Ultralytics YOLO26におけるエンドツーエンド検出の理解

はじめに

YOLO26へのアップグレードを検討されている場合、YOLOv8やYOLO11といった以前のモデルからの最大の変更点の1つは、非最大値抑制（NMS）が削除されたことです。従来のYOLOモデルは数千の重複した予測を出力するため、最終的な検出結果に絞り込むには別途NMSのポストプロセッシングステップが必要でした。これはレイテンシを増加させ、エクスポートグラフを複雑にするだけでなく、ハードウェアプラットフォーム間で挙動に一貫性がなくなる可能性がありました。

YOLO26は異なるアプローチを採用しています。外部フィルタリングを必要とせず、最終的な検出結果をモデルから直接出力します。これは**エンドツーエンドの物体検出**として知られており、すべてのYOLO26モデルでデフォルトで有効になっています。その結果、デプロイメントパイプラインが簡素化され、レイテンシが低減し、CPUでの推論が最大43%高速化されます。

本ガイドでは、変更点、コードの更新が必要かどうか、どのエクスポートフォーマットがエンドツーエンド推論をサポートしているか、そして古いYOLOモデルからスムーズに移行する方法について解説します。

このアーキテクチャ変更の背景にある動機についての詳細は、YOLO26でNMSが削除された理由とそれがデプロイメントに与える影響に関するUltralyticsブログ記事をご覧ください。

エンドツーエンド検出の仕組み

YOLO26はトレーニング中にデュアルヘッドアーキテクチャを使用します。両方のヘッドは同じバックボーンとネックを共有しますが、異なる方法で出力を生成します。

上記の形状は検出用です。他のタスクでは、検出ごとにデータを追加してOne-to-One出力を拡張します。

トレーニング中、両方のヘッドが同時に動作します。One-to-Manyヘッドはより豊富な学習シグナルを提供し、One-to-Oneヘッドは重複のないクリーンな予測を生成するように学習します。推論およびエクスポート中、デフォルトではOne-to-Oneヘッドのみがアクティブになり、画像あたり最大300個の検出結果を[x1, y1, x2, y2, confidence, class_id]の形式で出力します。

model.fuse()を呼び出すと、Conv + BatchNormレイヤーが統合されて推論が高速化されます。また、エンドツーエンドモデルではOne-to-Manyヘッドも削除され、モデルサイズとFLOPsが削減されます。デュアルヘッドアーキテクチャの詳細については、YOLO26モデルページを参照してください。

コードを変更する必要はありますか？

Ultralytics Python APIまたはCLIを使用している場合

変更は不要です。 標準のUltralytics Python APIやCLIを使用している場合、すべて自動的に機能します。予測、検証、エクスポートのすべてがエンドツーエンドモデルをそのまま処理します。

from ultralytics import YOLO

# Load a YOLO26 model
model = YOLO("yolo26n.pt")

# Predict — no NMS step, no code changes
results = model.predict("image.jpg")

独自の推論コードを使用している場合

はい、出力形式が異なります。 YOLOv8やYOLO11向けに独自のポストプロセッシングロジックを記述していた場合（ONNX RuntimeやTensorRTで推論を実行する場合など）、新しい出力形状を処理するように更新する必要があります。

セグメンテーション、姿勢推定、OBBタスクの場合、YOLO26は各検出結果にタスク固有のデータを追加します。上記の出力形状テーブルを参照してください。

Nはバッチサイズ、ncはクラス数（COCOの場合は80など）です。

エンドツーエンドモデルを使用すると、ポストプロセッシングは非常にシンプルになります。例えばONNX Runtimeを使用する場合などがそうです。

import onnxruntime as ort

# Load and run the exported end-to-end model
session = ort.InferenceSession("yolo26n.onnx")
output = session.run(None, {session.get_inputs()[0].name: input_tensor})

# End-to-end output: (batch, 300, 6) → [x1, y1, x2, y2, confidence, class_id]
detections = output[0][0]  # first image in batch
detections = detections[detections[:, 4] > conf_threshold]  # confidence filter — that's it!

One-to-Manyヘッドへの切り替え

従来のYOLO出力フォーマットが必要な場合（既存のNMSベースのポストプロセッシングコードを再利用する場合など）、end2end=Falseを設定することでいつでもOne-to-Manyヘッドに切り替えることができます。

from ultralytics import YOLO

model = YOLO("yolo26n.pt")

# Prediction with NMS (traditional behavior)
results = model.predict("image.jpg", end2end=False)

# Validation with NMS
metrics = model.val(data="coco.yaml", end2end=False)

# Export without end-to-end
model.export(format="onnx", end2end=False)

エクスポートフォーマットの互換性

ほとんどのエクスポートフォーマットは、ONNX、TensorRT、CoreML、OpenVINO、TFLite、TF.js、MNNを含め、エンドツーエンド推論をそのままサポートしています。

以下のフォーマットはエンドツーエンドをサポートしておらず、自動的にOne-to-Manyヘッドにフォールバックします: NCNN、RKNN、PaddlePaddle、ExecuTorch、IMX、Edge TPU。

精度と速度のトレードオフ

エンドツーエンド検出は、精度への影響を最小限に抑えつつ、デプロイメントに大きなメリットをもたらします。

ほとんどの実世界のアプリケーションにおいて、~0.5のmAPの違いは、速度と簡便性の向上を考慮すれば無視できる範囲です。最大の精度が最優先事項である場合は、end2end=Falseを使用していつでもOne-to-Manyヘッドにフォールバックできます。

すべてのモデルサイズ（n, s, m, l, x）のベンチマーク詳細については、YOLO26パフォーマンスメトリクスを参照してください。

YOLOv8またはYOLO11からの移行

既存のプロジェクトをYOLO26にアップグレードする場合、スムーズな移行のために以下のチェックリストを確認してください。

• Ultralytics API / CLIユーザー: 変更は不要です。モデル名をyolo26n.pt（またはyolo26n-seg.pt、yolo26n-pose.pt、yolo26n-obb.pt）に更新するだけです。
• カスタムポストプロセッシングコード: 新しい出力形状（検出用の(N, 300, 6)、およびセグメンテーション、姿勢推定、OBB用のタスク固有データ）を処理するように更新してください。また、ボックス形式がxywhからxyxyに変更された点にも注意してください。
• エクスポートパイプライン: ターゲットフォーマットについては、上記のフォーマットの互換性セクションを確認してください。
• TensorRT + INT8: エンドツーエンドサポートのためにTensorRTのバージョンが10.3.0より上であることを確認してください。
• FP16エクスポート: すべての出力をFP16にする必要がある場合は、end2end=Falseでエクスポートしてください。output0がFP32のままになる理由を参照してください。
• iOS / CoreML: End-to-end is fully supported. If you need Xcode Preview support, use end2end=False with nms=True
• エッジデバイス (NCNN, RKNN): これらのフォーマットは自動的にOne-to-Manyへフォールバックするため、デバイス上のパイプラインにNMSを含めてください。

FAQ

end2end=Trueとnms=Trueを同時に使用できますか？

No. These options are mutually exclusive. If you set nms=True on an end-to-end model during export, it will be automatically forced to nms=False with a warning. The end-to-end head already handles duplicate filtering internally, so external NMS is unnecessary.

ただし、end2end=Falseとnms=Trueを組み合わせた設定は有効であり、伝統的なNMSをエクスポートグラフに焼き込むことができます。これはCoreMLエクスポートにおいて、Xcodeのプレビュー機能で検出モデルを直接利用できるため便利です。

エンドツーエンドモデルにおけるmax_detパラメータは何を制御しますか？

max_detパラメータ（デフォルト: 300）は、One-to-Oneヘッドが画像あたりに出力できる検出結果の最大数を設定します。推論またはエクスポート時に調整可能です。

model.predict("image.jpg", max_det=100)  # fewer detections, slightly faster
model.export(format="onnx", max_det=500)  # more detections for dense scenes

デフォルトのYOLO26チェックポイントはmax_det=300でトレーニングされていることに注意してください。この値を増やすことも可能ですが、One-to-Oneヘッドはトレーニング中に最大300個のクリーンな検出を生成するように最適化されているため、その制限を超える検出結果は品質が低下する可能性があります。画像あたり300個以上の検出が必要な場合は、より高いmax_det値での再トレーニングを検討してください。

エクスポートしたONNXモデルの出力が(1, 300, 6)になっていますが、これは正しいですか？

Yes, that's the expected end-to-end output format for detection: batch size of 1, up to 300 detections, each with 6 values [x1, y1, x2, y2, confidence, class_id]. Simply filter by confidence threshold and you're done — no NMS needed.

他のタスクでは出力形状が異なります。

エクスポートされたモデルがエンドツーエンドかどうかを確認するにはどうすればよいですか？

Ultralytics Python APIを使用するか、エクスポートされたONNXモデルのメタデータを直接確認することで調べることができます。

from ultralytics import YOLO

model = YOLO("yolo26n.onnx")
model.predict(verbose=False)  # run predict to setup predictor first
print(model.predictor.model.end2end)  # True if end-to-end is enabled

あるいは、出力形状を確認してください。エンドツーエンドの検出モデルは (1, 300, 6) を出力し、従来のモデルは (1, nc + 4, 8400) を出力します。その他のタスクの形状については、出力形状のFAQ を参照してください。

セグメンテーション、ポーズ推定、OBBタスクでエンドツーエンドはサポートされていますか？

はい。すべてのYOLO26タスクバリエーション（検出、セグメンテーション、ポーズ推定、傾き物体検出 (OBB)）は、デフォルトでエンドツーエンドの推論をサポートしています。すべてのタスクにおいて end2end=False のフォールバックも利用可能です。

各タスクは、基本的な検出出力にタスク固有のデータを拡張します。