YOLO Vision 2025 ShenzhenにおけるUltralyticsの主要ハイライト！

10月26日、YOLO Vision 2025 (YV25)が中国での初開催を深圳のOCTクリエイティブ・カルチャー・パーク内B10ビル迎えました。UltralyticsのハイブリッドビジョンAIイベントには、200名以上の参加者が現地に集まり、YouTubeやBilibiliを通じても多くの人々がオンラインで参加しました。

YV25深圳のライブ配信はすでにYouTubeで3,500回以上の視聴を記録しており、イベントのハイライトがコミュニティ全体で共有されるにつれて、さらに注目を集め続けています。この日は、アイデアや対話、そしてビジョンAIが今後どこに向かうのかについてのハンズオンでの探求に満ちた1日となりました。

当日は、ホストであるHuang Xueying氏による温かい歓迎の挨拶で始まりました。彼女は、イベントを通じて参加者同士が交流し、学び、議論に参加するよう呼びかけました。また、9月のロンドン開催に続き、今年2度目となるYOLO Visionの開催であり、ここ深圳でビジョンAIコミュニティを再び結びつけられたことの喜びを語りました。

本記事では、モデルのアップデートや登壇者によるセッション、ライブデモ、そして参加者をつないだコミュニティの瞬間など、当日のハイライトを振り返ります。それでは、始めましょう！

Ultralytics YOLOモデルのこれまでの軌跡#

この日の最初の基調講演は、Ultralyticsの創設者兼CEOであるGlenn Jocherが担当し、Ultralytics YOLO modelsがいかにして研究上のブレークスルーから世界で最も広く使われているビジョンAIモデルの一つへと成長したかを共有しました。Glennは、自身の初期の取り組みがYOLOをより使いやすくすることに焦点を当てていたと説明しました。

彼はモデルをPyTorchに移植し、ドキュメントを改善し、開発者が世界中でその上に構築できるようにすべてをオープンに共有しました。彼が振り返るように、「2018年に私は真っ先に飛び込みました。ここが私の未来だと決めたのです」。個人的な努力として始まったことが、急速に世界的なオープンソースのムーブメントへと発展しました。

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

今日、Ultralytics YOLOモデルは毎日数十億もの推論を実行しており、Glennはこの規模が実現できたのは構築を支えた人々のおかげであると強調しました。世界中の研究者、エンジニア、学生、愛好家、そしてオープンソースの貢献者が、YOLOを現在の形へと形作ってきました。

Glennの言葉を借りれば、「彼ら（貢献者）は1000人近くいて、私たちはそのことに非常に感謝しています。彼らがいなければ、私たちは今日ここにいることはできなかったでしょう」。

Ultralytics YOLO26のアップデート#

Ultralytics YOLO26の初のお披露目は、今年初めに開催されたYOLO Vision 2025 Londonイベントで行われ、Ultralytics YOLOモデルファミリーの次の大きな前進として紹介されました。YV25深圳では、Glennがその発表以降の進捗状況についてのアップデートを行い、AIコミュニティに向けてモデルがどのように進化してきたかをより詳しく紹介しました。

Ultralytics YOLO26は、現実世界での実用性を維持しながら、より小型で、より高速で、より高精度になるように設計されています。Glennは、チームが過去1年間をかけてアーキテクチャの洗練、デバイス間でのパフォーマンスのベンチマーク、および研究やコミュニティからのフィードバックに基づく洞察の統合に取り組んできたと説明しました。目的は、モデルのデプロイを困難にすることなく、最先端のパフォーマンスを提供することです。

Ultralytics YOLO26に期待すること#

Glennが強調した主要なアップデートの1つは、Ultralytics YOLO26に専用のハイパーパラメータチューニングキャンペーンが組み合わされており、ゼロからのトレーニングから大規模データセットでのファインチューニングへと移行している点です。彼は、このアプローチが実際の現実世界のユースケースにより適合していると詳述しました。

イベントで共有されたその他の主な改善点は以下の通りです：

• 簡素化されたアーキテクチャ：Distribution Focal Loss (DFL) レイヤーが削除されました。これにより、精度を維持しながら、モデルの実行がよりシンプルで高速になります。
• エンドツーエンドの推論サポート: Ultralytics YOLO26はネイティブでエンドツーエンドであり、独立したNMSレイヤーなしで実行できることを意味します。これにより、ONNXやTensorRTなどのフォーマット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はるかに簡単になります。
• 小物体性能の向上：更新された損失戦略により、モデルは小さな物体をより確実に検出できるようになりました。これはコンピュータ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：YOLO26には、最新の大規模言語モデル学習の研究に着想を得た新しいオプティマイザが含まれています。これによりモデルの精度が向上し、Ultralytics Pythonパッケージに直接組み込まれています。

Ultralytics YOLO26は実践的なビジョンAIの次なるステップです#

これらのアップデートが合わさることで、CPU上で最大43%高速でありながらUltralytics YOLO11よりも高い精度を持つモデルが実現され、YOLO26は組み込みデバイス、ロボティクス、エッジシステムにおいて特に高いインパクトを持ちます。

Ultralytics YOLO26は、現在YOLO11で利用可能なすべてのタスクとモデルサイズをサポートし、ファミリー全体で25種類のモデルバリエーションを提供します。これには、検出、セグメンテーション、姿勢推定、指向性バウンディングボックス、分類用のモデルが含まれ、ナノからエクストララージまで幅広く揃っています。

チームは5つのプロンプト対応バリエーションにも取り組んでいます。これらは、トレーニングを必要とせず、テキストプロンプトを受け取ってバウンディングボックスを直接返すことができるモデルです。

これは、さまざまなユースケースに適応させやすい、より柔軟で指示ベースのビジョンワークフローに向けた初期のステップです。Ultralytics YOLO26モデルは現在も活発に開発中ですが、初期のパフォーマンス結果は強力であり、チームは間もなくのリリースに向けて取り組んでいます。

Ultralyticsプラットフォームの紹介#

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であるPrateek Bhatnagarを迎え、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、画像の注釈付け、モデルのトレーニング、結果の比較など、コンピュータビジョンのワークフローの主要な部分を統合するために構築されています。

図2：Ultralyticsプラットフォームを紹介する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ルーツに忠実であり続け、開発者が貢献し、再利用し、お互いの成果を向上させることができる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導入していることを指摘しました。デモの間、彼はAI支援によるannotation、簡単なクラウドトレーニング、そしてローカルのGPUリソースを必要とせずに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を披露しました。

このプラットフォームは現在開発中です。Prateekは聴衆に対し、今後の発表に注目するよう促し、立ち上げを支援するために中国でのチームを拡大していると述べました。

YOLOを支える声：著者パネルディスカッション#

勢いが増す中、イベントはさまざまなYOLOモデルの背景にある研究者たちによるパネルディスカッションへと移行しました。パネリストには、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ありYOLOv10の著者の一人であるChen Hui、そしてMeituanのアグリズムストラテジストであり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を迎えたYOLOモデル開発に関するパネルディスカッション。

議論は、YOLOが現実世界の利用を通じてどのように進化し続けているかに焦点を当てました。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、モデルエクスポートの簡素化など、実用的なデプロイの課題がいかに進歩を促進しているかについて触れました。

パネルは、精度だけを追うのではなく、本番環境における速度、ユーザビリティ、信頼性のバランスをとることの重要性を指摘しました。もう一つの共通の収穫は、反復作業とコミュニティからのフィードバックの価値でした。

会話から得られたその他の興味深い洞察は以下の通りです：

• オープンボキャブラリー検出がYOLOエコシステムで注目されています：新しいモデルは、ビジョン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が、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の台頭: パネルでは、あらゆる場所に完全なアテンションを使用するのではなく、効率的なattention mechanismsを使用することが、精度を向上させつつエッジデバイス向けに十分に軽量な推論を維持する方法について議論されました。
• コミュニティとともに早期かつ頻繁に反復する：パネリストは「構築・テスト・改善」の考え方を強調しました。モデルを早期にリリースし、ユーザーから学ぶことの方が、長期的な非公開の開発サイクルよりも強力な成果につながります。

AIとビジョンの未来を定義するソートリーダーたち#

次に、YV25 Shenzhenでのキーノート講演を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、効率的なエッジデプロイに至るまで、ビジョンAIの進化について共有しました。

AIに人間の体験を理解させる#

洞察に満ちたセッションの中で、Alibaba Qwen LabのDr. Peng Zhangは、表現力豊かなデジタルヒューマンをより自然な動きと制御で生成できる大規模ビデオモデルをチームがどのように開発しているかを語りました。彼は、オーディオやモーションリファレンスを使用してリアルな音声、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、純粋なテキスト駆動生成の限界に対処しました。

図4：大規模ビデオモデルでデジタルヒューマンを実現する方法を説明するPeng Zhang。

また、張博士は、外見と動きのzero-shotクローニングや、ライブカメラフィードから顔を直接アニメーション化できる軽量モデルなど、リアルタイムのインタラクティブアバターに向けた進展についても語り、現実的なデジタル人間が日常のデバイスでスムーズに動作することに近づけています。

知覚から行動へ：具現化された知能の時代#

YV25 Shenzhenの主要テーマの一つは、単に世界を見るだけのビジョンモデルから、その中で行動できるシステムへのシフトでした。つまり、知覚はもはやパイプラインの終着点ではなく、行動の出発点になりつつあります。

例えば、基調講演の中で、D-RoboticsのHu Chunxuは、開発キットとSoC（システム・オン・チップ）ソリューションが、統合されたハードウェアおよびソフトウェアスタック上でセンシング、リアルタイムのモーションコントロール、および意思決定をどのように統合しているかについて説明しました。認識と行動を別々の段階としてではなく、継続的なフィードバックループとして扱うことで、彼らのアプローチは、実際の環境でより確実に対応、適応、および相互作用できるrobotsをサポートしています。

図5：中国・深圳でのYOLO Vision 2025におけるD-Roboticsのデモ。

Baidu PaddleのAlex Zhangは、講演の中でこのアイデアに共鳴し、YOLOとPaddleOCRがどのように連携してオブジェクトを検出し、その周囲のテキストや構造を解釈するかを説明しました。これにより、システムは画像やドキュメントを、物流、検査、自動処理などのタスクに向けた有用な構造化情報に変換できるようになります。

エッジにおける知能：あらゆるデバイスのための効率的なAI#

YV25深圳におけるもう一つの興味深いトピックは、ビジョンAIがedge devices上でいかに効率的かつ高性能になっているかということでした。

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デプロイし、クラウドへの依存を減らすことについて語りました。低消費電力、最適化された推論、ハードウェアを意識したモデル調整に焦点を当てることで、DEEPXはドローン、モバイルロボット、動的な環境で動作する産業システムに対してリアルタイムの知覚を実現しています。

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について共有しました。

このプラットフォームは複数のYOLOストリームを高フレームレートで実行でき、ツールチェーンは量子化、静的コンパイル、パフォーマンス調整といったステップを簡素化します。Moore Threadsは、開発者の障壁を下げるために、幅広いコンピュータビジョンモデルとデプロイ例をオープンソース化しています。

ビジョンと言語の融合によるよりスマートなAIシステム#

最近まで、画像を理解し、言語を解釈する単一の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深圳では、元石智能（Yuanshi Intelligence）のYue Ziyinが、トランスフォーマーの長文脈推論能力とリカレントモデルの効率性を融合させたアーキテクチャであるRWKVの概要を発表しました。

彼は、Vision-RWKVがこの設計をコンピュータビジョンに適用し、解像度に対して線形にスケーリングする方法で画像を処理することを説明しました。これにより、高解像度の入力や、計算能力が制限される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使用されているかを示しました。そこでは、画像の特徴と言語理解が組み合わされ、物体検出の枠を超えて、シーン、ドキュメント、現実世界のコンテキストを解釈できるようになっています。

図6：RWKVの応用について語るYue Ziyin。

ビジョンAIに命を吹き込んだブースとライブデモ#

ステージでの講演がビジョンAIの未来を見据える一方で、会場のブースでは、今日どのように利用されているかが示されました。参加者はモデルが実際に動作する様子を見たり、ハードウェアの選択肢を比較したり、それらのシステムを構築しているチームと直接対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：

• 開発者および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での実験を容易にし、アイデアから動作するデモへ素早く移行できるコンパクトな開発ボードや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のために構築されたチップとモジュールを実演しました。
• ビジョンおよび言語ワークフロー：Baidu PaddleとRWKVは、物体を検出するだけでなく、画像やドキュメントに何が映っているかを読み取り、解釈し、推論できるソフトウェアスタックを強調しました。
• Open-sourceとコミュニティツール: UltralyticsとDatawhaleは、ライブモデルのデモ、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を魅了し、共有された知識がどのようにイノベーションを加速させるかを再認識させました。

図7：YV25 Shenzhenでの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#

エキサイティングな技術の数々に加え、YV25 Shenzhenの最高の醍醐味の一つは、コンピュータビジョンコミュニティとUltralyticsチームが再び直接顔を合わせたことでした。一日を通して、人々はデモの周りに集まり、コーヒーブレイク中にアイデアを共有し、講演が終わった後も会話を続けました。

研究者、エンジニア、学生、そしてビルダーたちがメモを比較し、質問し、デプロイからモデルトレーニングまでの実際の経験を交換しました。そして、Grupo Osborneのシンコ・ホタスのおかげで、切り立てのハモンとともにスペイン文化の一片をイベントにもたらし、温かい繋がりの瞬間を作り出すことができました。美しい会場、熱狂的な観客、そして共有された高揚感が、この日を本当に特別なものにしました。

重要なポイント#

刺激的なキーノートから実践的なデモまで、YOLO Vision 2025 ShenzhenはUltralyticsコミュニティを定義づけるイノベーションの精神を捉えていました。一日を通して、登壇者と参加者はアイデアを交換し、新しい技術を探求し、AIの未来に対する共通のビジョンでつながりました。彼らは皆、活力を得て、Ultralytics YOLOの次なる展開に向けて準備を整えて帰路につきました。

AIとコンピュータビジョンで可能なことの限界を再定義しましょう。私たちのcommunityとGitHub repositoryに参加して、さらに詳細を発見してください。computer vision in agricultureやAI in retailなどのアプリケーションについてさらに学びましょう。our licensingのオプションを検討し、今すぐコンピュータビジョンを始めましょう！