Ultralytics YOLO11とこれまでのYOLOモデルの比較

日常的なタスクの自動化から、リアルタイムでの的確な意思決定のサポートまで、人工知能（AI）はさまざまな産業の未来を形作り直しています。AIのなかでも特に魅力を放つ分野がcomputer vision（ビジョンAIとも呼ばれます）であり、人間と同様に機械が視覚データを分析・解釈できるようにすることに特化しています。

具体的には、computer vision modelsが安全性と効率性の双方を向上させるイノベーションを推進しています。たとえば、自動運転車で歩行者を検知したり、セキュリティカメラで24時間体制で敷地を監視したりするためにこれらのモデルが使用されています。

最もよく知られているコンピュータビジョンモデルの一つが、リアルタイムの物体検知能力で知られるYOLO（You Only Look Once）モデルです。時間の経過とともにYOLOモデルは進化を続け、新しいバージョンが登場するたびに性能と柔軟性が向上しています。

Ultralytics YOLO11のような新しいバージョンでは、インスタンスセグメンテーション、画像分類、姿勢推定、マルチオブジェクトトラッキングなど多様なタスクを、従来よりも優れた精度、速度、緻密さで処理できます。

この記事では、Ultralytics YOLOv8、YOLOv9、YOLOv10、そしてUltralytics YOLO11を比較し、これらのモデルがどのように進化してきたかを詳しく見ていきます。主要な機能、ベンチマーク結果、性能の違いを分析します。それでは始めましょう！

Ultralytics YOLOv8の概要#

Ultralyticsが2023年1月10日にリリースしたYOLOv8は、それ以前のYOLOモデルと比較して大きな前進を遂げました。リアルタイムかつ高精度な検知のために最適化されており、実績のある手法と革新的なアップデートを組み合わせて、より優れた結果を実現しています。

オブジェクト検出にとどまらず、インスタンスセグメンテーション、姿勢推定（ポーズ推定）、指向性バウンディングボックス（OBB）オブジェクト検出、画像分類という以下のコンピュータビジョンタスクもサポートしています。Ultralytics YOLOv8のもう一つの重要な特徴は、Nano、Small、Medium、Large、Xの5つの異なるモデルバリアントとして利用できるため、ニーズに合わせて速度と精度の最適なバランスを選択できる点です。

その汎用性と強力なパフォーマンスにより、Ultralytics YOLOv8はセキュリティシステム、スマートシティ、ヘルスケア、産業オートメーションなど、多くの現実世界のアプリケーションで使用できます。

Fig 1. YOLOv8を活用したスマートシティの駐車場管理。

Ultralytics YOLOv8の主な特徴#

以下は、Ultralytics YOLOv8のその他の主要機能についての詳細な解説です。

• 高度な検出アーキテクチャ: Ultralytics YOLOv8は、改良されたCSPDarknetバックボーンを使用しています。このバックボーンは、モデルが正確な予測を行うのに役立つ重要なパターンや詳細を入力画像から識別してキャプチャするプロセスである、特徴抽出に最適化されています。
• 検出ヘッド（Detection head）: アンカーフリー（anchor-free）のデカップルド（分離型）デザインを採用しており、事前設定されたバウンディングボックスの形状（アンカー）に依存せず、オブジェクトの位置を直接予測することを学習します。デカップルド設計により、オブジェクトの種類を分類するタスクと位置を予測するタスク（回帰）が個別に処理されるため、精度の向上とトレーニングの高速化に貢献します。
• 精度と速度のバランス: このモデルは高い推論速度を維持しながらも印象的な精度を達成しており、クラウド環境とエッジ環境の両方に適しています。
• 使いやすさ: YOLOv8は簡単に使い始められるよう設計されており、Ultralytics Python packageを使用すれば、わずか数分で予測を実行し結果を確認し始めることができます。

計算効率に重点を置いたYOLOv9#

YOLOv9は、台湾・中央研究院資訊科学研究所のChien-Yao Wang氏とHong-Yuan Mark Liao氏によって2024年2月21日にリリースされました。オブジェクト検出やinstance segmentationなどのタスクをサポートしています。

このモデルはUltralytics YOLOv5をベースにしており、プログラマブル勾配情報（PGI）と汎用効率的層集約ネットワーク（GELAN）という2つの主要なイノベーションを導入しています。

PGIは、データを層ごとに処理する際に重要な情報を維持するのに役立ち、より正確な結果をもたらします。一方、GELANはモデルが層を使用する方法を改善し、性能と計算効率を向上させます。これらのアップグレードのおかげで、YOLOv9はコンピューティングリソースが限られているエッジデバイスやモバイルアプリでもリアルタイムタスクを処理できます。

Fig 2. GELANがYOLOv9の精度を向上させる仕組み。

YOLOv9の主な特徴#

YOLOv9のその他の主な特徴を少し紹介します。

• 効率性と高い精度: YOLOv9は多くの計算リソースを消費することなく高い検知精度を実現しており、リソースが限られている場合に最適な選択肢です。
• 軽量モデル: YOLOv9の軽量なモデルバリエーションは、エッジおよびモバイルデバイスへの展開に最適化されています。
• 使いやすさ: YOLOv9はUltralytics Pythonパッケージでサポートされているため、コードでもコマンドラインでも、さまざまな環境で簡単にセットアップして実行できます。

NMSフリーの物体検知を可能にするYOLOv10#

YOLOv10は、清華大学の研究者らによって2024年5月23日に導入され、リアルタイム物体検知に焦点を当てています。重複する検知を取り除くための後処理ステップである非最大値抑制（NMS）を不要にし、モデル全体の設計を洗練させることで、従来のYOLOバージョンの限界に対処しました。これにより、最先端の精度を維持しながら、より高速で効率的な物体検知が可能になりました。

これを可能にする重要な要素は、一貫した二重ラベル割り当て（consistent dual-label assignments）と呼ばれるトレーニング手法です。これは2つの戦略を組み合わせたもので、複数の予測が同じ物体から学習できるようにする戦略（one-to-many）と、最良の単一予測を選択することに集中する戦略（one-to-one）を統合しています。両方の戦略が同じマッチング規則に従うため、モデルは重複を自己回避するように学習し、NMSが不要になります。

Fig 3. YOLOv10はNMSフリー学習のために一貫したデュアルラベル割り当てを使用します。

YOLOv10のアーキテクチャは、特徴をより効果的に学習するための改良されたCSPNetバックボーンと、異なる層からの情報を統合するPAN（Path Aggregation Network）ネックを使用しており、小さい物体と大きい物体の両方を検知する能力が向上しています。これらの改良により、製造、小売、自動運転といった実世界のアプリケーションにYOLOv10を活用することが可能になりました。

YOLOv10の主な特徴#

YOLOv10のその他の際立った特徴をいくつか挙げます。

• ラージカーネル畳み込み: このモデルはラージカーネル畳み込みを使用して、画像内の広い領域からより多くのコンテキストを捉え、シーン全体をより深く理解できるようにしています。

• 部分的なセルフアテンションモジュール: このモデルには、計算リソースを過度に使用することなく画像の最も重要な部分に焦点を当てる部分的なセルフアテンションモジュールが組み込まれており、パフォーマンスを効率的に高めています。

• ユニークなモデルバリエーション: 通常のYOLOv10サイズ（Nano、Small、Medium、Large、X）に加えて、YOLOv10b（Balanced）と呼ばれる特別なバージョンがあります。これはより幅の広いモデルであり、各層でより多くの特徴を処理するため、速度とサイズのバランスを保ちながら精度の向上に寄与します。

• ユーザーフレンドリー: YOLOv10はUltralytics Pythonパッケージと互換性があり、簡単に利用できます。

Ultralytics YOLO11：速度と精度の向上#

今年9月30日、Ultralyticsは、年次ハイブリッドイベントであるYOLO Vision 2024 (YV24)にて、YOLOシリーズの最新モデルのひとつであるYOLO11を正式に発表しました。

このリリースでは、従来バージョンに比べて大幅な改善が導入されました。Ultralytics YOLO11はより高速で、より精度が高く、非常に効率的です。YOLOv8ユーザーが慣れ親しんでいる、物体検出、インスタンスセグメンテーション、画像分類を含む、あらゆるコンピュータビジョンタスクをサポートしています。また、YOLOv8のワークフローとの互換性も維持されており、ユーザーは新しいバージョンへスムーズに移行できます。

さらに、Ultralytics YOLO11は、軽量なエッジデバイスから強力なクラウドシステムまで、幅広いコンピューティングニーズを満たすように設計されています。このモデルはオープンソース版とエンタープライズ版の両方で提供されており、さまざまなユースケースに適応可能です。

医療画像診断や衛星検知といった精度が求められるタスクや、自動運転車、農業、ヘルスケアなどのより広範なアプリケーションにとって素晴らしい選択肢です。

図4。Ultralytics YOLO11を使用して交通量を検知、カウント、トラッキングする様子。

Ultralytics YOLO11の主な特徴#

以下は、Ultralytics YOLO11のその他のユニークな機能の一部です。

• 高速で効率的な検出: Ultralytics YOLO11は、パフォーマンスを損なうことなく最終的な予測レイヤーでの速度に重点を置き、最小限のレイテンシを実現するように設計された検出ヘッドを備えています。
• 特徴抽出の改善: 最適化されたバックボーンとネックのアーキテクチャにより、特徴抽出が強化され、より正確な予測が可能になっています。
• プラットフォーム間でのシームレスなデプロイ: Ultralytics YOLO11は、エッジデバイス、クラウドプラットフォーム、NVIDIA GPU上で効率的に動作するように最適化されており、さまざまな環境への適応性を確保しています。

COCOデータセットでのYOLOモデルのベンチマーク#

さまざまなモデルを検討する際、機能を見るだけではcompareすることが容易ではない場合があります。そこでベンチマークの出番となります。すべてのモデルを同じデータセットで実行することで、そのパフォーマンスを客観的に測定し比較することができます。各モデルがCOCO dataset上でどのように機能するかを見てみましょう。

YOLOモデルを比較すると、新しいバージョンが出るたびに精度、速度、柔軟性の面で顕著な改善が見られます。特にYOLO11mは、YOLOv8mよりも22%少ないパラメータを使用しているため、軽量かつ高速に動作するという飛躍を遂げています。また、サイズが小さいにもかかわらず、COCOデータセットにおいて高い平均適合率（mAP）を達成しています。この指標はモデルが物体をどれだけうまく検知・位置特定できるかを測定するものであり、mAPが高いほど予測が正確であることを意味します。

Fig 5. COCO datasetにおけるYOLO11およびその他のYOLOモデルのベンチマーク。

ビデオを用いたYOLOモデルのテストと比較#

これらのモデルが実世界の状況でどのように機能するかを探ってみましょう。

YOLOv8, YOLOv9, YOLOv10, and YOLO11,を比較するために、公平な評価を行うため、信頼度スコア0.3（モデルがオブジェクトを正しく識別したと少なくとも30%確信している場合にのみ検出結果を表示する）と画像サイズ640を使用し、4つのモデルすべてを同じ交通動画で実行しました。オブジェクトの検出および追跡結果から、検出の精度、速度、緻密さにおける主な違いが浮き彫りになりました。

最初のフレームから、YOLO11はYOLOv10が見逃したトラックのような大型車両を捉えていました。YOLOv8とYOLOv9はまずまずの性能を示しましたが、照明条件や物体のサイズによって差がありました。遠くの小さな車両はすべてのモデルにとって課題でしたが、YOLO11はそのような検知においても顕著な改善を見せています。

Fig 6. YOLOv8、YOLOv9、YOLOv10、YOLO11の比較。

速度の面では、すべてのモデルが1フレームあたり10〜20ミリ秒で動作し、50 FPSを超えるリアルタイムタスクを処理するのに十分な速度でした。一方で、Ultralytics YOLOv8およびYOLOv9は、ビデオ全体を通じて安定した信頼性の高い検出を提供しました。興味深いことに、低レイテンシ向けに設計されたYOLOv10はより高速でしたが、特定のオブジェクトタイプの検出においていくつかの不整合が見られました。

一方、Ultralytics YOLO11はその精度において際立っており、速度と精度の間で優れたバランスを提供しました。すべてのモデルがすべてのフレームで完璧に動作したわけではありませんが、並行比較により、YOLO11が全体として最高のパフォーマンスを発揮したことが明確に示されました。

コンピュータビジョンタスクに最適なYOLOモデルはどれか？#

プロジェクトに適したモデルの選択は、その特定の要件に依存します。例えば、速度を優先するアプリケーションもあれば、より高い精度を必要とするアプリケーションや、デプロイ上の制約が意思決定に影響を与えるアプリケーションもあります。

もう一つの重要な要素は、取り組むべきコンピュータビジョンタスクの種類です。さまざまなタスクにわたってより広範な柔軟性を求めているなら、YOLOv8とYOLO11が良い選択肢です。

YOLOv8とYOLO11のどちらを選ぶかは、実際のニーズによって決まります。コンピュータビジョンが初めてであり、より大きなコミュニティ、豊富なチュートリアル、充実したthird-party integrationsを重視する場合には、YOLOv8が確実な選択肢となります。

その一方で、より優れた精度と速度を備えた最先端のパフォーマンスをお探しの場合は、Ultralytics YOLO11の方がより良い選択肢ですが、リリースが新しいため、コミュニティが比較的小さく、統合機能も少なくなっています。

重要なポイント#

Ultralytics YOLOv8からUltralytics YOLO11まで、YOLOモデルシリーズの進化は、よりインテリジェントなコンピュータビジョンモデルへの一貫した取り組みを反映しています。YOLOの各バージョンは、速度、精度、緻密さの面で意味のあるアップグレードをもたらしています。

コンピュータビジョンが進歩し続ける中、これらのモデルは物体検知から自律システムまで、現実世界の課題に対する信頼性の高いソリューションを提供します。YOLOモデルの継続的な開発は、この分野がどれほど進歩してきたか、そして将来にどれほど多くの期待を寄せられるかを示しています。

AIについてさらに学ぶには、GitHub repositoryにアクセスし、our community.に参加してください。vision AI in manufacturingからcomputer vision in healthcareまで、産業全体にわたる進歩を発見しましょう。licensing optionsを確認して、今すぐビジョンAIプロジェクトを始めましょう。