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、特徴を抽出するバックボーン、スケール間で特徴を融合するネック、ボックスとクラスを予測するヘッドの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までの変化を説明し、各コンポーネントをultralytics/cfg/models/配下の設定ファイル内の定義、およびultralytics/nn/modules/内のモジュールクラスに対応付けます。

各モデルはYAMLファイルで宣言的に定義され、レイヤーを順に並べたリストで表されます。各レイヤーは[from, repeats, module, args]形式に従います。つまり、入力元となるレイヤー、モジュールの繰り返し回数、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。モデルYAML設定ガイドでは、この形式に加えて、repeatsとargsがバリアントの深さ倍率と幅倍率に応じてどのようにスケーリングされるか、モジュール解決システムの全容を説明しています。このガイドでは、モジュールそのものと、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モデルでは、画像が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過します。

基本単位はConvブロック（conv.pyで定義）です。2D畳み込み、バッチ正規化、SiLU活性化を順に適用します。以下のより大きなモジュールはすべて、Convブロックを組み合わせて構成されています。

アーキテクチャ図#

各バージョンはバックボーン → ネック → ヘッドという同じ骨格を維持し、特定のステージを変更しています。以下のタブにはバージョンごとの構造が表示されます。バックボーンとネックのステージはultralytics/cfg/models/の設定に従っています。一方、YOLOv3とYOLOv5のヘッドは、パッケージの設定で実際に採用されているアンカーフリーのuバリアントのヘッドではなく、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わかります。要約すると、YOLOv3はFPNのみを使用するアンカーベースの検出器です。YOLOv5ではボトムアップのPAN経路とSPPFが追加されます。YOLOv8ではC2fブロックに切り替わり、アンカーフリーのDFLヘッドが採用されます。YOLO11ではC2PSAアテンションとC3k2ブロックが追加されます。YOLO26ではSPPF残差が追加され、DFLが削除され、オプションでNMSフリーのヘッドが追加されます。

YOLOv3とYOLOv5の図には、元のアンカーベースのヘッドを示しています。ultralyticsパッケージでは、アンカーフリーのYOLOv3uおよびYOLOv5u設定を提供しています。これらは、Darknet-53およびC3バックボーンに、YOLOv8のDetectヘッドを組み合わせたもので、検出ヘッドで説明しています。

バックボーンブロック：Bottleneck → C3 → C2f → C3k2#

バックボーンでは、ストライド2のConvダウンサンプリングレイヤーの間に、繰り返し使用するCSP（Cross-Stage Partial）ブロックを積み重ねます。この繰り返しブロックは、バージョン間で最も大きく変化した部分です。以下のブロックはすべてblock.pyにあります。c1/c2は入力/出力チャネル、c = 0.5 * c2は隠れ層の幅です。

Bottleneck（YOLOv3）#

基本単位はBottleneckです。2つのConvレイヤー（デフォルトのカーネルは(3, 3)）で構成され、shortcut=Trueとc1 == c2の場合は残差加算が任意で行われます。YOLOv3のDarknet-53バックボーンでは、CSP分割を行わずに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では、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)）に順に渡され、cv2はそれらを迂回します。2つの経路を連結し、3つ目の1x1 Convで融合します。

def forward(self, x):
    # C3：ボトルネック経路m(cv1(x))をバイパスcv2(x)と連結し、その後cv3で融合します
    return self.cv3(torch.cat((self.m(self.cv1(x)), self.cv2(x)), 1))

最後のボトルネック出力だけが融合畳み込みに渡されるため、cv3が受け取る特徴マップは2つです。

C2f（YOLOv8）#

YOLOv8のC2f（「2つの畳み込みを備えたCSP Bottleneck、高速化」）では、融合畳み込みに渡される特徴が変更されています。

1. cv1 = Conv(c1, 2 * c, 1)の後、chunk(2)で出力をcチャネルのテンソル2つに分割します。
2. n個のBottleneck(c, c)ブロック（カーネルは(3, 3)、(3, 3)）を順に実行し、各ブロックには直前のブロックの出力を入力します。
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では2つの特徴マップを融合畳み込みに渡すのに対し、C2fではn + 2個を渡します。すべての中間ボトルネック出力を再利用します。

C3k2（YOLO11およびYOLO26）#

YOLO11とYOLO26では、C2fのサブクラスであり、繰り返し単位を入れ替えたC3k2を使用します。コンストラクターのフラグに応じて、n個のブロックはそれぞれ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できるC3バリアントです。または
• Bottleneck + PSABlockのペア（attn=True）。

2つ目のYAML引数は、スケールがm、l、xのいずれでもない限り、c3kを設定します。これらのスケールではTrueに固定されるため、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。そのため、[-1, 2, C3k2, [512, False]]はnおよびsでBottleneck内部構造を構築し、m、l、xではC3k内部構造を構築します。512はスケーリング前のチャネル数で、バリアントの幅倍率によってnでは128、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、バリアントの深さ倍率でスケーリングされる前の値であり、個別のモジュールを積み重ねる回数ではなく、ブロック内部の繰り返し回数になります。

空間プーリング：SPP → SPPF#

バックボーンの終端では、空間ピラミッドプーリングブロックによって受容野を広げます。YOLOv5では、元の複数カーネルを用いるSPPをSPPF（Spatial Pyramid Pooling - Fast）に置き換えました。これは単一のMaxPool2d(kernel_size=5, stride=1, padding=2)をn = 3回連続して適用し、入力と3つのプーリング出力を連結して、1x1 Convで融合します。連鎖した5x5プーリングが大きなカーネルの受容野をカバーするため、数学的にはSPP(k=(5, 9, 13))と等価でありながら、計算コストが低くなります。

YOLO26ではショートカットフラグ（SPPF, [1024, 5, 3, True]）を渡します。最も深い層のc1 == c2 == 1024であるため、SPPFが残差接続（return y + x）を追加します。

空間アテンション：C2PSA（YOLO11以降）#

YOLO11では、SPPFの後にC2PSAが追加されました。これはCSPブロックで、アクティブな経路はn個のPSABlock（Position-Sensitive Attention）モジュールを積み重ねています。cv1 = Conv(c1, 2 * c, 1)が特徴を分割し、片方をPSABlockスタックに通した後、cv2 = Conv(2 * c, c1, 1)が連結結果を融合します。各PSABlockでは、マルチヘッドアテンションの後に2層のフィードフォワードネットワーク（Conv(c, 2 * c, 1) → Conv(2 * c, c, 1)）を適用します。いずれも残差接続を備えています。YOLO26でも、同じC3k2 + C2PSAバックボーンを使用しています。

ネック：FPN + PAN#

ネックでは、トップダウンのFeature Pyramid Network（FPN）と、それに続くボトムアップのPath Aggregation Network（PAN）によって、バックボーンのP3/P4/P5特徴マップを融合します。YAMLのヘッドセクションでは、FPNはnn.Upsample + Concat（意味情報を高解像度側へ伝達）、PANはストライド2のConv + Concat（位置情報を上位側へ戻す）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

ネックでは、同じ世代のバックボーン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を使うため、各結合点ではバックボーンと同じモジュールが実行されます。融合された3つの出力がヘッドに渡されます。例外はYOLOv3です。YOLOv3のネックはトップダウンFPNのみで構成され、YAMLのヘッドにストライド2のダウンサンプリングはありません。YOLOv5で導入されたボトムアップPAN経路もありません。

検出ヘッド：アンカーベース → アンカーフリー → NMSフリー#

ヘッドは、融合された3つの特徴マップを検出タスクの予測に変換します。設計はバージョンごとに変化し、アンカーベースからアンカーフリー、さらにNMSフリーへと進化しました。

アンカーフリーで分離されたDetect#

元のYOLOv3とYOLOv5では、アンカーベースで結合されたヘッドを使用していました。事前定義されたアンカーボックスと、ボックスとクラスの予測を共有するブランチで構成されています。独立したultralytics/yolov3およびultralytics/yolov5リポジトリでは、このアンカーベースの設計を維持しています。一方、メインのultralyticsパッケージでは、アンカーフリーのYOLOv3uおよびYOLOv5uバリアントを提供しています。これらはDarknet-53およびC3バックボーンに、YOLOv8のアンカーフリーDetectヘッドを組み合わせています。また、ここで説明するyolov3.yamlとyolov5.yamlの設定は、過去の設計ではなく、これらのuバリアントを対象としています。

Detectヘッド（head.py）はアンカーフリーで、予測を分離しています。ピラミッドの各レベルで2つの並列ブランチを実行し、アンカーボックスではなくグリッドポイントに対して直接予測します。

• ボックスブランチ（cv2）： Conv(x, c2, 3) → Conv(c2, c2, 3) → Conv2d(c2, 4 * reg_max, 1)。
• クラスブランチ（cv3）： YOLO11とYOLO26では、深さ方向分離可能なブロック2つ（DWConv + 1x1 Conv）の後にConv2d(c3, nc, 1)を適用します。YOLOv8では従来のバリアントを使用し、3x3 Convレイヤー2つの後にConv2d(c3, nc, 1)を適用します。

そのため、各アンカーポイントはno = nc + 4 * reg_max個の出力を生成します。事前定義されたアンカーをなくすことで、調整が必要なハイパーパラメーターからアンカーボックスのサイズとアスペクト比を除外できます。

Distribution Focal Loss（DFL）#

YOLOv8とYOLO11では、4つのボックス座標それぞれを単一のスカラーではなく、reg_max = 16個のビン上の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個のボックスチャネルを(4, reg_max)に整形し、reg_max個のビンに対してsoftmaxを適用した後、期待ビンインデックスを取得します。これは、各ビンインデックスに対応するsoftmax確率を重みとして掛け合わせ、その合計を予測座標とするものです。これは、重みがビンインデックスarange(reg_max)である固定の1x1畳み込みで実装されるため、重み付き和は単一の内積になります。

YOLO26：NMSフリー、DFLフリー#

YOLO26では、ヘッドが直接読み取る2つのYAMLパラメーターを設定します。

• end2end: True — Detectはブランチをディープコピーして、ワンツーワンヘッド（one2one_cv2/one2one_cv3）を作成します。このヘッドは、オブジェクトごとに1つの予測を学習します。このYAML設定では、学習用のヘッドを2つ作成します。実行時にはnms=Falseがワンツーワンヘッドを選択し、Non-Maximum Suppression（NMS）の後処理を削除します。推論とエクスポートの詳細については、エンドツーエンド検出ガイドをご覧ください。
• reg_max: 1 — ビンが1つの場合、self.dflはnn.Identity()とno = nc + 4になります。ヘッドは座標を直接回帰し、エクスポートされたONNXグラフにはDFL演算が含まれません。

5つのモデルサイズ（n/s/m/l/x）全体で、YOLO26はCOCOで40.9～57.5 mAPを達成し、T4でのTensorRTレイテンシは1.7～11.8 msです。YOLO26の論文で報告されています。

バージョンごとの概要#

モデルごとの詳細、パフォーマンステーブル、使用例については、YOLOv3、YOLOv5、YOLOv8、YOLO11、YOLO26の各ページをご覧ください。

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

# 事前トレーニング済みモデルを読み込む
model = YOLO("yolo11n.pt")

# 公開されている仕様とカウントを一致させるため、ConvレイヤーとBatchNormレイヤーを融合します
model.fuse()

# レイヤー、パラメーター、勾配、GFLOPsの概要を出力します
model.info()

# 検出ヘッド（ネットワーク内の最後のモジュール）を確認します
head = model.model.model[-1]
print(type(head).__name__, "| reg_max:", head.reg_max, "| DFL layer:", type(head.dfl).__name__)

3世代にわたってスニペットを実行すると、変化を数値で確認できます。これらはultralyticsパッケージから得られた実際の融合モデル出力で、各モデルページに掲載されているパラメーター数とFLOPs数に一致しています。

YOLO26nではreg_max=1とDFLレイヤーIdentityが報告されています。予測と検証では、デフォルトでNMSを使うワンツーメニーモードを使用します。NMSフリー推論を行うには、nms=Falseを設定します。両方のヘッドが学習されます。

結論#

バージョンを追うごとに、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。バックボーンはDarknet-53から、CSPベースのC3、C2f、C3k2ブロックとC2PSAアテンションへと移行しました。ネックはFPN + PAN構造を維持しながら、SPPがSPPFに置き換わりました。ヘッドはアンカーベースからアンカーフリーへと移行し、その後、YOLO26ではDFLを使わない設計となり、オプションでNMSフリーのエンドツーエンドヘッドが追加されました。

カスタムアーキテクチャを定義する方法については、モデルYAML設定ガイドをご覧いただくか、モデルページでモデルを比較してください。ご質問はGitHubまたはDiscordでお問い合わせください。

よくある質問#