって決まります。
YOLOv8を選ぶ場合#
YOLOv8は、次のような場合に適しています。
- Versatile Multi-Task Deployment: Ultralyticsエコシステム内で、検出、セグメンテーション、分類、姿勢推定に対応する実績あるモデルが必要なプロジェクトに適しています。
- 確立済みの本番システム: 安定性と十分なテストが確認されたデプロイパイプラインを備え、すでにYOLOv8アーキテクチャを基盤として構築されている本番環境。
- 広範なコミュニティとエコシステムのサポート: YOLOv8の豊富なチュートリアル、サードパーティ製ツールとの統合、活発なコミュニティリソースを活用できるアプリケーション。
YOLOv10を選ぶ場合#
YOLOv10は、次のような用途に推奨されます。
- NMSを使用しないリアルタイム検出: 非最大抑制を使用しないエンドツーエンド検出によって、デプロイを簡素化できるアプリケーション。
- 速度と精度のバランス: さまざまなモデルスケールで、推論速度と検出精度の優れたバランスが必要なプロジェクト。
- レイテンシーが安定している必要のあるアプリケーション: ロボティクスや自律システムなど、予測可能な推論時間が重要なデプロイシナリオ。
Ultralytics (YOLO26)を選ぶ場合#
多くの新規プロジェクトにおいて、Ultralytics YOLO26はパフォーマンスと開発者体験を最適なバランスで提供します。
- NMSを使用しないエッジデプロイ: 非最大抑制の後処理を複雑化させずに、安定した低レイテンシー推論を必要とするアプリケーション。
- CPUのみの環境: 専用GPUアクセラレーションのないデバイスでは、YOLO26nのCPU推論がYOLO11nより最大43%高速であることが大きな強みになります。
- 小物体検出: ドローンによる空撮画像やIoTセンサー分析などの難しいシナリオでは、ProgLossとSTALが小さな物体の精度を向上させます。
未来:YOLO26へのステップアップ#
YOLOv8は汎用性の高い万能モデルであり、YOLOv10はNMSフリーアーキテクチャに関する有益な知見をもたらしますが、この分野はさらに進歩しています。速度、精度、デプロイの簡便さを最もバランスよく備えたモデルとして、Ultralyticsは新規プロジェクトにYOLO26を推奨します。
2026年1月にリリースされたYOLO26は、先行モデルの強みを引き継ぎながら、いくつかの新機能を組み合わせています。
- エンドツーエンドのNMSフリーデザイン: YOLOモデルにYOLOv10が導入したNMSフリートレーニングを基盤に、YOLO26はオプションのNMSフリー推論(
nms=False)を提供し、より高速でシンプルなデプロイを実現します。 - DFLの削除: 分布フォーカルロスを取り除くことで、モデルをCoreMLやエッジデバイスにスムーズにエクスポートできます。
- MuSGDオプティマイザー: 大規模言語モデル(LLM)のトレーニングに着想を得たSGDとMuonのハイブリッドにより、収束が速まり、より安定したトレーニングが可能になります。
- CPU推論の高速化: YOLO26nはYOLO11nよりもCPU推論が最大43%高速で、Raspberry PiやIoTアプリケーションに適しています。
- ProgLoss + STAL: 段階的損失と小物体対応ラベル割り当て(STAL)により、航空画像やロボティクスで重要な小物体検出が改善されます。
現在モデルを評価中の場合、YOLO26の直接の先行モデルであり、エンタープライズソリューションで広く使われている本番環境対応モデルのYOLO11も検討できます。ただし、新規プロジェクトでは、ビジョンAIのアノテーション、トレーニング、デプロイを行うためにUltralytics PlatformとYOLO26を利用する方法を推奨します。
コメント
質問したり、結果を共有したり、ほかの人をサポートしたりできます。