YOLOX と YOLO26#

コンピュータビジョンの分野では、過去10年間に驚異的な変革が起きています。この歩みにおける重要なマイルストーンとして、アンカーフリーアーキテクチャを普及させたYOLOXのリリースと、ネイティブなエンドツーエンドのNMSフリーデザインによってリアルタイム性能を一新する、最近登場した Ultralytics YOLO26 が挙げられます。本比較では、アーキテクチャ、性能指標、理想的なデプロイシナリオを詳しく検証し、開発者が次のAIプロジェクトに向けて適切な判断を下せるよう支援します。

モデルの概要#

各モデルの起源と主な設計目標を理解することは、それぞれの技術的成果を把握するうえで重要な背景となります。

YOLOX#

• 著者: Zheng Ge、Songtao Liu、Feng Wang、Zeming Li、Jian Sun
• 組織: Megvii
• 日付: 2021-07-18
• arXiv: 2107.08430
• GitHub： Megvii-BaseDetection/YOLOX
• ドキュメント: YOLOX GitHub ドキュメント

2021年半ばに登場したYOLOXは、アンカーフリー設計に加えて、デカップルドヘッドとSimOTAとして知られる高度なラベル割り当て戦略を採用し、大きな転換をもたらしました。従来のアーキテクチャで主流だったアンカーボックスの仕組みから離れることで、YOLOXは学術研究と産業利用の間の隔たりを効果的に埋め、洗練されながらも非常に効果的な 物体検出 フレームワークを提供しました。

YOLOXについて詳しく見る

YOLO26#

• 著者: Glenn Jocher、Jing Qiu
• 組織: Ultralytics
• 日付: 2026-01-14
• GitHub: ultralytics/ultralytics
• プラットフォーム: Ultralytics Platform

2026年初頭にリリースされた YOLO26 は、長年にわたる継続的な改善の集大成であり、エッジデプロイメントと簡素化されたトレーニングパイプラインに重点を置いています。エンドツーエンドのNMSフリーデザインを導入し、従来の非最大抑制（NMS）ポストプロセスを完全に排除しています。この画期的な設計により、さまざまなハードウェアへのモデルデプロイが大幅に簡素化されます。さらに、Distribution Focal Loss（DFL）モジュールを削除することで、YOLO26はレイテンシを大幅に低減し、現代の コンピュータビジョンアプリケーション に最適な選択肢としての地位を確立しています。

アーキテクチャのイノベーション#

これら2つのモデルのアーキテクチャは、特に損失関数とポストプロセスにおけるディープラーニング手法の急速な進展を示しています。

YOLOX のアプローチ#

YOLOXは予測ヘッド内で分類タスクと回帰タスクを分離し、トレーニング中の収束を大幅に高速化しました。アンカーフリーの特性により設計パラメータの数が減少し、トレーニング前に複雑なアンカー調整を行う必要性が軽減されました。SimOTAラベル割り当てアルゴリズムと組み合わせることで、YOLOXは当時の最先端の結果を達成し、特に COCOデータセット などの標準ベンチマークで高い性能を示しました。

YOLO26の優位性#

YOLO26は、アーキテクチャの効率性をさらに高いレベルへ引き上げます。NMSの削除は推論レイテンシを低減するだけでなく、一貫性のある決定論的な実行時間も確保します。これは 自動運転車 やロボティクスにとって重要な要素です。

YOLO26の主なイノベーションは次のとおりです:

• MuSGDオプティマイザー: 大規模言語モデル（LLM）のトレーニング手法に着想を得た、SGDとMuonのハイブリッドです。非常に安定したトレーニング実行と、より高速な収束を実現します。
• 最大43%高速なCPU推論: DFLを排除し、ネットワークアーキテクチャを効率化することで、YOLO26はリソースに制約のあるエッジデバイス向けに高度に最適化されています。シンプルなIoTセンサーから Raspberry Pi ボードまで対応します。
• ProgLoss + STAL: これらの高度な損失関数により、小物体認識が大幅に改善されます。これは 航空画像 の分析や、製造自動化 における精密な品質管理で重要です。

パフォーマンスとベンチマーク#

本番環境向けのモデルを評価する際は、精度、速度、計算の複雑さのバランスを分析することが最も重要です。以下に、画像サイズ640ピクセル（nano/tinyバリアントでは416）で評価した標準モデルの詳細な比較を示します。

表が示すように、YOLO26シリーズは優れた性能バランスを提供します。たとえば、YOLO26x は、YOLOXx モデルのほぼ半分のパラメータ数で、優れた57.5 mAPを達成しています。これにより、GPU推論時間が短縮され（11.8 ms対16.1 ms）、デプロイの柔軟性も大幅に向上します。

トレーニングとエコシステムの体験#

これらのアーキテクチャにおける最も大きな違いの一つは、使いやすさとエコシステムのサポートにあります。

YOLOXは、勾配フローやアンカーフリーの仕組みを研究する研究者にとって基盤となるリポジトリであり続けていますが、セットアップは複雑になることがあり、依存関係やオペレーターの手動設定が必要になる場合があります。一方、Ultralyticsエコシステム は、使いやすさにおける業界標準を確立しています。

統一されたPython APIを利用することで、開発者は他に類を見ない簡便さでYOLO26モデルを初期化、トレーニング、デプロイできます。システムは、データセットのダウンロード、ハイパーパラメータチューニング、ONNX、TensorRT、OpenVINOなどの形式へのシームレスなエクスポートを自動的に処理します。

from ultralytics import YOLO

# Initialize the cutting-edge, end-to-end YOLO26 small model
model = YOLO("yolo26s.pt")

# Train the model efficiently with built-in MuSGD optimization
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Validate the model's performance on the validation set
metrics = model.val()

# Export the optimized model for edge deployment
model.export(format="onnx")

さらに、Ultralytics YOLOモデルは、重量級のTransformerベースの代替モデルと比べてトレーニング時のメモリ要件が大幅に低いため、コンシューマー向けハードウェアでもより大きなバッチサイズでトレーニングできます。

実世界での用途#

YOLOXとYOLO26のどちらを選択するかは、最終的にはデプロイの制約とマルチタスク要件によって決まります。

YOLOXが優れている分野#

YOLOXは、特定の学術ベンチマークや、MegEngineフレームワークと深く統合されたレガシーシステムにおいて、依然として有力な候補です。その歴史的重要性から、アンカーフリー検出器 やカスタム割り当て戦略の研究におけるベースラインとして広く利用されています。

YOLO26が優れている分野#

YOLO26は、現代の産業アプリケーション向けに根本から設計されています。インスタンスセグメンテーション、姿勢推定、Oriented Bounding Boxes（OBB） をネイティブにサポートするため、標準的な検出エンジンよりもはるかに汎用性に優れています。

• スマートリテールと在庫管理: NMSフリーデザインにより、自動チェックアウトシステムはビデオフィードを超低レイテンシで処理し、ポストプロセスループによるボトルネックなしに商品を認識できます。
• ドローンと航空分析: OBB向けの専用角度損失とProgLoss + STALの統合により、YOLO26は広大な衛星画像内の回転物体や微小な対象物の検出において他に類を見ない性能を発揮します。
• エッジセキュリティシステム: CPU推論が43%高速であるため、YOLO26を使用すると、高価なクラウドコンピューティングを必要とせず、安価なローカルハードウェア上に堅牢なセキュリティ分析を直接デプロイできます。

ユースケースと推奨事項#

YOLOXとYOLO26のどちらを選択するかは、具体的なプロジェクト要件、デプロイの制約、エコシステムの好みによって決まります。

YOLOX を選択するタイミング#

YOLOXが適しているケース:

• 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ためのベースラインとして、YOLOX の簡潔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 バリアントの非常に小さなフットプリント（0.91Mパラメータ）が重要となる、マイクロコントローラーや従来型モバイルハードウェアへのデプロイ。
• SimOTA ラベル割り当て研究: 最適輸送に基づくラベル割り当て戦略と、それがトレーニングの収束に与える影響を調査する研究プロジェクト。

YOLO26を選ぶタイミング#

YOLO26は次の用途に推奨されます：

• NMSフリーのエッジデプロイ: Non-Maximum Suppressionの後処理を複雑にすることなく、一貫した低レイテンシー推論が必要なアプリケーション。
• CPUのみの環境: 専用GPUアクセラレーションを持たないデバイスで、YOLO26の最大43%高速なCPU推論が決定的な優位性となる場合。
• 小さな物体の検出: aerial drone imageryやIoTセンサー分析など、ProgLossとSTALによって微小物体の精度が大幅に向上する難しいシナリオ。

その他のUltralyticsモデルを調べる#

コンピュータビジョンの進化を探っている場合は、Ultralyticsファミリーに含まれる、調査する価値のある他の高性能モデルもあります。

• YOLO11: YOLO26の直前のモデルであり、安定した本番環境向けに堅牢な性能と幅広いコミュニティサポートを提供します。
• YOLOv8: 数千件に及ぶ実環境でのデプロイによって十分に実証されたアーキテクチャで、使いやすさと柔軟性の基準を確立しました。

結論として、YOLOXが物体検出の分野に重要な概念を導入した一方で、新しい YOLO26 は速度、精度、デプロイの簡便性において世代を超えた飛躍を実現し、先進的な開発者や企業にとって決定的な選択肢となっています。