はじめる

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定は重要な判断事項です。リアルタイム物体検出の分野では競争が激しく、多く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、主要な2つのモデルであるYOLOXとPP-YOLOE+について、アーキテクチャ設計、トレーニング手法、性能指標を評価し、開発者や研究者がデプロイ環境に適したツールを選択できるようにします。

アーキテクチャの革新と設計#

どちらのモデルも初期のYOLO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に対するアプローチは異なります。

YOLOX:研究と産業の架け橋#

MegviiのZheng Ge、Songtao Liu、Feng Wang、Zeming Li、Jian Sunによって開発されたYOLOXは、2021年7月18日にリリースされました。YOLOXは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変化をもたらしました。公式のarXiv論文で基礎研究を、YOLOX GitHubリポジトリでオリジナルのソースコードを確認できます。

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高めています。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。これによりモデルの効率性が高まり、最小サイズのバリアントは計算リソースが厳しく制限されたエッジAI環境に適しています。

YOLOXについて詳しく見る

PP-YOLOE+:高性能な産業用検出#

BaiduのPaddlePaddle開発者によって2022年4月2日に発表されたPP-YOLOE+は、PP-YOLOシリーズの最適化された進化版です。彼らのarXiv論文で詳述されているとおり、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CSPRepResNetバックボーンを採用し、Efficient Task-aligned head(ET-head)とTask Alignment Learning(TAL)を併用します。このアーキテクチャは平均適合率(mAP)においてCOCOデータセットで高い性能を実現するため、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ています。

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。

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)
YOLOXnano41625.8--0.911.08
YOLOXtiny41632.8--5.066.45
YOLOXs64040.5-2.569.026.8
YOLOXm64046.9-5.4325.373.8
YOLOXl64049.7-9.0454.2155.6
YOLOXx64051.1-16.199.1281.9
PP-YOLOE+t64039.9-2.844.8519.15
PP-YOLOE+s64043.7-2.627.9317.36
PP-YOLOE+m64049.8-5.5623.4349.91
PP-YOLOE+l64052.9-8.3652.2110.07
PP-YOLOE+x64054.7-14.398.42206.59
デプロイ時の考慮事項

PP-YOLOE+は比較可能なすべてのサイズでYOLOXより高精度で、sサイズ以上ではFLOPsも少なく、PP-YOLOE+xが全体で最高精度を達成します。一方、YOLOXには非常に軽量なNanoおよびTinyバリアントがあり、低消費電力の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に適しています。

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。

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の急速な進化に伴い、高精度と使いやすさを兼ね備えたツールが求められています。こうした点で、特にUltralytics YOLO26などのUltralyticsモデルは、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、洗練された開発者体験とともに、現代の物体検出やその他のビジョンタスクに新たな基準をもたらします。

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YOLOモデルに導入したNMSフリー学習を基盤として、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NMSの後処理を省略することで、エッジ環境で安定したレイテンシを実現し、エクスポートパイプラインを簡素化します。
  2. トレーニングの最適化: MuSGD Optimizerは、SGDとMuon(Moonshot AIのKimi K2などのLLM手法に着想を得たもの)を組み合わせ、トレーニングの安定性と収束速度を高めます。YOLO26はProgLoss + STAL(Progressive Loss and Small-Target-Aware Label Assignment)も使用して小さなオブジェクトの検出精度を高めます。これは航空画像やロボティクスを扱うアプリケーションにとって重要な機能です。
  3. ハードウェア効率:Distribution Focal Loss(DFL)を削除することで、YOLO26は検出ヘッドとエクスポートグラフを簡素化します。YOLO26nはYOLO11nよりもCPU推論が最大43%高速で、専用のGPUアクセラレーションを備えないデバイスに適しています。
  4. 汎用性:検出に特化したPP-YOLOE+とは異なり、YOLO26は多くのタスクを統一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)、回転バウンディングボックス(OBB)向けの専用角度損失を備えています。

エコシステムとの統合#

Ultralyticsでは複雑なフレームワークのインストールは不要です。統一されたPython APIまたは直感的に使えるUltralytics Platformを利用すれば、数行のコードでモデルのトレーニング、検証、エクスポートを行えます。

from ultralytics import YOLO

# YOLO26のsmallモデルを読み込みます
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)

# 推論を実行
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エコシステム内のほかの堅牢なアーキテクチャを評価する場合、既存のデプロイに適した信頼性の高い選択肢としてYOLO11があり、注意機構ベースのソリューションを求める場合はTransformerベースのRT-DETRが優れた機能を提供します。

概要#

YOLOXとPP-YOLOE+の選択は、PyTorchベースの柔軟性とBaiduのPaddlePaddleとの深い統合のどちらを優先するかなど、主に利用するフレームワークの制約によって決まることがよくあります。ただし、新しいAIインフラストラクチャを計画する組織には、Ultralytics YOLO26を代替モデルとして推奨します。オプションのNMSフリー推論、少ないメモリ使用量、幅広いタスクへの対応により、YOLO26はチームが高速かつ効率的なコンピュータービジョンアプリケーションを構築するのに役立ちます。

コントリビューター

コメント6

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. UltralyticsAssistantGitHubUltralytics

    👋 Hello, thank you for sharing your interest in comparing YOLOX and PP-YOLOE+ 🚀!

    For a detailed breakdown of performance, architecture, and use cases, you can explore our dedicated Compare YOLOX vs PP-YOLOE+ Guide. This resource provides valuable insights to help you choose the best model for your specific requirements.

    If you have specific questions or need further assistance, please provide more details about your use case. For example:

    • What type of dataset are you working with?
    • Are there specific metrics or constraints you are prioritizing?

    Join the Ultralytics community for more discussions and insights:

    • Real-time chat? Join us on Discord 🎧.
    • Prefer forum-style discussions? Check out Discourse.
    • Or head over to our Subreddit to connect with other users.

    Additionally, ensure you're using the latest version of the ultralytics package for optimal performance and features. Upgrade with the following command:

    pip install -U ultralytics

    This is an automated response to assist you quickly, but don't worry—an Ultralytics engineer will review your discussion and provide further input soon. Thanks for being part of the community! 😊

    1. Glenn JocherUltralytics(編集済み)

      @UltralyticsAssistant Thanks for the automated response.

      @Amine-Torki You've raised a valid point about our documentation consistency. We're actively updating our comparison articles to reflect the latest models. The Ultralytics ecosystem now includes YOLO26 (our latest release) and YOLO11, both offering significant improvements over earlier models.

      For those comparing YOLOX and PP-YOLOE+, both are solid anchor-free detectors, but Ultralytics YOLO26 provides advantages in terms of ecosystem integration, versatility across multiple vision tasks, and overall performance balance. Our documentation team is working to ensure all comparison pages accurately represent the current state of YOLO development.

  2. Amine-TorkiGitHub

    "YOLOv8: The latest iteration in the YOLO series" Yeah another article written by ChatGPT, Ultralytics isn't what it used to be...

    -1
    1. Glenn JocherUltralytics(編集済み)

      @Amine-Torki thank you for your feedback. Our documentation is continuously improved by both the Ultralytics team and community contributions to ensure accuracy and relevance. For the latest advancements, check out YOLO26 and YOLO11, which showcase our ongoing commitment to innovation in computer vision.

    2. Amine-TorkiGitHub(編集済み)

      Hi. My question is about why saying in this article "YOLOv8: The latest iteration in the YOLO series" when there is, as you just said, YOLO11 and YOLOv10. Since the Technical Comparison was last updated 1 month ago, it just make me think it was written by a llm with lack of knowledge/hallucination on the latest updates.

    3. Glenn JocherUltralytics(編集済み)

      Thank you for catching this! The article you referenced is an older resource, while our YOLO26 and YOLO11 documentation reflect the latest updates. We continuously improve our docs with community contributions - feel free to suggest edits via GitHub if you spot areas needing refresh! 😊