YOLOv8とYOLOv9
リアルタイム物体検出の進化は、精度の向上、レイテンシの低減、ハードウェア活用の改善を絶えず追求してきた歴史でもあります。この進化における2つの大きな節目が、Ultralytics YOLOv8とYOLOv9です。どちらのモデルもコンピュータービジョンの最先端技術を体現していますが、想定するデプロイ要件、アーキテクチャの設計思想、開発者エコシステムは異なります。
このガイドでは、技術的な違い、アーキテクチャの革新、実用的なデプロイ上の考慮事項を詳しく解説し、次の人工知能プロジェクトに適したモデル選びを支援します。
モデルの系譜と中核となる設計思想#
指標を見る前に、各モデルの開発経緯と主な設計目標を理解しておくと役立ちます。
Ultralytics YOLOv8:汎用性の高いエコシステム標準#
UltralyticsチームがリリースしたYOLOv8は、単独の物体検出器ではなく、統一されたマルチタスクフレームワークとして設計されました。スムーズな開発者体験、少ないメモリ要件、幅広いハードウェアとの互換性を重視しています。
- 著者: Glenn Jocher、Ayush Chaurasia、Jing Qiu
- 組織: Ultralytics
- 日付: 2023-01-10
- GitHub: ultralytics/ultralytics
- ドキュメント: YOLOv8ドキュメント
YOLOv9:プログラム可能な勾配情報#
Academia Sinicaの研究者が独自に開発したYOLOv9は、アーキテクチャ理論に重点を置き、特にディープニューラルネットワークにおける情報ボトルネック現象に取り組んでいます。
- 著者: Chien-Yao Wang、Hong-Yuan Mark Liao
- 所属機関: 台湾、中央研究院情報科学研究所
- 日付: 2024-02-21
- arXiv: 2402.13616
- GitHub: WongKinYiu/yolov9
大規模な商用デプロイを計画している場合は、クラウドトレーニング、データセット管理、専用APIエンドポイントを簡素化できるUltralytics Platformをご検討ください。
アーキテクチャの詳細#
ディープラーニングのアーキテクチャの選択は、モデルの学習効率や、NVIDIA JetsonやIntel CPUなどのターゲットハードウェア上での実行速度を左右します。
YOLOv8のアーキテクチャ:C2fとデカップルドヘッド#
YOLOv8ではC2fモジュール(2つの畳み込み層を持つCross-Stage Partialボトルネック)が導入され、従来のC3モジュールに置き換わりました。この変更により、勾配の流れが改善され、GPUメモリへの負荷を大幅に増やすことなく、ネットワークがより豊かな特徴表現を学習できるようになります。
YOLOv8はアンカーフリー設計と分離型ヘッドも採用しています。分類と回帰を別々の経路で処理することで、トレーニング中の収束が速まり、多様なカスタムデータセットへの汎化性能が向上します。
YOLOv9のアーキテクチャ:PGIとGELAN#
YOLOv9では、プログラマブル勾配情報(PGI)と汎用効率的レイヤー集約ネットワーク(GELAN)が導入されています。PGIは、ネットワークのレイヤーを通過する際に重要なデータが失われないようにし、重みの更新に信頼性の高い勾配を提供します。GELANはパラメーター効率を最大化し、FLOPsを抑えながら高い精度を実現します。
ただし、YOLOv9の補助的な可逆ブランチはトレーニング時のみ使用されますが、標準的なパイプラインと比べてトレーニングコードのカスタマイズを複雑にする可能性があります。
パフォーマンス指標とベンチマーク#
以下の表では、異なるサイズのモデルを直接比較しています。パフォーマンスは、物体検出の標準ベンチマークであるMS COCOデータセットで測定しています。
| 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 |
| YOLOv9t | 640 | 38.3 | - | 2.3 | 2.0 | 7.7 |
| YOLOv9s | 640 | 46.8 | - | 3.54 | 7.2 | 26.7 |
| YOLOv9m | 640 | 51.4 | - | 6.43 | 20.1 | 76.8 |
| YOLOv9c | 640 | 53.0 | - | 7.16 | 25.5 | 102.8 |
| YOLOv9e | 640 | 55.6 | - | 16.77 | 58.1 | 192.5 |
注:各列の最良値は太字で示しています。
トレードオフの分析#
YOLOv9は同等の各サイズでより高い精度(mAP)を達成し、各サイズでパラメーター数も少なくなっています。一方、GPUの推論速度ではUltralytics YOLOv8のほうが高速です。たとえば、TensorRTでコンパイルした場合、YOLOv8nは1.47 ms、YOLOv9tは2.3 msです。また、ONNXなどの形式にも簡単にエクスポートできます。Raspberry Piや旧世代のモバイルチップなど、リソースが限られたエッジハードウェアで高いフレームレート(FPS)が必要なアプリケーションでは、YOLOv8のnとsの各バリエーションが、実用的な性能バランスを提供します。
トレーニング効率とエコシステム統合#
モデル選びでは精度の表を見るだけでなく、開発者体験も同じくらい重要です。
Ultralyticsの強み:使いやすさ#
YOLOv9のトレーニングでは、複雑なGitHubリポジトリをクローンし、PyTorch環境を慎重に管理して、補助損失の重みを手動で設定しなければならないことがよくあります。
一方、Ultralytics YOLOv8は、効率化されたPython APIを利用できます。使いやすさを重視して設計されており、データ拡張、Weights & BiasesやComet MLなどのツールへのログ記録、マルチGPUトレーニングをネイティブに処理します。
from ultralytics import YOLO
# 事前トレーニング済みのYOLOv8 smallモデルを読み込みます
model = YOLO("yolov8s.pt")
# カスタムデータでモデルを効率よくトレーニングします
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# エッジデプロイ用にエクスポートします
model.export(format="engine", quantize=16) # TensorRTへのエクスポートこの単一のAPIにより、プロトタイプから本番環境までにかかる時間を短縮できます。さらにYOLOv8は、一般にトレーニング時に必要なCUDAメモリが少ないため、開発者はコンシューマー向けハードウェアでより大きなバッチサイズを使用できます。
タスクへの対応力#
YOLOv9は優れたバウンディングボックス検出器ですが、実環境でのビジョンAIにはそれ以上の機能が必要になることがよくあります。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。複数のタスクに単一のフレームワークを使うことで、ソフトウェアの複雑さと保守の負担を軽減できます。
新しいプロジェクトを始める場合は、現在推奨されているモデルであり、オプションでエンドツーエンドのNMSフリー推論に対応するUltralytics YOLO11やYOLO26も評価するとよいでしょう。
実際のユースケース#
これらのモデルは本番環境でどのような性能を発揮するのでしょうか?
自律型ドローンとロボティクス#
障害物を迅速に回避する必要があるロボティクスには、YOLOv8が適しています。YOLOv8nの低レイテンシーにより、自律システムは周囲の環境にリアルタイムで反応し、衝突を回避できます。OpenVINOとCoreMLにネイティブにエクスポートできるため、商用ドローンで一般的な低消費電力チップへのデプロイも容易です。
高解像度の欠陥検出#
微細な異常の検出が重要で、オフライン処理が可能な特殊な製造環境では、YOLOv9が効果を発揮する場合があります。PGIアーキテクチャにより、髪の毛ほどの亀裂やPCBのはんだ付け不良の特定に必要な、詳細な視覚情報をネットワークが保持しやすくなります。
スマートリテールとセキュリティ分析#
店舗内の通路を移動する顧客の追跡や、自動チェックアウトシステムの運用には、YOLOv8が最適なバランスを提供します。BoT-SORTなどの標準アルゴリズムを使って検出と複数物体追跡を同時に実行できるため、複数カメラを使った小売環境でも堅牢なソリューションになります。
ユースケースと推奨事項#
YOLOv8とYOLOv9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。
- 汎用的なマルチタスクデプロイ: 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。
YOLOv9を選ぶ場合#
YOLOv9は、次のような用途に推奨されます。
- 情報ボトルネックの研究: プログラム可能な勾配情報(PGI)や一般化効率的層集約ネットワーク(GELAN)のアーキテクチャを研究する学術プロジェクト。
- 勾配フロー最適化の研究: 学習中の深層ネットワーク層における情報損失の理解と抑制に焦点を当てた研究。
- 高精度検出のベンチマーク: アーキテクチャの比較において、YOLOv9の優れたCOCOベンチマーク性能を基準として必要とするシナリオ。
Ultralytics (YOLO26)を選ぶ場合#
ほとんどの新規プロジェクトでは、Ultralytics YOLO26が性能と開発者体験の最適な組み合わせを提供します。
- 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。
次世代への進化:YOLO26#
YOLOv8とYOLOv9は高機能なモデルですが、AIの分野は急速に変化しています。2026年1月にリリースされたYOLO26は、新規プロジェクトに向けて、これら前世代モデルの強みをさらに発展させています。
YOLO26では、オプションでエンドツーエンドのNMSフリー設計(nms=False)を利用できます。これによりNMSによる後処理をなくし、デプロイを簡素化し、レイテンシーを予測しやすくします。MuSGDオプティマイザー、ProgLoss + STAL(段階的損失と小物体対応ラベル割り当て)、およびDFLの削除(エクスポートを簡素化し、エッジ・低消費電力デバイスとの互換性を高めるために分布フォーカルロスを削除)により、小物体検出を改善しながら、YOLO26nはYOLO11nよりもCPU推論が最大43%高速です。エッジコンピューティングのプロジェクトでは、YOLO26を最初に検討するモデルとして推奨します。
要約すると、YOLOv9は有益なアーキテクチャ研究と優れた最高精度を提供しますが、信頼性の高いソフトウェアを迅速に提供したい多くのコンピュータービジョンエンジニアにとって、Ultralytics YOLOv8は実用的で、サポートが充実した汎用性の高い選択肢です。
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。