YOLOアーキテクチャの解説：YOLOv3からYOLO26まで#

すべてのUltralytics YOLOモデルは、特徴を抽出するbackbone、スケール間で特徴を融合するneck、ボックスとクラスを予測するheadという3つのステージで構成されています。このガイドでは、各ステージを構成するモジュールと、YOLOv3からYOLO26までにそれらがどのように変化したかを説明し、各コンポーネントをultralytics/cfg/models/配下の設定ファイルにある定義およびultralytics/nn/modules/のモジュールクラスまで追跡します。

各モデルは、レイヤーの順序付きリストとしてYAMLファイルに宣言的に定義され、すべてのレイヤーは[from, repeats, module, args]形式に従います。つまり、どのレイヤーが入力を供給するか、モジュールを何回繰り返すか、レイヤークラス（Conv、C3k2、SPPF、Detect、…）、およびコンストラクター引数を指定します。Model YAML Configuration Guideでは、repeatsとargsがバリアントのdepthおよびwidth multiplierに応じてどのようにスケールするかを含め、この形式とモジュール解決システム全体について説明しています。このガイドでは、モジュール自体と、バージョンごとの変化に焦点を当てます。

3つのステージ#

すべてのUltralytics YOLOモデルは、それぞれ異なる役割を持つ3つの連続したステージを通じて画像を処理します。

基本単位は**Conv**ブロック（conv.pyで定義）です。これは、2D畳み込み、バッチ正規化、SiLUアクティベーションを順番に適用します。以下のより大きな各モジュールは、Convブロックを組み合わせて構築されています。

アーキテクチャ図#

各バージョンは同じbackbone → neck → headという骨格を維持し、特定のステージを変更しています。以下のタブではバージョンごとの構成を示します。backboneとneckのステージはultralytics/cfg/models/の設定に従いますが、YOLOv3とYOLOv5のheadは、パッケージの設定ファイルが実際に提供するアンカーフリーのu-variant headではなく、元のアンカーベース形式で描画されています。タブを順に確認すると、各世代で追加された要素が分かります。要約すると、YOLOv3はFPNのみのアンカーベース検出器、YOLOv5はボトムアップPANパスとSPPFを追加、YOLOv8はC2fブロックとアンカーフリーのDFL headに切り替え、YOLO11はC2PSA attentionとC3k2ブロックを挿入し、YOLO26はSPPF residualを追加してheadをNMS-freeかつDFL-freeにしています。ノードの色はドキュメントの図の規則に従っています。緑は入力、青はbackbone、スレート色は空間プーリングとattention、オレンジはneck、紫はheadと出力です。

flowchart TD
    IN[Input 640x640]:::start --> ST[Conv stem<br/>5x stride-2 down to P1-P5]:::proc
    ST --> BB[Darknet-53 backbone<br/>stacked Bottleneck]:::proc
    BB --> FPN[Neck FPN only<br/>top-down Upsample + Concat]:::decide
    FPN --> HD[Detect head<br/>3 scales, anchor-based]:::out
    HD --> O[Predictions + NMS]:::out
    classDef start fill:#4CAF50,color:#fff
    classDef proc fill:#2196F3,color:#fff
    classDef decide fill:#FF9800,color:#fff
    classDef out fill:#9C27B0,color:#fff

YOLOv3とYOLOv5の図は、元のアンカーベースheadを示しています。ultralyticsパッケージはアンカーフリーのYOLOv3uおよびYOLOv5u設定を提供します。これらは、同じDarknet-53とC3 backboneに、YOLOv8のDetect headを組み合わせたもので、Detection Headで説明しています。

Backboneブロック：Bottleneck → C3 → C2f → C3k2#

backboneは、ストライド2のConvダウンサンプリングレイヤーの間に、反復するCSP（クロスステージ・パーシャル）ブロックを積み重ねます。この反復ブロックが、バージョン間で最も大きく変化した部分です。以下のすべてのブロックはblock.pyにあり、c1/c2は入力/出力チャンネル、c = 0.5 * c2はhidden widthです。

Bottleneck（YOLOv3）#

基本単位はBottleneckです。これは2つのConvレイヤー（デフォルトカーネルは(3, 3)）で構成され、shortcut=Trueとc1 == c2の場合はオプションでresidual addを行います。YOLOv3のDarknet-53 backboneは、CSP分割なしでこれらを直接積み重ね、3つのスケール（ストライド8、16、32）で検出します。

C3（YOLOv5）#

YOLOv5のC3は、入力を2つの1x1畳み込みに分割します。cv1はn個のBottleneckブロック（カーネルは(1, 1)、続いて(3, 3)）に入力し、cv2はそれらをバイパスします。2つのパスを連結し、3つ目の1x1 Convで融合します。

def forward(self, x):
    # C3: bottleneck path m(cv1(x)) concatenated with bypass cv2(x), then fused by cv3
    return self.cv3(torch.cat((self.m(self.cv1(x)), self.cv2(x)), 1))

最後のbottleneck出力だけが融合convに到達するため、cv3が受け取る特徴マップは2つです。

C2f（YOLOv8）#

YOLOv8のC2f（「2つの畳み込みを持つCSP Bottleneck、高速」）は、融合convに到達する特徴を変更します。

1. cv1 = Conv(c1, 2 * c, 1)の後、chunk(2)は出力をcチャンネルの2つのテンソルに分割します。
2. n個のBottleneck(c, c)ブロック（カーネルは(3, 3)、(3, 3)）が順番に実行され、それぞれが前のブロックの出力を入力として受け取ります。
3. すべてのn + 2中間テンソルを連結し、cv2 = Conv((2 + n) * c, c2, 1)で融合します。

C3が融合convに2つの特徴マップを渡すのに対し、C2fはn + 2を渡します。つまり、すべての中間bottleneck出力が再利用されます。

C3k2（YOLO11およびYOLO26）#

YOLO11とYOLO26は、C2fのサブクラスであり、反復単位を置き換えるC3k2を使用します。n個の各ブロックは、コンストラクターのフラグに応じて次のいずれかになります。

• 通常のBottleneck（デフォルト、c3k=False）、
• C3kブロック（c3k=True）。カーネルサイズを設定可能なC3のバリアントです。または
• Bottleneck + PSABlockのペア（attn=True）。

2番目のYAML引数は、スケールがm、l、xの場合を除き、c3kを設定します。これらの場合はTrueに強制されます。これにより、1つのyolo11.yamlですべての5つのバリアントに対応できます。したがって、[-1, 2, C3k2, [512, False]]はBottleneck内部をnおよびsで構築しますが、C3k内部はm、l、xで構築します。512はスケーリング前のチャンネル数であり、バリアントのwidth multiplierによってnでは128に、xでは768になります。CSPモジュールでは、repeatsフィールド（ここでは2）は、バリアントのdepth multiplierでスケーリングされる前に、個別のモジュールを積み重ねるのではなく、ブロック内部の反復回数になります。

空間プーリング：SPP → SPPF#

backboneの末尾では、spatial-pyramid-poolingブロックがreceptive fieldを広げます。YOLOv5は、元のマルチカーネルSPPを**SPPF**（Spatial Pyramid Pooling - Fast）に置き換えました。これは、1つのMaxPool2d(kernel_size=5, stride=1, padding=2)をn = 3回順番に適用し、入力と3つすべてのプーリング出力を連結して、1x1 Convで融合します。これはSPP(k=(5, 9, 13))と数学的に同等ですが、連鎖した5x5プーリングが大きなカーネルのreceptive fieldをカバーするため、より低コストです。

YOLO26はshortcutフラグ（SPPF, [1024, 5, 3, True]）を渡します。最深層のc1 == c2 == 1024であるため、SPPFがresidual connection（return y + x）を追加します。

空間attention：C2PSA（YOLO11以降）#

YOLO11はSPPFの後に**C2PSA**を追加しました。これは、n個のPSABlock（Position-Sensitive Attention）モジュールを積み重ねたactive branchを持つCSPブロックです。cv1 = Conv(c1, 2 * c, 1)が特徴を分割し、片方がPSABlockスタックを通過し、cv2 = Conv(2 * c, c1, 1)が連結結果を融合します。各PSABlockは、multi-head attentionに続いて2層のfeed-forward network（Conv(c, 2 * c, 1) → Conv(2 * c, c, 1)）を適用し、それぞれにresidual connectionがあります。YOLO26も同じC3k2 + C2PSA backboneを維持しています。

Neck：FPN + PAN#

neckは、backboneのP3/P4/P5特徴マップを、top-downの特徴ピラミッドネットワーク（FPN）と、それに続くbottom-upのパス集約ネットワーク（PAN）で融合します。YAMLのheadセクションでは、FPNはnn.Upsample + Concat（高解像度へsemantic informationを伝達）であり、PANはストライド2のConv + Concat（上方向へlocalization informationを伝達）です。

# YOLO11 head (FPN top-down, then PAN bottom-up)
- [-1, 1, nn.Upsample, [None, 2, "nearest"]]
- [[-1, 6], 1, Concat, [1]] # cat backbone P4
- [-1, 2, C3k2, [512, False]] # 13
# ... second upsample + concat to P3 ...
- [-1, 1, Conv, [256, 3, 2]]
- [[-1, 13], 1, Concat, [1]] # cat head P4 (PAN)
- [-1, 2, C3k2, [512, False]] # 19

neckは各世代のbackboneブロックを再利用します。YOLOv5ではC3、YOLOv8ではC2f、YOLO11とYOLO26ではC3k2です。そのため、各merge pointではbackboneと同じモジュールが実行されます。3つの融合出力がheadに入力されます。例外はYOLOv3です。YOLOv3のneckはtop-down FPNのみであり、YAMLのheadにストライド2のダウンサンプリングがないため、YOLOv5が導入したbottom-up PANパスはありません。

Detection Head：アンカーベース → アンカーフリー → NMS-free#

headは、3つの融合特徴マップをdetection taskの予測に変換します。設計はバージョンを重ねるごとに、アンカーベースからアンカーフリー、さらにNMS-freeへと変化しました。

アンカーフリーでdecoupledなDetect#

元のYOLOv3とYOLOv5は、アンカーベースでcoupledなheadを使用していました。事前定義されたanchor boxと、ボックスおよびクラス予測で共有するbranchを使用します。独立したultralytics/yolov3およびultralytics/yolov5リポジトリは、このアンカーベース設計を維持しています。一方、主要なultralyticsパッケージは、アンカーフリーのYOLOv3uおよびYOLOv5uバリアントを提供します。これらは、同じDarknet-53とC3 backboneに、YOLOv8のアンカーフリーDetect headを組み合わせたものです。ここで説明するyolov3.yamlおよびyolov5.yaml設定は、過去の設計ではなく、これらのuバリアントです。

Detect head（head.py）はアンカーフリーでdecoupledです。ピラミッドレベルごとに2つの並列branchを実行し、anchor boxに対してではなく、grid point上で直接予測します。

• Box branch（cv2）：Conv(x, c2, 3) → Conv(c2, c2, 3) → Conv2d(c2, 4 * reg_max, 1)。
• **Class branch（cv3）：**YOLO11とYOLO26では、2つのdepthwise-separableブロック（DWConv + 1x1 Conv）→ Conv2d(c3, nc, 1)です。YOLOv8ではlegacyバリアントを使用し、2つの3x3 Convレイヤー→ Conv2d(c3, nc, 1)となります。

したがって、各anchor pointはno = nc + 4 * reg_max個の出力を生成します。事前定義されたanchorを除去することで、調整が必要なハイパーパラメーターからanchor boxのサイズとアスペクト比がなくなります。

Distribution Focal Loss（DFL）#

YOLOv8とYOLO11は、4つのボックス座標をそれぞれ単一のスカラーではなく、reg_max = 16個のbinにわたる分布として回帰します（Generalized Focal Lossの積分形式）。DFLモジュールは、4 * reg_max個のbox channelを(4, reg_max)にreshapeし、reg_max個のbinに対してsoftmaxを適用し、期待bin indexを予測座標として取得します。つまり、各bin indexにsoftmax確率を重み付けして合計します。これは、重みがbin index arange(reg_max)である固定1x1畳み込みとして実装されるため、加重和は単一のdot productになります。

YOLO26：NMS-free、DFL-free#

YOLO26は、headが直接読み取る2つのYAMLパラメーターを設定します。

• end2end: True — Detectはbranchをone-to-one head（one2one_cv2/one2one_cv3）にdeep copyします。このheadは物体ごとに1つの予測を生成し、非最大抑制（NMS）の後処理ステップを除去します。exportと移行の詳細については、End-to-End Detection guideを参照してください。
• reg_max: 1 — binが1つの場合、self.dflはnn.Identity()およびno = nc + 4になります。headは座標を直接回帰し、exportされたONNXグラフにはDFL処理が現れません。

5つのモデルサイズ（n/s/m/l/x）全体で、YOLO26はCOCOにおいて、1.7～11.8 msのT4 TensorRT latencyで40.9～57.5 mAPを達成します。YOLO26 paperの報告値です。

バージョンごとの概要#

モデルごとの詳細、性能表、使用例については、YOLOv3、YOLOv5、YOLOv8、YOLO11、YOLO26の各ページを参照してください。

アーキテクチャを自分で確認する#

model.info()メソッドは、レイヤー、パラメーター、FLOPsの概要を出力し、解析済みのモジュールリストはmodel.model.modelで確認できます。

from ultralytics import YOLO

# Load a pretrained model
model = YOLO("yolo11n.pt")

# Fuse Conv + BatchNorm layers so counts match the published specs
model.fuse()

# Print a summary: layers, parameters, gradients, GFLOPs
model.info()

# Inspect the detection head (the last module in the network)
head = model.model.model[-1]
print(type(head).__name__, "| reg_max:", head.reg_max, "| end2end:", head.end2end)

このスニペットを3つの世代で実行すると、変化を数値で確認できます。これらはultralyticsパッケージから取得した実際のfused modelの出力であり、各model pageに掲載されているパラメーター数とFLOPs数に一致します。

YOLO26nはreg_max=1、end2end=True、およびIdentityのDFLレイヤーを報告します。これは、NMS-freeかつDFL-free headというアーキテクチャ上の特徴です。

まとめ#

バージョンを重ねるごとに、YOLOアーキテクチャは一度に1つのステージを変更してきました。backboneはDarknet-53から、CSPベースのC3、C2f、C3k2ブロックとC2PSA attentionへ移行しました。neckはFPN + PAN構造を維持しながら、SPPがSPPFになりました。headはアンカーベースからアンカーフリーへ、さらにYOLO26のNMS-free、DFL-freeなend-to-end設計へ移行しました。

カスタムアーキテクチャを定義するには、Model YAML Configuration Guideを参照するか、model pagesでモデルを比較してください。質問がある場合は、GitHubまたはDiscordでお問い合わせください。

FAQ#