YOLO Vision 2025 ShenzhenにおけるUltralyticsの主な見どころ！

10月26日、YOLO Vision 2025 (YV25)が中国で初開催され、深圳のOCT Creative Culture ParkにあるB10棟に200人を超える参加者が集まりました。Ultralyticsのハイブリッド形式のビジョンAIイベントには、対面参加者に加えて、YouTubeやBilibiliを通じてさらに多くの人がオンラインで参加しました。

YV25 Shenzhenのライブ配信はすでにYouTubeで3,500回以上再生され、イベントのハイライトがコミュニティで共有されるにつれて、注目を集め続けています。ビジョンAIの未来について、アイデアを交わし、議論し、実際に体験する一日となりました。

イベントは、司会のHuang Xueyingによる温かい歓迎の挨拶で始まりました。Huangは参加者に交流や学びを促し、イベントを通じて行われる議論への参加を呼びかけました。また、9月に開催されたロンドン版に続き、今年2回目のYOLO Visionであることを説明し、ここ深圳で再びビジョンAIコミュニティを結集できた喜びを語りました。

この記事では、モデルのアップデート、登壇セッション、ライブデモ、そして参加者を結び付けたコミュニティの交流など、当日のハイライトを振り返ります。

これまでのUltralytics YOLOモデルの歩み#

この日の最初の基調講演では、Ultralyticsの創業者兼CEOであるGlenn Jocherが、Ultralytics YOLOモデルが研究上のブレークスルーから、世界で最も広く使われるビジョンAIモデルの一つへと成長した経緯を語りました。Glennは、初期の取り組みではYOLOをより使いやすくすることに注力していたと説明しました。

GlennはモデルをPyTorchに移植し、ドキュメントを改善して、世界中の開発者がその上に構築できるよう、すべてをオープンに共有しました。振り返って、次のように述べています。「2018年に真っ先に飛び込みました。ここが自分の進む道だと決めたのです。」個人的な取り組みとして始まった活動は、すぐに世界規模のオープンソース運動へと成長しました。

図1。YOLO Vision 2025 Shenzhenのステージで講演するGlenn Jocher。

現在、Ultralytics YOLOモデルは毎日数十億回の推論を支えています。Glennは、この規模が実現できたのは、開発に貢献した人々のおかげだと強調しました。世界中の研究者、エンジニア、学生、愛好家、オープンソース貢献者が、今日のYOLOを形作ってきました。

Glennは次のように述べています。「貢献者はおよそ1,000人いて、本当に感謝しています。こうした人たちがいなければ、今の私たちはありません。」

Ultralytics YOLO26のアップデート#

Ultralytics YOLO26は、今年初めに開催されたYOLO Vision 2025 Londonで初めて紹介され、Ultralytics YOLOモデルファミリーにおける次の大きな進化として発表されました。YV25 Shenzhenでは、Glennが発表後の進捗を報告し、モデルがどのように進化しているかをAIコミュニティに詳しく紹介しました。

Ultralytics YOLO26は、実環境での実用性を保ちながら、小型化、高速化、高精度化を目指して設計されています。Glennによると、チームはこの1年間、アーキテクチャの改良、デバイス間の性能ベンチマーク、研究とコミュニティからのフィードバックの取り込みに取り組んできました。目標は、モデルのデプロイを難しくすることなく、最先端の性能を実現することです。

Ultralytics YOLO26に期待できること#

Glennが強調した主要なアップデートの一つは、Ultralytics YOLO26に専用のハイパーパラメーター調整キャンペーンが導入されることです。大規模なデータセットでのファインチューニングへと移行し、トレーニングを完全にゼロから行う手法を見直します。このアプローチは、実際のユースケースにより適していると説明しました。

イベントでは、ほかにも次のような主要な改善点が紹介されました。

• アーキテクチャの簡素化：Distribution Focal Loss（DFL）レイヤーが削除されました。これにより、同じ精度を維持しながら、モデルをよりシンプルかつ高速に実行できます。
• エンドツーエンド推論への対応: Ultralytics YOLO26はネイティブでエンドツーエンドに設計されているため、独立したNMSレイヤーなしで実行できます。これにより、ONNXやTensorRTなどの形式へのエクスポートや、エッジハードウェアへのデプロイが大幅に容易になります。
• 小物体検出性能の向上：損失関数の戦略が更新され、モデルが小さな物体をより確実に検出できるようになります。これはコンピュータービジョンにおける長年の課題でした。
• 新しいハイブリッドオプティマイザー: YOLO26には、近年の大規模言語モデルのトレーニング研究に着想を得た新しいオプティマイザーが含まれており、モデルの精度を向上させます。このオプティマイザーは、Ultralytics Pythonパッケージに直接組み込まれています。

Ultralytics YOLO26は実用的なビジョンAIの次のステップです#

これらのアップデートにより、モデルの精度がUltralytics YOLO11を上回る一方で、CPU上では最大43%高速になります。YOLO26は、組み込みデバイス、ロボティクス、エッジシステムで特に大きな効果を発揮します。

Ultralytics YOLO26は、現在YOLO11で利用できるすべてのタスクとモデルサイズに対応し、ファミリー全体で25種類のモデルバリアントを提供する予定です。これには、検出、セグメンテーション、分類、姿勢推定、向き付きバウンディングボックス向けのモデルが含まれ、nanoからextra largeまでのサイズが用意されます。

チームは、プロンプトに対応する5種類のバリエーションにも取り組んでいます。これらのモデルは、トレーニングなしでテキストプロンプトを受け取り、バウンディングボックスを直接返せます。

これは、さまざまなユースケースに合わせてより簡単に適応できる、指示ベースの柔軟なビジョンワークフローに向けた初期段階です。Ultralytics YOLO26モデルは現在も開発中ですが、初期の性能結果は良好で、チームは近日中のリリースに向けて取り組んでいます。（更新: Ultralytics YOLO26はその後リリースされました。）

Ultralytics Platformの紹介#

YOLO26のアップデートの後、Glennはプロダクトエンジニアリング責任者のPrateek Bhatnagarを招き、Ultralytics Platformのライブデモを行いました。このプラットフォームは、データセットの探索、画像のアノテーション、モデルのトレーニング、結果の比較など、コンピュータービジョンのワークフローにおける主要な工程を一元化するために開発されています。

図2。Ultralytics Platformを紹介するPrateek Bhatnagar。

Prateekは、このプラットフォームがUltralyticsのオープンソースの理念を受け継いでいると説明し、データセットコミュニティとプロジェクトコミュニティという2つのコミュニティスペースを紹介しました。開発者はそこで、互いの成果に貢献し、再利用し、改善できます。デモでは、AI支援アノテーション、手軽なクラウドトレーニング、ローカルのGPUリソースを必要とせずコミュニティから直接モデルをファインチューニングする機能も紹介しました。

このプラットフォームは現在開発中ですが、その後リリースされました。Prateekは、今後の発表に注目するよう聴衆に呼びかけ、リリースを支援するため中国でチームを拡大していると伝えました。

YOLOを支える人々：著者によるパネルディスカッション#

勢いが高まる中、イベントは複数のYOLOモデルを手がけた研究者を迎えるパネルディスカッションへと移りました。パネルにはGlenn Jocherに加え、シニア機械学習エンジニアのJing Qiu、Metaの機械学習エンジニアでYOLOv10の著者の一人であるChen Hui、MeituanのアルゴリズムストラテジストでYOLOv6の著者の一人であるBo Zhangが参加しました。

図3. Huang Xueying、Chen Hui、Bo Zhang、Jing Qiu、Glenn Jocherが参加した、YOLOモデル開発に関するパネルディスカッション。

議論では、YOLOが実環境での利用を通じてどのように進化し続けているかに焦点が当てられました。登壇者は、エッジデバイスでの効率的な実行、小物体検出の改善、モデルのエクスポートの簡素化など、実用化における課題が進歩を促すことが多い点を取り上げました。

パネルでは、精度だけを追求するのではなく、本番環境で速度、使いやすさ、信頼性のバランスを取ることが重要だと指摘されました。また、反復的な改善とコミュニティからのフィードバックの価値も、共通の学びとして挙げられました。

会話から得られた、ほかの興味深い知見をご紹介します。

• オープンボキャブラリー検出がYOLOエコシステムで注目を集めています：新しいモデルは、視覚と言語のアライメントやプロンプトベースのワークフローにより、固定されたカテゴリを超えて物体を検出できることを示しています。
• 軽量なアテンションが台頭しています：パネルでは、あらゆる箇所でフルアテンションを使うのではなく、効率的なアテンション機構を使うことで、エッジデバイスでの推論に十分な軽さを保ちながら精度を高められることが議論されました。
• コミュニティと早い段階から頻繁に反復しましょう：パネリストは、構築、テスト、改善を繰り返す姿勢を強調しました。モデルを早めに公開し、ユーザーから学ぶことは、長期にわたる非公開の開発サイクルよりも優れた成果につながります。

AIとビジョンの未来を形づくる思想的リーダー#

次に、YV25 Shenzhenの基調講演をいくつか詳しく見ていきましょう。AIコミュニティのリーダーたちが、デジタルヒューマンやロボティクスからマルチモーダル推論、効率的なエッジ展開まで、ビジョンAIの進化について語りました。

人間の体験を理解するAIを育てる#

示唆に富むセッションで、Alibaba Qwen LabのPeng Zhang博士は、より自然な動きと制御を備えた表現豊かなデジタルヒューマンを生成できる大規模動画モデルを、チームがどのように開発しているかを紹介しました。音声や動きの参照情報からリアルな発話、ジェスチャー、アニメーションを生成するWan S2VとWan Animateを解説し、テキストだけに依存した生成の限界に取り組んでいると説明しました。

図4. 大規模動画モデルがデジタルヒューマンを実現する方法を説明するPeng Zhang。

Zhang博士は、外見や動きをゼロショットで複製する技術や、ライブカメラ映像から直接顔をアニメーション化できる軽量モデルなど、リアルタイムで対話可能なアバターの実現に向けた進展についても話しました。これにより、日常的なデバイスでも自然なデジタルヒューマンをスムーズに動作させることが現実に近づいています。

知覚から行動へ：身体性知能の時代#

YV25 Shenzhenの主要テーマの一つは、世界を見るだけのビジョンモデルから、世界の中で行動できるシステムへの移行でした。つまり、知覚はもはやパイプラインの終点ではなく、行動の始まりになりつつあります。

基調講演では、D-RoboticsのHu Chunxu氏が、同社の開発キットとSoC（システムオンチップ）ソリューションが、センシング、リアルタイムのモーション制御、意思決定を統合されたハードウェアおよびソフトウェアスタックに統合する方法を説明しました。知覚と行動を別々の段階ではなく継続的なフィードバックループとして扱うことで、実環境でより確実に移動、適応、相互作用できるロボットを実現しています。

図5. 中国・深圳で開催されたYOLO Vision 2025におけるD-Roboticsのデモ。

Baidu PaddleのAlex Zhang氏も講演でこの考えを取り上げ、YOLOとPaddleOCRが連携して物体を検出し、その周囲にあるテキストや構造を解釈する仕組みを説明しました。これにより、物流、検査、自動処理などのタスクで、画像や文書を利用可能な構造化情報に変換できます。

エッジの知能：あらゆるデバイスに向けた効率的なAI#

YV25 Shenzhenで取り上げられたもう1つの興味深いテーマは、ビジョンAIがエッジデバイス上でより効率的かつ高性能になっていることでした。

DEEPXのPaul Jung氏は、YOLOモデルを組み込みハードウェア上で直接実行し、クラウドへの依存を減らす方法について話しました。低消費電力、推論の最適化、ハードウェアを考慮したモデルのチューニングに注力することで、DEEPXは変化の激しい環境で稼働するドローン、モバイルロボット、産業システムにリアルタイムの知覚機能を提供しています。

同様に、Moore ThreadsのLiu Lingfei氏は、Moore Threads E300プラットフォームが中央処理装置（CPU）、グラフィックス処理装置（GPU）、ニューラル処理装置（NPU）の演算を統合し、コンパクトなデバイスで高速なビジョン推論を実現する方法を紹介しました。

このプラットフォームは複数のYOLOストリームを高いフレームレートで実行でき、ツールチェーンによって量子化、静的コンパイル、性能チューニングなどの手順が簡素化されます。Moore Threadsは、開発者が導入しやすくなるよう、幅広いコンピュータービジョンモデルとデプロイ例もオープンソース化しています。

ビジョンと言語を融合した、よりスマートなAIシステム#

最近まで、画像の理解と言語の解釈の両方が可能な単一モデルを構築するには、実行コストの高い大規模なTransformerアーキテクチャが必要でした。YV25 Shenzhenでは、Yuanshi IntelligenceのYue Ziyin氏が、Transformerの長文脈推論能力と再帰型モデルの効率性を融合したアーキテクチャ、RWKVの概要を紹介しました。

同氏は、Vision-RWKVが画像を解像度に対して線形に拡大する方法で処理することで、この設計をコンピュータービジョンに応用していると説明しました。そのため、高解像度の入力や、計算リソースが限られたエッジデバイスに適しています。

Yue氏はまた、RWKVがビジョン・言語システムでどのように活用されているかも紹介しました。画像特徴と言語理解を組み合わせ、物体検出にとどまらず、シーン、文書、実世界の文脈の解釈を可能にします。

図6. RWKVの応用について話すYue Ziyin。

ビジョンAIを実感できるブースとライブデモ#

ステージ上の講演がビジョンAIの未来を展望する一方、会場のブースでは、すでに活用されている技術が紹介されました。来場者はモデルのライブ実行を見たり、ハードウェアの選択肢を比較したり、システムを開発するチームと直接話したりすることができました。

展示されていた技術の一部をご紹介します。

• 開発・プロトタイピングプラットフォーム：Seeed、M5Stack、Infermoveは、YOLOベースのアプリケーションを簡単に試し、アイデアから実際に動作するデモへすばやく移行できる、コンパクトな開発ボードとスターターキットを展示しました。
• 高性能エッジハードウェア：Hailo、DEEPX、Intel、Moore Threadsは、高速で効率的な推論向けに設計されたチップやモジュールを紹介しました。
• ビジョンと言語のワークフロー：Baidu PaddleとRWKVは、物体検出に加え、画像や文書に含まれる内容の読み取り、解釈、推論が可能なソフトウェアスタックを紹介しました。
• オープンソースとコミュニティ向けツール：UltralyticsとDatawhaleは、ライブモデルデモ、トレーニングのヒント、実践的なガイダンスを通じて開発者と交流し、知識の共有がイノベーションを加速させることを示しました。

図7. YV25 ShenzhenにおけるM5Stackのブースの様子。

ビジョンAIコミュニティとのつながり#

魅力的な技術に加え、YV25 Shenzhenの大きな見どころの一つは、コンピュータービジョンコミュニティとUltralyticsチームが再び対面で集まれたことでした。一日を通じて、参加者はデモを囲み、コーヒーブレイク中にアイデアを共有し、講演終了後も長く会話を続けました。

研究者、エンジニア、学生、開発者が知見を共有し、質問を交わし、デプロイからモデルのトレーニングまで実環境での経験を交換しました。また、Grupo OsborneのCinco Jotasのおかげで、削りたてのハモンを通じてスペイン文化にも触れることができ、温かな交流のひとときが生まれました。美しい会場、熱気あふれる参加者、そして共有された勢いが、この日を本当に特別なものにしました。

重要なポイント#

刺激的な基調講演から実践的なデモまで、YOLO Vision 2025 Shenzhenは、Ultralyticsコミュニティを特徴づけるイノベーションの精神を体現しました。一日を通じて、講演者と参加者はアイデアを交換し、新しい技術を探り、AIの未来に対する共通のビジョンを通じてつながりました。参加者はともに意欲を高め、Ultralytics YOLOと共に次の展開へ進む準備を整えました。

AIとコンピュータービジョンの可能性を再構想しましょう。コミュニティとGitHubリポジトリに参加して、詳細をご覧ください。農業におけるコンピュータービジョンや小売業におけるAIなどのアプリケーションについて学びましょう。ライセンスの選択肢を確認し、今すぐコンピュータービジョンを始めましょう。