Ultralytics YOLO26が単眼深度推定をサポートするようになりました

これまで、YOLOパイプラインに深度を追加することは、自分で組み立てることを意味していました。一般的なパターンは、検出用にYOLOを実行し、MiDaSやDepth Anythingなどの別のプロジェクトの独立した深度モデルと組み合わせることでした。つまり、2番目の依存関係、2番目のフレームワーク、そして調整が必要な2つの入出力形式のセットが必要になるということでした。

Ultralytics YOLO26 では、単眼深度推定がネイティブタスクとしてサポートされるようになりました。検出、セグメンテーション、ポーズと同じパッケージ、ワークフロー、エクスポートパスを使用して、1枚のRGB画像からすべてのピクセルの距離値が生成されます。

Link to this section深度推定とは何ですか？#

深度推定 は、2台目のカメラや追加のセンサーを使用せずに、1枚のRGB画像からピクセルごとの深度マップを予測します。出力される各ピクセルには、カメラからその表面点までの推定距離を表す、メートル単位の深度値が格納されます。

出力は、入力にアラインされた (H, W) の形状を持つ密なfloatマップであり、すべてのピクセルに相対的な前後関係ではなく、カメラからの絶対距離（メートル単位）が格納されます。

深度は独自チェックポイントを持つ独立したタスクであり、その出力は深度マップのみです。バウンディングボックスやセグメンテーションマスクは返されません。したがって、検出と深度を組み合わせるには、2つのモデルと2つの推論パスを実行する必要があります。これまでの実践と異なる点は、両方が単一のパッケージ内に存在し、1つのインストール、1つの学習および予測インターフェース、1つのエクスポートパス、および追跡すべき単一のバージョンを共有する点であり、最初のフレームワークと並行して2番目のフレームワークを維持する必要がなくなります。

そのピクセル単位の出力こそが、障害物やフリースペースの検出、クリアランス確認、シーンのレイアウト把握、そして何が何の手前にあるのかを理解する上で深度を有用なものにしている理由です。

図 1. 安全性およびコンプライアンス監視のための Ultralytics YOLO26 深度推定。

Ultralytics YOLO26 には、yolo26n-depth から yolo26x-depth まで、約219万枚の屋内および屋外の画像を含む広範なマルチデータセットの混合で学習された5つの事前学習済み深度モデルが同梱されています。NYU Depth V2セットにおいて、nanoモデルの 0.882 から超大型モデルの 0.933 までの精度範囲となっており、デプロイターゲットに適合する速度と精度のトレードオフを選択できます。

Link to this section設計による無制限の深度#

ほとんどの深度モデルは、0〜10メートルのように予測範囲を固定値に制限しています。これは屋内シーンではうまく機能しますが、屋外では破綻します。Ultralyticsは、厳格なカットオフなしで、オープンエンドの対数スケールに基づいて深度を予測します。

その違いはテストに現れます。制限付きモデルは、屋内と屋外の混合データで学習されるとほぼ即座にプラトーに達し、オブジェクトが80メートル先にある可能性があるKITTIのような長距離データセットでは破綻します。YOLO26のアプローチにはそのような上限がないため、より多くのデータで改善を続け、数センチメートルから数百メートルまで維持されます。KITTIでは、80 mの範囲で δ1 が 0.942 に達します。つまり、1つのモデルファミリーで卓上のシーンと高速道路のシーンを同等に処理できるということです。

Link to this sectionUltralytics YOLO26 深度と Depth Anything V2 の比較#

現在YOLOと並行してDepth Anythingを実行している場合、違いは速度とそれに伴う計算コストです。YOLO26 深度は、Depth Anything V2 Baseよりも最大20.3倍高速に、Depth Anything V2 Smallよりも7.7倍高速に実行されます。モデルサイズもはるかに小さく、nanoでは1,000万パラメータ未満であるのに対し、DA V2の小さいチェックポイントは約2,400万パラメータです。

図 2. Depth Anything V2 に対する Ultralytics YOLO26 深度の速度ベンチマーク。

その差こそが設計の目的です。Depth Anything V2のモデルは大幅に大きく、YOLO26-Depthは、フレームあたりの計算コストを抑え、それらのモデルが到達できないハードウェアにデプロイできるサイズと速度で強力な深度パフォーマンスを発揮するように構築されています。NYU Depth V2およびKITTIでのモデルごとの精度数値はドキュメントに公開されているため、実際の要件に対して照らし合わせることができます。

Link to this section実行環境#

そのサイズの違いこそが、深度を実際にどこに適用できるかを決定します。深度を評価しているほとんどのチームにとって問題なのはアイデアの不足ではなく、計算能力の不足です。低電力ドローン、四足歩行ロボット、ウェアラブル、ダッシュカム、会議用ハードウェア、産業用PCはすべて、精度の限界に達する前に、電力とコストの限界に達します。

深度には5つの事前学習済みモデルが用意されているため、ベンチマークで勝つサイズではなく、ターゲットに適合するサイズを選択できます。深度はネイティブなYOLO26タスクであるため、検出、セグメンテーション、ポーズと同じエクスポートパスを、ONNX、TensorRT、CoreML、NCNN、LiteRTの各フォーマットで使用できます。

Link to this sectionUltralytics YOLO26 深度の開始方法#

Ultralytics Python パッケージ は、深度を含むすべてのYOLO26タスクにわたって、トレーニング、検証、および推論を実行するための単一の統合されたインターフェースを提供します。事前学習済みの深度モデルの実行は、単一のコマンドで行われます：

from ultralytics import YOLO

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n-depth.pt")  # load an official model
model = YOLO("path/to/best.pt")  # load a custom model

# Predict with the model
results = model("https://ultralytics.com/images/bus.jpg")  # predict on an image

# Access the results
for result in results:
    depth_map = result.depth.data.cpu().numpy()  # torch.Tensor → NumPy float32, shape (H, W), meters

またはCLIから：

yolo depth predict model=yolo26n-depth.pt source='https://ultralytics.com/images/bus.jpg'  # predict with official model
yolo depth predict model=path/to/best.pt source='https://ultralytics.com/images/bus.jpg'   # predict with custom model

Absolute distance depends on your camera and your scene. If the shape of the depth map is right but the scale is off, model.calibrate() fits just two variables in the model's depth head, a scale and an offset, on around 100 labeled frames, in seconds, with no training and no change to the rest of the network.

Link to this section独自のデータでのファインチューニング#

事前学習済みの深度モデルを独自のカメラやドメインに適応させるには、事前学習済み重みから開始し、AdamW を使用し、学習率をゼロからのデフォルト値よりはるかに低く設定して、ファインチューニングがモデルを上書きするのではなく洗練させるようにします：

from ultralytics import YOLO

from ultralytics import YOLO
model = YOLO("yolo26s-depth.pt")  # start from pretrained weights
model.train(
    data="path/to/your_dataset.yaml",
    epochs=20,
    imgsz=640,
    optimizer="AdamW",
    lr0=1e-4,  # ~100x below the from-scratch default
    warmup_bias_lr=1e-4,  # keep warmup gentle too
)

デフォルトのログヘッドは無制限であるため、max_depth のチューニングを必要とせず、データセットが近距離であるか長距離であるかに関係なく、そのまま機能します。特定のカメラに対して絶対スケールのみがずれている場合は、ネットワークの重みに触れることなく、数秒で、少数のラベル付き分割に対して model.calibrate() が軽量な閉形式の補正をフィッティングします。

データセットは、一致するフォルダ構造内で各RGB画像を .npy 深度ファイルとペアにします。Ultralyticsには、NYU Depth V2、KITTI、Hypersim、SUN RGB-D、ARKitScenes用の組み込み設定が付属しているため、ほとんどのチームが標準ベンチマークに対する検証をすぐに開始できます。

詳細については、クイックスタートガイド をご覧ください。

Link to this section深度推定の主なユースケース#

この新機能は1台の通常のカメラから動作するため、単眼深度推定は、ステレオやLiDARセットアップのコスト、消費電力、キャリブレーションのオーバーヘッドを正当化できない製品や産業に数多くの機会を開きます。それでは、この機能の恩恵を受けることができるいくつかの主要な産業とユースケースを見てみましょう：

• ロボティクスと自律ナビゲーション。 モバイルロボットやドローンは、単一のオンボードカメラから障害物の距離とフリースペースを推定でき、専用の深度ハードウェアなしでリアルタイムのパスプランニングをサポートします。
• 産業および物流の認識。 2つ目のセンサーを追加することが現実的ではないあらゆる場所において、単一の固定カメラからクリアランス確認、フリースペース検出、および棚や通路のコンテキストを取得できます。
• 安全性とコンプライアンスの監視。 フォークリフトや倉庫の安全ゾーン、鉄道のインシデント検出、既存のCCTVでの転倒者や置き去りオブジェクトの検出など、既存の安全認証済みセンサーの置き換えではなく、それらと並行して、すでにインストールされているカメラフィードに距離コンテキストを追加します。
• インフラストラクチャと資産の検査。 架空電線のクリアランス分析、ドローンベースの資産・腐食検査、および航空測量作業。ここでは、同じモデルファミリーが近接詳細と長距離シーンの両方を処理する必要があります。
• 運転支援と車載認識。 長距離かつ無制限の深度出力は、近接屋内シーンを処理する同じモデルファミリーが、80 m以上の運転シーンにも一般化できることを意味します。
• ARと空間コンテンツ。 現実のシーンに仮想オブジェクトを説得力を持って配置したり、深度認識エフェクトを適用したりすることは、すべてのピクセルがカメラから実際にどれくらい離れているかを知ることから始まります。

Link to this sectionすべての YOLO26 デプロイに深度推定をもたらす#

深度推定がネイティブなYOLO26タスクとなったことで、チームは、検出、セグメンテーション、ポーズからすでに知っているのと同じtrain、val、predict、exportワークフローを使用し、維持すべきサードパーティの依存関係を1つ減らしながら、あらゆる産業においてあらゆるRGBカメラからピクセル単位の距離を活用できるようになりました。

Ultralytics YOLO26 深度でデプロイのスコープを定めるにあたり、心に留めておくべきいくつかの重要なポイントを見ていきましょう：

• Ultralytics YOLO 深度はRGBカメラ向けに構築されています。ウェブカメラ、携帯電話、産業用カメラ、ドローンなど、標準的なカメラであればどれでも動作します。ただし、LiDARポイントクラウド、レーダー、ソナー、サーマルおよびマルチスペクトルバンド、メッシュやIFCデータなどの他のモダリティは、モデルの入力フォーマットの範囲外です。
• 認識判断のためのメートル単位の距離。出力は実際のメートル単位の距離であるため、ナビゲーション、クリアランス、および監視に最適です。ただし、認定された公差が必要とされるアプリケーションでは、専用の測定機器が引き続き適切な計器となります。
• 画像ごとの推論。深度は他のすべてのYOLO26タスクと一貫して、各フレームで独立して実行されるため、変更を加えることなく既存のフレーム単位のパイプラインに組み込むことができます。シーケンス全体にわたる推論は、アプリケーション層に残されます。
• Ultralytics YOLO26-Depth は、テクスチャのある不透明な表面に対して最も強力です。ガラス、鏡、水たまり、光沢のある金属、および晴天は、どの単眼カメラ方式にとっても本質的に曖昧であるため、環境を代表するシーンで検証する価値があります。

ビジョンAIに興味がありますか？ライセンスオプション を調べて、プロジェクトにコンピュータビジョンを導入してください。GitHubリポジトリ にアクセスして Ultralytics のタスクと統合の全範囲を発見し、Ultralytics プラットフォーム をチェックして独自のエンドツーエンドのビジョンAIワークフローの構築を開始してください。