Ultralytics YOLO26の紹介：より良く、より速く、より小さなYOLOモデル

9月25日にロンドンで開催された年次ハイブリッドイベントYOLO Vision 2025 (YV25)にて、創業者兼CEOのGlenn Jocherが、Ultralytics YOLOモデルシリーズの最新の飛躍となるUltralytics YOLO26を正式に発表しました！新しいコンピュータビジョンモデルであるYOLO26は、スピード、精度、デプロイの容易さのバランスを最適化した合理的なアーキテクチャを備え、画像や動画を分析・解釈できます。

Ultralytics YOLO26は、モデル設計の一部を簡素化し、新たな拡張機能を加えていますが、ユーザーがUltralytics YOLOモデルに期待する使い慣れた機能も引き続き提供します。例えば、Ultralytics YOLO26は使いやすく、さまざまなコンピュータビジョンタスクをサポートし、柔軟な統合およびデプロイオプションを提供します。

言うまでもなく、これによりUltralytics YOLO26への移行は簡単に行えます。10月末の一般公開時にユーザーが実際に体験するのを楽しみにしています。

図1：画像内のオブジェクトを検出するためにYOLO26を使用する例。

簡単に言えば、Ultralytics YOLO26はより良く、より速く、より小さなビジョンAIモデルです。本記事では、Ultralytics YOLO26の主要な機能と、それがもたらすものについて探っていきます。さっそく始めましょう！

Link to this sectionUltralytics YOLO26でビジョンAIの境界を押し広げる#

Ultralytics YOLO26の主要な機能とその応用可能性について詳しく解説する前に、一度立ち止まって、このモデルの開発を動機づけたインスピレーションについて議論しましょう。

Ultralyticsでは、常にイノベーションの力を信じてきました。創業当初から、私たちの使命は二重のものでした。一つは、誰もが障壁なく利用できるようにビジョンAIを身近なものにすることです。もう一つは、コンピュータビジョンモデルが達成できる可能性の境界を押し広げ、常に最先端を維持することです。

この使命の背景にある重要な要因は、AI分野が常に進化していることです。例えば、クラウドに依存するのではなく、デバイス上で直接AIモデルを実行するエッジAIは、さまざまな業界で急速に採用されています。

スマートカメラから自律システムまで、エッジのデバイスは現在、情報をリアルタイムで処理することが求められています。このシフトには、同等の高精度を維持しつつ、より軽量で高速なモデルが必要です。

そのため、Ultralytics YOLOモデルを継続的に改善し続ける必要があります。Glenn Jocherが語るように、「最大の課題の一つは、最高のパフォーマンスを維持しながら、ユーザーがYOLO26を最大限に活用できるようにすることでした。」

Link to this sectionUltralytics YOLO26の概要#

YOLO26は5つの異なるモデルバリエーションでそのまま利用可能であり、あらゆる規模のアプリケーションでその機能を活用できる柔軟性を提供します。これらすべてのモデルバリエーションは、これまでのUltralytics YOLOモデルと同様に、複数のコンピュータビジョンタスクをサポートしています。つまり、どのサイズを選択しても、Ultralytics YOLO11のように、YOLO26の幅広い機能に頼ることができます。

YOLO26がサポートするコンピュータビジョンタスクの概要は以下の通りです。

• オブジェクト検出: YOLO26は、画像や動画フレーム内の複数のオブジェクトを識別・特定できます。
• インスタンスセグメンテーション: 検出の先を行く機能として、YOLO26は特定した各オブジェクトの周囲にピクセル単位の境界線を生成できます。
• 画像分類: モデルは画像全体を分析し、特定のカテゴリまたはラベルを割り当てることができます。
• 姿勢推定: YOLO26はキーポイントを検出し、人間やその他のオブジェクトの姿勢を推定できます。
• 指向性バウンディングボックス (OBB): モデルはあらゆる角度でオブジェクトを検出できます。これは、建物、車両、農作物などが画像フレームと一致しない可能性がある航空写真、ドローン、衛星画像において特に役立ちます。
• オブジェクトトラッキング: YOLO26は、動画フレームやリアルタイムストリーム全体でオブジェクトを追跡するために使用できます。

図2：YOLO26を使用して画像内のオブジェクトを検出する。

Link to this sectionYOLO26のアーキテクチャについて#

YOLO26の機能について理解が深まったところで、そのアーキテクチャにおけるいくつかの革新を見ていきましょう。

モデルの設計は、以前は推論を遅くしバウンディングボックス回帰を制限していたDistribution Focal Loss (DFL) モジュールを削除することで合理化されました。

予測プロセスも、エンドツーエンド (E2E) 推論オプションにより簡素化されました。これにより、モデルは従来のNon-Maximum Suppression (NMS) ステップをスキップできます。この拡張機能は複雑さを軽減し、モデルがより迅速に結果を提供できるようにするため、実世界のアプリケーションへのデプロイが容易になります。

その他の改良により、モデルはよりスマートで信頼性の高いものになりました。Progressive Loss Balancing (ProgLoss) は学習の安定化と精度の向上に寄与し、Small-Target-Aware Label Assignment (STAL) は小さなオブジェクトをより効果的に検出できるようにします。さらに、新しいMuSGDオプティマイザーが学習の収束を改善し、全体的なパフォーマンスを向上させています。

実際、YOLO26の最小バージョンであるナノモデルは、標準的なCPU上で最大43%高速に動作するようになり、モバイルアプリ、スマートカメラ、その他スピードと効率が不可欠なエッジデバイスに最適です。以下は、YOLO26の機能とユーザーが期待できることの概要です。

• DFLの削除: モデルのアーキテクチャからDistribution Focal Lossモジュールを削除しました。画像内のオブジェクトサイズに関係なく、YOLO26はより効率的に動作しながら、最適化されたバウンディングボックスを配置できます。
• エンドツーエンドのNMSフリー推論: YOLO26は、重複する予測を削除するために通常使用されるステップであるNon-Maximum Suppression (NMS)を必要としないオプションモードを追加しました。これにより、リアルタイム使用のためのデプロイがよりシンプルかつ高速になります。
• ProgLossとSTAL: これらの改良により、学習がより安定し、特に複雑なシーンでの小さなオブジェクトの検出精度が大幅に向上しました。
• MuSGDオプティマイザー: YOLO26は、2つの学習オプティマイザー（MuonとSGD）の強みを組み合わせた新しいオプティマイザーを使用しており、モデルがより速く学習し、より高い精度に達するのを助けます。

図3：YOLO26のベンチマーク。

Link to this sectionUltralytics YOLO26によるデプロイの簡素化#

モバイルアプリ、スマートカメラ、エンタープライズシステムのいずれに取り組んでいる場合でも、YOLO26のデプロイはシンプルで柔軟です。Ultralytics Pythonパッケージは、ますます増加するエクスポート形式をサポートしており、既存のワークフローへのYOLO26の統合を容易にし、ほぼすべてのプラットフォームと互換性を持たせています。

エクスポートオプションには、最大のGPUアクセラレーションを実現するTensorRT、幅広い互換性を持つONNX、ネイティブiOSアプリ用のCoreML、Androidやエッジデバイス用のTFLite、Intelハードウェア上で最適化されたパフォーマンスを実現するOpenVINOなどがあります。この柔軟性により、余計な障害なしに、開発から本番環境へYOLO26を容易に移行できます。

デプロイにおけるもう一つの重要な要素は、リソースが制限されたデバイス上でモデルが効率的に動作するようにすることです。ここで量子化が重要となります。簡素化されたアーキテクチャのおかげで、YOLO26はこれを非常にうまく処理します。INT8デプロイ（サイズを削減し、精度低下を最小限に抑えながらスピードを向上させるための8ビット圧縮）や、サポートされているハードウェア上で推論を高速化するための半精度（FP16）をサポートしています。

何よりも重要なのは、YOLO26がこれらの量子化レベル全体で一貫したパフォーマンスを提供することです。そのため、強力なサーバーで実行する場合でも、コンパクトなエッジデバイスで実行する場合でも、信頼して利用できます。

Link to this sectionロボット工学から製造まで：YOLO26のユースケース#

YOLO26は、非常に多くの業界やユースケースにおいて、幅広いコンピュータビジョンアプリケーションで使用できます。ロボット工学から製造まで、ワークフローを改善し、より迅速で正確な意思決定を実現することで大きな影響を与えることができます。

例えば、ロボット工学では、YOLO26はロボットが周囲の状況をリアルタイムで解釈するのを支援できます。これにより、ナビゲーションがよりスムーズになり、オブジェクトのハンドリングがより正確になります。また、人間とのより安全な協調作業も可能になります。

別の例として、製造では、このモデルを欠陥検出に使用できます。製造ライン上の欠陥を、手動の検査よりも迅速かつ正確に自動で識別できます。

図4：YOLO26を使用して製造工場内のボトルを検出する。

一般的に、YOLO26はより良く、より速く、より軽量であるため、軽量なエッジデバイスから大規模なエンタープライズシステムまで、幅広い環境に容易に適応します。これにより、効率性、精度、信頼性の向上を目指す業界にとって実用的な選択肢となります。

Link to this section重要なポイント#

Ultralytics YOLO26は、より良く、より速く、より軽量でありながら、使いやすく、かつ強力なパフォーマンスを実現するコンピュータビジョンモデルです。幅広いタスクやプラットフォームに対応しており、10月末までには誰でも利用可能になります。コミュニティがこれを使用して新しいソリューションを作成し、コンピュータビジョンの境界を押し広げていくのを楽しみにしています。

成長を続ける私たちのコミュニティに参加してください！GitHubリポジトリを探索して、AIについてさらに詳しく学びましょう。小売におけるコンピュータビジョンや自動車業界におけるAIなどのイノベーションについては、ソリューションページをご覧ください。今日からコンピュータビジョンで開発を始めるには、ライセンスオプションをご確認ください。