はじめる

YOLOv8 vs YOLOv6-3.0

リアルタイムコンピュータービジョンの状況は常に進化しており、より高速で、より正確で、より汎用性の高いモデルへの需要がその原動力となっています。2023年初頭に登場した最も著名なアーキテクチャとして、Ultralytics YOLOv8とMeituanのYOLOv6-3.0があります。どちらのモデルも優れたリアルタイム性能を発揮しますが、開発方針やデプロイシナリオはそれぞれ異なります。

このガイドでは、両者のアーキテクチャ、性能指標、最適なユースケースを分析し、機械学習エンジニアや研究者が次の物体検出プロジェクトに適したツールを選べるよう解説します。

モデルの系譜と詳細#

技術的な詳細を比較する前に、両モデルの由来と基本仕様を理解することが重要です。どちらも人気のあるPyTorchフレームワークを基盤としていますが、エコシステムとの統合状況には大きな違いがあります。

YOLOv8の詳細#

Ultralytics YOLOv8アーキテクチャは、開発者体験と汎用性を重視して一から設計された、統合型のマルチタスクフレームワークです。これまでのバージョンで積み重ねられた長年の研究とコミュニティからのフィードバックを基盤としています。

YOLOv6-3.0の詳細#

Meituanで産業用途向けに初めて発表されたYOLOv6は、バージョン3.0で「Full-Scale Reloading」と呼ばれる大幅なアップデートを受けました。主に産業環境での最適化されたデプロイを対象とし、自己蒸留やRepOptimizerなどの手法を採用しています。

YOLOv6-3.0の詳細はこちら

管理を効率化

Ultralytics Platformを使うと、データセット、トレーニングセッション、モデルのデプロイをより簡単に管理できます。通常のMLOpsワークフローで必要となる定型コードを最小限に抑える、エンドツーエンドのインターフェースを提供します。

アーキテクチャとトレーニング手法#

Ultralytics YOLOv8のアーキテクチャ#

YOLOv8では、改良されたアンカーフリー検出ヘッドが導入されました。事前定義されたアンカーボックスを取り除くことで、さまざまなデータセットに対する汎化性能が向上し、後処理のヒューリスティクスも削減されます。また、クラウドサーバーからリソースの限られたエッジデバイスまで、多様な実環境のデプロイシナリオに適した速度と精度のトレードオフを実現します。

YOLOv8のもう1つの利点は、メモリ使用量が少ないことです。トレーニング中、Ultralyticsのモデルは通常、RT-DETRのような大規模なTransformerベースのモデルよりもCUDAメモリの使用量が少ないため、開発者は一般的なコンシューマー向けGPUでバッチサイズを大きくし、効率的にトレーニングできます。

YOLOv6-3.0のアーキテクチャ#

YOLOv6-3.0は、双方向連結(BiC)モジュールとアンカー支援トレーニング(AAT)戦略を採用しています。小型モデル(NおよびS)にはEfficientRep Backboneを使用し、大型モデル(MおよびL)ではCSPStackRep Backboneを採用しています。このアーキテクチャはNVIDIA TensorRTでの実行に重点を置いて最適化されているため、対応ハードウェアにデプロイすると非常に高速です。ただし、特定のハードウェア最適化に強く依存しているため、Ultralyticsで標準的に利用できる柔軟なONNXエクスポートワークフローと比べると、クロスプラットフォームのデプロイがやや制約される場合があります。

パフォーマンス比較#

COCO検証データセットで評価すると、どちらのモデルも優れた性能を発揮します。以下の表に主要な指標を示します。

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)
YOLOv8n64037.380.41.473.28.7
YOLOv8s64044.9128.42.6611.228.6
YOLOv8m64050.2234.75.8625.978.9
YOLOv8l64052.9375.29.0643.7165.1
YOLOv8x64053.9479.114.3768.2257.8
YOLOv6-3.0n64037.5-1.174.711.4
YOLOv6-3.0s64045.0-2.6618.545.3
YOLOv6-3.0m64050.0-5.2834.985.8
YOLOv6-3.0l64052.8-8.9559.6150.7

YOLOv6-3.0はほとんどのモデルサイズでT4 TensorRT上でわずかに高速で、mAPもYOLOv8とほぼ同等です。一方、YOLOv8はすべてのサイズでパラメーター数が少なく、n、s、mサイズではFLOPsも少ないため、モバイルや組み込みCPUを含む多様なハードウェアに柔軟に対応できます。

エコシステムと汎用性#

両モデルの最大の違いは、エコシステムのサポートにあります。

YOLOv6は主にバウンディングボックス検出エンジンです。一方、YOLOv8は汎用性の高さで知られています。YOLOv8は、単一の統合フレームワーク内で、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)検出を標準でサポートします。

Ultralyticsエコシステムは、使いやすさも重視して設計されています。シンプルなPython APIを使えば、研究者は複雑な定型コードを書くことなく、トレーニングを開始し、結果を検証し、多数の形式にモデルをエクスポートできます。エコシステムは活発に保守されており、人気のある実験トラッキングツールとの統合やアップデートも頻繁に行われています。

コード例:YOLOv8のトレーニング#

YOLOv8モデルのトレーニングは最小限のセットアップで済み、フレームワークの使いやすい設計が活かされています。

from ultralytics import YOLO

# 事前学習済みのYOLOv8 smallモデルを読み込みます
model = YOLO("yolov8s.pt")

# COCO8データセットでモデルをトレーニングします
results = model.train(
    data="coco8.yaml",
    epochs=100,
    imgsz=640,
    device=0,  # 効率的なトレーニングにはGPUを使用します
    batch=32,
)

# クロスプラットフォームのデプロイに向けて、簡単にONNXへエクスポートします
model.export(format="onnx")

ユースケースと推奨事項#

YOLOv8とYOLOv6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優先事項によって異なります。

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。

YOLOv6を選ぶ場合#

YOLOv6は、次のような場合に推奨されます。

  • 産業用ハードウェアを考慮したデプロイ: モデルのハードウェアを考慮した設計と効率的な再パラメーター化によって、特定のターゲットハードウェア上で最適な性能が得られるシナリオです。
  • 高速な1ステージ検出: 制御された環境でのリアルタイム動画処理において、GPU上での生の推論速度を重視するアプリケーションです。
  • Meituanエコシステムとの統合: すでにMeituanの技術スタックとデプロイインフラストラクチャを利用しているチームです。

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フリーのエッジデプロイ: Non-Maximum Suppression(NMS)の後処理を複雑にすることなく、安定した低レイテンシ推論を必要とするアプリケーション。
  • CPU-Only Environments: 専用GPUアクセラレーションを備えていないデバイスでは、YOLO26の最大43%高速なCPU推論(YOLO26n対YOLO11n)が大きな優位性をもたらします。
  • 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。

今後の展望:YOLO26へのアップグレード#

YOLOv8とYOLOv6-3.0はいずれも優れた選択肢ですが、新しいプロジェクトに取り組む開発者は、次世代モデルのUltralytics YOLO26も検討してください。2026年1月にリリースされたYOLO26は、エッジファーストのビジョンAI向けに設計されています。

YOLO26では、任意で有効にできるエンドツーエンドのNMSフリーデザイン(nms=False)が導入されており、後処理でのNon-Maximum Suppressionが不要になります。このネイティブなエンドツーエンド方式により、特にエッジ環境でのデプロイロジックがより高速かつシンプルになります。DFLの削除(Distribution Focal Loss)によってモデルヘッドも軽量化され、YOLO26nはYOLO11nよりCPU推論が最大43%高速です。

MuSGD Optimizerは、LLMのトレーニング手法に着想を得たSGDとMuonのハイブリッドであり、トレーニングの安定性と収束速度も向上させます。ProgLoss + STAL(Progressive LossとSmall-Target-Aware Label Assignment)は、小さな物体の検出性能を高めます。これは、ドローン画像や密集した産業検査で重要です。

検討すべきその他のモデル

用途に応じた制約に合わせて、実績のある既存ワークフローにはYOLO11、大規模な再トレーニングを必要としないゼロショットのオープン語彙検出にはYOLO-Worldも検討できます。

結論#

最終的にYOLOv8とYOLOv6-3.0のどちらを選ぶかは、デプロイパイプラインで何を優先するかによって決まります。YOLOv6-3.0は、生のGPU速度を最優先する厳格なTensorRT環境に適したモデルです。ただし、多くのチームにとってはUltralytics YOLOv8のほうが実用的な選択肢です。トレーニング時のメモリ要件が低く、マルチタスクに対応し、Ultralytics Platformエコシステムを利用できるため、市場投入までの時間を短縮できます。

新しいプロジェクトでは、YOLO26がNMSフリー推論と高速なCPU性能を提供し、最新のコンピュータービジョンアプリケーションに対応します。

コントリビューター

コメント1

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。

  1. colourpalettes3423GitHub(編集済み)

    Excellent technical comparison! YOLOv6-3.0 brings some strong improvements in training efficiency and deployment optimization, especially with its industrial-grade performance focus. However, this YOLOv8 comparison highlights how v8 stands out with its modular design, multitask capabilities, and user-friendly pipeline. It's clear that both models cater to different priorities — YOLOv6 for pure speed and production use, while YOLOv8 focuses on flexibility and modern architecture.