YOLOXとPP-YOLOE+の比較#

堅牢なコンピュータービジョンパイプラインを設計する際、適切な物体検出モデルの選択は重要な判断です。リアルタイム物体検出の分野では競争が激しく、多数のアーキテクチャが推論速度と検出精度の最適なバランスを目指しています。この技術比較では、代表的な2つのモデル、YOLOXとPP-YOLOE+を評価します。アーキテクチャ設計、トレーニング手法、性能指標を検証し、開発者や研究者がデプロイ環境に適したツールを選べるよう、必要な知見を提供します。

アーキテクチャの革新と設計#

どちらのモデルも以前のYOLOバージョンにおける特有の課題に対処するために設計されましたが、速度と精度のトレードオフを解決する方法は根本的に異なります。

YOLOX：研究と産業の架け橋#

Zheng Ge、Songtao Liu、Feng Wang、Zeming Li、Jian SunによってMegviiで開発されたYOLOXは、2021年7月18日にリリースされました。アンカーフリー設計を全面的に採用し、YOLOファミリーに大きな転換をもたらしました。基礎となる研究は公式のArxiv論文、元のソースコードはYOLOX GitHubリポジトリで確認できます。

YOLOXは分離型ヘッドを採用し、分類タスクと回帰タスクを分けることで、トレーニング時の収束速度を大幅に向上させています。また、SimOTAのような高度なラベル割り当て戦略を導入し、正例サンプルを動的に割り当てます。そのため、計算リソースが厳しく制限されたエッジAI環境で特に高い効率を発揮します。

YOLOXについて詳しく見る

PP-YOLOE+：高性能な産業用検出#

PaddlePaddle AuthorsによってBaiduから2022年4月2日に発表されたPP-YOLOE+は、PP-YOLOシリーズを高度に最適化した発展形です。Arxivの論文で詳述されているように、PP-YOLOE+はBaiduのエコシステムに深く統合されており、PaddlePaddleフレームワークが必要です。モデルの設定はPaddleDetection GitHubリポジトリで確認できます。

PP-YOLOE+は強力なCSPRepResNetバックボーンを基盤とし、Efficient Task-aligned head（ET-head）とTask Alignment Learning（TAL）を組み合わせています。このアーキテクチャは平均適合率（mAP）においてCOCOデータセットで優れた性能を達成するため、依存関係の最小化より精度を優先する産業用欠陥検出や大規模なサーバー側処理に適した有力な選択肢です。

PP-YOLOE+の詳細はこちら

性能ベンチマーク#

デプロイには、異なるスケールでのモデル性能を理解することが不可欠です。以下の表では、mAPやTensorRTにエクスポートした場合の推論速度など、主要な指標を示します。

ユースケースと推奨事項#

YOLOXとPP-YOLOE+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、エコシステムへの好みによって決まります。

YOLOXを選ぶタイミング#

YOLOXは次のような用途に適しています：

• アンカーフリー検出の研究: 新しい検出ヘッドや損失関数を試す際のベースラインとして、YOLOXのシンプルなアンカーフリーアーキテクチャを使用する学術研究。
• 超軽量エッジデバイス: YOLOX-Nanoバリアントの極めて小さなフットプリント（パラメーター数0.91M）が重要となる、マイクロコントローラーや旧式のモバイルハードウェアへのデプロイ。
• SimOTAラベル割り当ての研究: 最適輸送に基づくラベル割り当て戦略と、トレーニングの収束への影響を調査する研究プロジェクト。

PP-YOLOE+を選ぶ場合#

PP-YOLOE+は、次のような用途におすすめです。

• PaddlePaddleエコシステムとの統合: BaiduのPaddlePaddleフレームワークとツールを基盤とする既存インフラストラクチャを持つ組織。
• Paddle Liteによるエッジデプロイ: Paddle LiteまたはPaddle推論エンジン向けに特別に最適化された推論カーネルを備えるハードウェアへのデプロイ。
• サーバー側での高精度検出: フレームワークへの依存が問題にならない、強力なGPUサーバー上で検出精度を最大化することを優先するシナリオ。

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: 専用のGPUアクセラレーションを備えていないデバイスで、YOLO26の最大43%高速なCPU推論が大きな優位性を発揮します。
• 小物体検出: ドローンによる航空画像やIoTセンサーの分析など、ProgLossとSTALによって小さな物体の精度が大幅に向上する難しいシナリオ。

Ultralyticsの強み：YOLO26の紹介#

YOLOXとPP-YOLOE+にはそれぞれ異なる利点がありますが、AIの急速な進歩により、最先端の精度と比類ない使いやすさを両立するツールが求められています。こうした点で、Ultralyticsのモデル、特に最近リリースされたUltralytics YOLO26は、従来の研究用リポジトリより優れています。

2026年1月にリリースされたYOLO26は、現代の物体検出をはじめとする分野の新たな標準を確立し、競合フレームワークでは実現できない優れた開発者体験を提供します。

開発者がYOLO26を選ぶ理由#

1. エンドツーエンドのNMSフリー設計： YOLOv10が先駆けた概念を発展させ、YOLO26はネイティブなエンドツーエンド推論に対応しています。オプションの1対1ヘッド（nms=False）を使ってNon-Maximum Suppression（NMS）の後処理を省くことで、レイテンシの一貫性を高め、エッジ環境向けのエクスポートパイプラインを大幅に簡素化します。
2. 次世代の最適化： SGDとMuonを組み合わせたMuSGD Optimizer（Moonshot AIのKimi K2のようなLLM手法に着想を得たハイブリッド）により、トレーニングの安定性が大きく向上し、収束も高速化します。さらに、YOLO26はProgLoss + STALを活用して小さな物体の認識性能を大幅に高めます。これは航空画像やロボティクスを含むアプリケーションで重要な機能です。
3. 比類ないハードウェア効率： Distribution Focal Loss（DFL）を排除することで、YOLO26は検出ヘッドとエクスポートグラフを簡素化します。CPU推論は最大43%高速で、専用のGPUアクセラレーションを備えていないデバイスに最適です。
4. 圧倒的な汎用性： 検出に特化したPP-YOLOE+とは異なり、YOLO26は多様なタスクを統合的にサポートします。インスタンスセグメンテーション向けの専用セマンティックセグメンテーション損失、正確な姿勢推定向けのResidual Log-Likelihood Estimation（RLE）、方向付きバウンディングボックス（OBB）向けの高度な角度損失機構を備えています。

エコシステムとのスムーズな統合#

Ultralyticsを利用すれば、複雑なフレームワークのインストールに伴う煩わしさを解消できます。統合されたPython APIまたは直感的に使えるUltralytics Platformを使って、わずか数行のコードでモデルのトレーニング、検証、エクスポートを実行できます。

from ultralytics import YOLO

# 最先端のYOLO26 smallモデルを読み込む
model = YOLO("yolo26s.pt")

# CUDAメモリの使用を最小限に抑えながら、カスタムデータセットでトレーニングします
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# 手軽に推論を実行できます
predictions = model("https://ultralytics.com/images/bus.jpg")

# ONNXにネイティブにエクスポートし、NMSフリーアーキテクチャのメリットを最大限に活用できます
model.export(format="onnx", nms=False)

Ultralyticsエコシステム内の堅牢な他のアーキテクチャを評価しているユーザーにとって、YOLO11はレガシー環境へのデプロイに引き続き高い信頼性を発揮し、TransformerベースのRT-DETRは、Attentionベースのソリューションを求めるユーザーに優れた機能を提供します。

概要#

YOLOXとPP-YOLOE+のどちらを選ぶかは、多くの場合、PyTorchベースの柔軟性を重視するか、BaiduのPaddlePaddleとの深い統合を重視するかといった、主要なフレームワーク上の制約によって決まります。しかし、AIインフラの将来性を確保したい組織には、Ultralytics YOLO26がはるかに優れた選択肢となります。オプションのNMSフリー推論、軽量なメモリフットプリント、幅広いタスクへの対応により、YOLO26は、これまでにない手軽さで、より高速かつスマートで効率的なコンピュータービジョンアプリケーションをチームが構築できるようにします。