YOLOXとYOLO26の比較#

過去10年間で、コンピュータービジョンの分野は目覚ましい変化を遂げてきました。この歩みにおける重要な節目として、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、ネイティブのエンドツーエンドNMSフリー設計によりリアルタイム性能を一新するUltralytics YOLO26の最近の登場が挙げられます。この包括的な比較では、アーキテクチャ、パフォーマンス指標、最適なデプロイシナリオを検討し、開発者が次のAIプロジェクトについて十分な情報に基づいて判断できるよう支援します。

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で、それぞれの技術的成果を把握するための重要な背景が得られます。

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、分離型ヘッドとSimOTAとして知られる高度なラベル割り当て戦略を組み合わせ、大きな変革をもたらしました。それ以前のアーキテクチャで主流だった従来のアンカーボックス方式から脱却することで、YOLOXは学術研究と産業応用の隔たりを埋め、洗練されながらも高い効果を発揮する物体検出フレームワークを提供しました。

YOLOXの詳細はこちら

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良の集大成であり、エッジデプロイと簡素化された学習パイプラインに重点を置いています。従来の非極大抑制による後処理を省略する、オプションのエンドツーエンドNMSフリーな一対一ヘッド（nms=False）を導入しています。この画期的な機能により、多様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レイテンシを大幅に低減し、現代のコンピューター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。

アーキテクチャの革新#

これら2つのモデルのアーキテクチャには、特に損失関数と後処理に関するディープラーニング手法の急速な進歩が表れています。

YOLOXのアプローチ#

YOLOXは予測ヘッドで分類タスクと回帰タスクを分離し、学習時の収束を大幅に高速化しました。アンカーフリーであるため設計パラメーターの数が減り、学習前に複雑なアンカー調整を行う必要性も軽減されます。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、特に標準ベンチマークであるCOCOデータセットで優れた性能を示しました。

YOLO26の優位性#

YOLO26はアーキテクチャ効率を次のレベルへと引き上げます。NMSを取り除くことで推論レイテンシを削減するだけでなく、実行時間の一貫性と決定性も確保します。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の主な革新点は次のとおりです。

• MuSGDオプティマイザー： 大規模言語モデル（LLM）の学習手法に着想を得た、SGDとMuonのハイブリッドです。学習を非常に安定させ、収束を高速化します。
• CPU推論を最大43%高速化： DFLを排除し、ネットワークアーキテクチャを合理化することで、YOLO26はシンプルなIoTセンサーからRaspberry Piボードまで、リソースが限られたエッジデバイス向けに大幅に最適化されています。
• ProgLoss + STAL： これらの高度な損失関数は、小物体の認識性能を大きく向上させます。これは、航空画像の解析や製造オートメーションにおける精密な品質管理に不可欠です。

性能とベンチマーク#

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

表が示すとおり、YOLO26シリーズはより優れたパフォーマンスのバランスを実現しています。たとえば、YOLO26xは57.5 mAPという優れた値を達成しながら、YOLOXxモデルのほぼ半分のパラメーター数で済みます。その結果、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。

学習とエコシステムの使いやすさ#

これらのアーキテクチャ間の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です。

YOLOXはアンカーフリーの仕組みやラベル割り当てを研究する研究者にとって基盤となるリポジトリですが、セットアップは複雑で、依存関係やオペレーターを手動で設定する必要があることも少なくありません。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を利用すれば、開発者はYOLO26モデルの初期化、学習、デプロイを比類のない簡単さで行えます。システムはデータセットのダウンロードやハイパーパラメーターの調整を自動的に処理し、ONNX、TensorRT、OpenVINOなどの形式へシームレスにエクスポートします。

from ultralytics import YOLO

# 最先端のエンドツーエンドYOLO26 smallモデルを初期化します
model = YOLO("yolo26s.pt")

# モデルをトレーニングする。長時間の実行（>10k iterations）では、optimizer="auto"によってMuSGDが選択される
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# 検証セットでモデルの性能を評価します
metrics = model.val()

# エッジデバイスへのデプロイ向けに最適化されたモデルをエクスポートします
model.export(format="onnx")

さらに、Ultralytics YOLOモデルは、大規模なTransformerベースの代替モデルに比べて学習時のメモリ要件が大幅に低いため、エンジニアは一般向けハードウェアでもより大きなバッチサイズで学習できます。

実際の用途#

YOLOXとYOLO26のどちらを選ぶかは、最終的にはデプロイ上の制約とマルチタスク要件によって異なります。

YOLOXが優れている点#

YOLOXは、特定の学術ベンチマークや、元のYOLOXコードベースを基盤とするレガシーシステムでは、今も有力な候補です。歴史的な重要性から、アンカーフリー検出器や独自の割り当て戦略を研究する際のベースラインとして広く利用されています。

YOLO26が優れている用途#

YOLO26は、現代の産業用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、回転バウンディングボックス（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が高くなっています。

• スマートリテールと在庫管理： NMSフリー設計により、自動チェックアウトシステムは超低レイテンシで動画フィードを処理し、後処理ループのボトルネックなしに商品を認識できます。
• ドローンと航空画像解析： OBB向けに特化した角度損失とProgLoss + STALの統合により、広大な衛星画像に含まれる回転物体や微小な対象物の検出でYOLO26は優れた性能を発揮します。
• エッジセキュリティシステム： CPU推論が43%高速なYOLO26を使用すれば、高価なクラウドコンピューティングを必要とせず、企業は堅牢なセキュリティ分析を安価なローカルハードウェアに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異なります。

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。

YOLO26を選ぶ場合#

YOLO26は、次の用途に推奨されます:

• 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。

その他のUltralyticsモデルの検討#

コンピュータービジョンの進化を調べている場合は、Ultralyticsファミリーに属する高性能なモデルにも注目する価値があります。

• YOLO11： YOLO26の直前の世代にあたり、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へのデプロイを通じて実績を積み、使いやすさと柔軟性の標準を確立したアーキテクチャです。

結論として、YOLOXは物体検出の分野に重要な概念をもたらしましたが、新しいYOLO26は速度、精度、デプロイの簡便さを世代単位で飛躍させており、先進的な開発者や企業にとって最適な選択肢です。