YOLOv9とYOLOv8
リアルタイムコンピュータービジョンはここ数年で急速に進化し、新しいモデルが登場するたびに、エッジデバイスとクラウドサーバーの双方で可能なことが広がっています。新しいYOLOv9アーキテクチャと、広く利用されているUltralytics YOLOv8を比較する際、開発者は新たな勾配経路の研究と、実績のある本番環境対応のエコシステムのどちらを選ぶか検討することがよくあります。
このガイドでは、2つのモデルのアーキテクチャ上の革新、性能指標、理想的なデプロイシナリオを分析し、次の人工知能プロジェクトに適したモデルを選べるよう比較します。
技術仕様と開発者#
これらのモデルの系譜を理解すると、それぞれの設計上の選択を把握するための重要な背景情報が得られます。
YOLOv9 台湾の中央研究院情報科学研究所に所属するChien-Yao Wang氏とHong-Yuan Mark Liao氏が開発したYOLOv9は、2024年2月21日にリリースされました。中核となる研究テーマは、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の解消です。arXivでYOLOv9の原著論文を確認するか、YOLOv9公式GitHubリポジトリでソースコードをご覧いただけます。
Ultralytics YOLOv8 UltralyticsのGlenn Jocher氏、Ayush Chaurasia氏、Jing Qiu氏によって開発されたYOLOv8は、2023年1月10日にリリースされました。幅広いビジョンタスクに対応する統合APIを提供し、汎用性の高い業界標準として確立されました。ソースコードはUltralyticsのGitHubメインリポジトリで管理されており、継続的な更新と長期的な安定性が確保されています。
アーキテクチャの革新#
YOLOv9:プログラム可能な勾配情報#
YOLOv9の特徴は、Programmable Gradient Information(PGI)とGeneralized Efficient Layer Aggregation Network(GELAN)の導入です。畳み込みニューラルネットワークが深くなるにつれて、フィードフォワード処理中に重要な特徴情報が失われることが一般的です。PGIは、重みの更新に使用する正確な勾配を保持することで、この情報ボトルネックに対処し、信頼性の高い特徴抽出を支援します。このアーキテクチャはパラメーター効率を最大化し、YOLOv9が少ない浮動小数点演算(FLOPs)で高い精度を達成できるようにします。
YOLOv8:汎用性に優れた主力モデル#
YOLOv8は、効率化されたアンカーフリー検出機構を導入し、バウンディングボックスの予測数を削減するとともに、後処理時のNon-Maximum Suppression(NMS)を高速化します。C2fモジュール(2つの畳み込みを用いるCross-Stage Partialボトルネック)は、従来モデルと比べてネットワーク全体の勾配フローを改善します。さらに重要なのは、YOLOv8が汎用性を重視して設計され、物体検出、インスタンスセグメンテーション、画像分類、姿勢推定、回転バウンディングボックス(OBB)の抽出を標準でネイティブサポートしていることです。
YOLOv9は優れた検出性能を示しますが、複雑なパイプラインにネイティブ統合するのは難しい場合があります。Ultralyticsフレームワークを通じてYOLOv9を使用すれば、この課題を解消し、Ultralyticsのエクスポートおよびデプロイツールを利用できます。
性能バランスとベンチマーク#
ビジョンモデルをデプロイする際、速度と精度のトレードオフは最も重要な要素です。以下では、標準のCOCOデータセットで評価したモデルサイズ、レイテンシ、平均適合率(mAP)を詳しく比較します。
| 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) |
|---|---|---|---|---|---|---|
| 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 |
| 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 |
指標を見ると、YOLOv9はパラメーター数に対する精度の比率に優れており、各サイズでYOLOv8より高いmAPを示しています。YOLOv9cはわずか2,550万個のパラメーターでmAP 53.0%を達成します。一方、ほとんどのサイズでGPU上の速度はYOLOv8が上回り、YOLOv8nはNVIDIA TensorRT環境で1.47 msで動作します。
Ultralyticsエコシステムの利点#
アーキテクチャを選ぶ際の重要な検討事項は、使いやすさと周辺のソフトウェアエコシステムです。依存関係の管理、カスタムデータローダーの作成、複雑なエクスポートスクリプトの処理は、開発を停滞させることがあります。Ultralyticsの統合エコシステムが、こうした複雑な処理を担います。
YOLOv8とYOLOv9(どちらもUltralyticsライブラリで完全にサポートされています)のいずれを選んでも、統合API、自動データ拡張手法、効率化されたONNX形式へのエクスポートを利用できます。また、Ultralyticsのアーキテクチャは効率的にトレーニングでき、大規模なTransformerベースのモデルで一般的なCUDAメモリの大量消費を回避します。
トレーニングコードの例#
Python APIを使ったどちらのモデルのトレーニングも簡単で、数行のコードだけで実行できます。
from ultralytics import YOLO
# 優先するモデルを読み込みます(必要に応じて「yolov9c.pt」を「yolov8n.pt」に置き換えてください)
model = YOLO("yolov8n.pt")
# カスタム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)
# モデルの性能指標を検証します
metrics = model.val()
# 本番環境へのデプロイ用に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#
YOLOv9とYOLOv8のどちらを選ぶかは、プロジェクト固有の要件、デプロイメントの制約、エコシステムの好みによって異なります。
YOLOv9を選ぶ場合#
YOLOv9が適している用途:
- 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。
YOLOv8を選ぶ場合#
YOLOv8は、次のような場合におすすめです。
- 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。
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-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の登場#
YOLOv8とYOLOv9はいずれも高性能ですが、コンピュータービジョンの分野は急速に進化しています。最新のデプロイには、2026年1月にリリースされたUltralytics YOLO26を推奨します。
YOLO26は、物体検出器の本番環境での動作を一新します。ネイティブのエンドツーエンドNMSフリー設計(nms=Falseでオプションとして利用可能)を採用し、NMS後処理のレイテンシと変動を排除します。エッジや低消費電力のハードウェアをより適切にサポートするため、YOLO26ではDFLの削除(Distribution Focal Loss)を行い、モバイル向けのエクスポートを簡素化しています。
トレーニングには、SGDとMuonを組み合わせ、LLMに着想を得たトレーニングの安定性をビジョンタスクにもたらすMuSGDオプティマイザーを使用し、収束を高速化します。CPU推論が最大43%高速(YOLO26nとYOLO11nの比較)であり、小さな物体の検出精度を向上させるProgLoss + STAL(Progressive Loss and Small-Target-Aware Label Assignment)も備えているため、YOLO26は新規のエンタープライズプロジェクトに推奨されます。
ハードウェアの制約に応じて、汎用タスクでバランスの取れた性能を発揮するUltralytics YOLO11との比較や、専門的な高忠実度研究向けのRT-DETRのようなTransformerベースのモデルもご検討ください。
実世界でのアプリケーションとユースケース#
YOLOv8とYOLOv9のどちらを選ぶかは、主にプロジェクトの制約と対象ハードウェアによって決まります。
- ヘルスケアと医療画像: 腫瘍検出システムのように、すべてのピクセルが重要となる場面では、YOLOv9のGELANアーキテクチャが細部の保持を支援し、重大な診断における偽陰性を減らせる可能性があります。
- 小売と在庫分析:商品が密集した棚を追跡するスマートスーパーマーケットシステムでは、YOLOv9が必要なmAPを実現し、重なり合う商品を確実に区別できます。
- スマートシティと交通監視: 変化の速い物流・交通管理では、YOLOv8の低レイテンシと実証済みの堅牢性により、複数のカメラ映像を同時にまたいだ車両追跡に適しています。
- エッジへのデプロイ: Raspberry Piやモバイルハードウェアのような制約のあるデバイスにデプロイする場合、YOLOv8の効率的なC2fブロック(およびYOLO26のCPU最適化)により、よりスムーズでバッテリーに優しい推論パイプラインを実現できます。
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。
finfindara(編集済み)
Great comparison! YOLOv9 introduces notable improvements in detection accuracy and model optimization, particularly for smaller and densely packed objects. However, this YOLOv8 comparison shows that v8 still delivers a strong balance of speed, flexibility, and ease of deployment — making it a solid choice for many real-time applications. Both models have their strengths depending on the specific use case.