YOLOXとYOLOv6-3.0の比較
コンピュータービジョンの進化は、主にYOLOシリーズの急速な進歩によって形作られてきました。デプロイに適したアーキテクチャの選択では、多くの場合、スループット、アーキテクチャのシンプルさ、トレーニング効率のバランスが重要になります。この流れにおける注目すべき節目が、アンカーフリーの研究に重点を置くYOLOXと、産業用途のスループットに重点を置くYOLOv6-3.0です。
この技術比較では、両モデルのアーキテクチャの違い、パフォーマンス指標、最適なユースケースを詳しく解説し、効率的なエッジおよびクラウドへのデプロイを必要とする開発者向けにUltralytics YOLO26も紹介します。
YOLOX:研究と産業の架け橋#
Megviiの研究者によって開発されたYOLOXは、アーキテクチャ全体をアンカーフリーにすることで、YOLOアーキテクチャを簡素化する大きな転換として登場しました。
- 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
アーキテクチャの主な特徴#
YOLOXはYOLOファミリーにアンカーフリー設計を取り入れました。事前定義されたアンカーボックスをなくすことで、トレーニング時に必要な設計パラメーター数とヒューリスティックな調整を大幅に減らします。これにより、手動でアンカーを再計算することなく、YOLOXをさまざまなカスタムデータセットに適応させられます。
さらに、YOLOXは分離ヘッドアーキテクチャを導入しました。分類タスクと回帰タスクを別々のブランチに分けることで、物体が「何」であるかを特定することと、「どこ」にあるかを特定することの競合を軽減します。SimOTAのラベル割り当て戦略と組み合わせることで、YOLOXは収束を速め、平均適合率(mAP)を向上させます。
YOLOXのようなアンカーフリー検出器は、新しいデータに適合しない可能性がある固定のバウンディングボックス事前分布に依存しないため、物体のアスペクト比が一般的でないカスタムデータセットで優れた性能を発揮することがよくあります。
YOLOv6-3.0: 産業用途の強力なモデル#
MeituanのVision AI Departmentが開発したYOLOv6-3.0は、高い産業スループットを実現するよう設計されており、特にTensorRTなどのハードウェアアクセラレーターを使用するNVIDIA GPUでの利用に適しています。
- 著者: Chuyi Li、Lulu Li、Yifei Gengほか
- 組織: Meituan
- 日付: 2023-01-13
- arXiv: 2301.05586
- GitHub: meituan/YOLOv6
デプロイ向けの最適化#
YOLOv6-3.0はGPUの利用率を最大化することに重点を置いています。ネック部分にBi-directional Concatenation(BiC)モジュールを導入し、高い推論速度を維持しながら特徴融合を強化します。推論フェーズでは完全なアンカーフリー方式を採用する一方、トレーニングフェーズではAnchor-Aided Training(AAT)戦略を使い、アンカーベース方式の安定性を活用します。
小型モデルは、ハードウェア親和性の高いEfficientRepバックボーン(大型モデルではCSPStackRepを使用)を採用しています。最新のアクセラレーター上でメモリアクセスコストを最小化し、計算密度を最大化するよう設計されています。そのため、YOLOv6はサーバー側の動画解析に適した有力な候補です。
パフォーマンス比較#
これらのモデルを比較する際、開発者は純粋な精度と推論速度、パラメーター数のバランスを検討する必要があります。以下の表では、さまざまなサイズにおける両モデルファミリーの性能を示します。
| 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) |
|---|---|---|---|---|---|---|
| YOLOXnano | 416 | 25.8 | - | - | 0.91 | 1.08 |
| YOLOXtiny | 416 | 32.8 | - | - | 5.06 | 6.45 |
| YOLOXs | 640 | 40.5 | - | 2.56 | 9.0 | 26.8 |
| YOLOXm | 640 | 46.9 | - | 5.43 | 25.3 | 73.8 |
| YOLOXl | 640 | 49.7 | - | 9.04 | 54.2 | 155.6 |
| YOLOXx | 640 | 51.1 | - | 16.1 | 99.1 | 281.9 |
| YOLOv6-3.0n | 640 | 37.5 | - | 1.17 | 4.7 | 11.4 |
| YOLOv6-3.0s | 640 | 45.0 | - | 2.66 | 18.5 | 45.3 |
| YOLOv6-3.0m | 640 | 50.0 | - | 5.28 | 34.9 | 85.8 |
| YOLOv6-3.0l | 640 | 52.8 | - | 8.95 | 59.6 | 150.7 |
YOLOv6-3.0は、同程度のサイズではYOLOXより高いmAPを達成し、TensorRT速度も同等以上です。一方、YOLOXはシンプルさと非常に小型のNanoおよびTinyモデルにより、依然として競争力があります。
ユースケースと推奨事項#
YOLOXとYOLOv6のどちらを選ぶかは、具体的なプロジェクト要件、デプロイ上の制約、エコシステム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。
YOLOv6を選ぶ場合#
YOLOv6は、次のような場合に推奨されます。
- 産業用ハードウェアを考慮したデプロイ: モデルのハードウェアを考慮した設計と効率的な再パラメーター化によって、特定のターゲットハードウェア上で最適な性能が得られるシナリオです。
- 高速な1ステージ検出: 制御された環境でのリアルタイム動画処理において、GPU上での生の推論速度を重視するアプリケーションです。
- Meituanエコシステムとの統合: すでにMeituanの技術スタックとデプロイインフラストラクチャを利用しているチームです。
Ultralytics (YOLO26)を選ぶ場合#
ほとんどの新規プロジェクトでは、Ultralytics YOLO26が性能と開発者体験の最適な組み合わせを提供します。
- 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のみの環境: 専用GPUアクセラレーションのないデバイスでは、YOLO26nのCPU推論がYOLO11nより最大43%高速であることが大きな強みになります。
- 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#
MegviiとMeituanはいずれも優れた研究用リポジトリを提供していますが、これらのモデルを本番環境にデプロイするには、多大なエンジニアリング作業が必要になることがよくあります。統合されたUltralyticsエコシステムは、統一された詳細なドキュメントを備えたAPIを提供し、こうした障壁を軽減します。
Ultralyticsパッケージを使うと、開発者は一貫したユーザー体験を得られます。これには、組み込みのデータ拡張、トレーニング時の効率的なメモリ管理(RT-DETRのようなTransformerモデルよりもVRAM要件が大幅に低い)、ONNXやOpenVINOなどの形式へのエクスポートパイプラインが含まれます。
専用モデルとは異なり、Ultralyticsのアーキテクチャは柔軟性に優れ、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)を標準でサポートします。
YOLO26の登場#
新しいコンピュータービジョンプロジェクトを始めるチームには、2026年1月にリリースされたUltralytics YOLO26をUltralyticsは推奨します。YOLO11とYOLOv8を基盤とするYOLO26には、次のような新機能が導入されています。
- エンドツーエンドのNMSフリー設計: YOLOv10で初めて検討されたYOLO26のオプションのワンツーワンヘッド(
nms=False)は、NMS後処理を不要にします。これにより、リアルタイムロボティクス向けに予測可能で低レイテンシの推論を実現します。 - MuSGDオプティマイザー: Moonshot AIのKimi K2などのLLMトレーニング技術に着想を得たYOLO26は、安定したトレーニングと高速な収束のために、SGDとMuonを組み合わせたMuSGDオプティマイザーを使用します。
- CPU推論が最大43%高速: Distribution Focal Loss(DFL)を削除し、ネットワークヘッドを効率化したことで、YOLO26nはCPU上でYOLO11nより最大43%高速に動作し、CPU実行を利用するエッジデバイスに適しています。
- ProgLoss + STAL: Progressive LossとSmall-Target-Aware Label Assignment(STAL)により小さな物体の検出性能が向上し、YOLO26は航空画像や顕微鏡による欠陥検査に適しています。
統合トレーニングの例#
Ultralytics Python APIを使用すれば、最先端モデルのトレーニングに必要なコードは数行だけです。この使いやすいインターフェースは、旧世代のYOLOモデルをテストする場合も、最新のYOLO26モデルをデプロイする場合も変わりません。
from ultralytics import YOLO
# Load the next-generation YOLO26 model (NMS-free, optimized for edge)
model = YOLO("yolo26n.pt")
# Train the model on the COCO8 dataset
# The ecosystem handles dataset downloading, caching, and batching natively
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# Validate the model and print mAP metrics
metrics = model.val()
print(f"Validation mAP50-95: {metrics.box.map}")
# Export the model for edge deployment
model.export(format="onnx")さらにスムーズに作業するには、ノーコードのUltralytics Platformを使って、データセットの管理、実験の追跡、クラウドでのモデルのトレーニングを行えます。
ユースケース別の推奨#
これらのアーキテクチャから選択する際は、具体的なハードウェアの制約とプロジェクト要件を考慮してください。
- ラベル割り当て戦略に関する学術研究を行う場合や、アーキテクチャを変更するための、純粋で理解しやすいアンカーフリーのベースラインが必要な場合は、YOLOXを選択してください。
- 大規模なバッチサイズとTensorRTの最適化を活用して数百の動画ストリームを同時に処理できる、A100やT4などのハイエンドNVIDIA GPUを搭載した産業用サーバーラックにデプロイする場合は、YOLOv6-3.0を選択してください。
- ほとんどの最新アプリケーションにはYOLO26を選択してください。IoTデバイス、ドローン、携帯電話向けにエッジAIアプリケーションを構築する場合、YOLO26のネイティブなNMSフリー設計、CPU最適化、包括的なエコシステムサポートにより、トレーニングから本番環境への移行に推奨される選択肢となります。
コメント
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。