Ultralytics YOLO26 vs YOLO11 vs YOLOv8：どれを使うべきか？
Ultralytics YOLO26、Ultralytics YOLO11、Ultralytics YOLOv8を比較し、プロジェクトに最適なコンピュータビジョンモデルを選択しましょう。
最新のcomputer visionシステムは、多くの場合畳み込みニューラルネットワーク（CNN）を搭載しており、機械が画像や動画から視覚データを分析・解釈できるようにするものであり、現在では幅広い環境に展開されています。
農業から製造業、小売業に至るまで、これらのシステムはエッジデバイス、組み込みハードウェア、IoTデバイス、オンデバイス処理、リアルタイムアプリケーションをサポートする大規模なクラウドパイプラインなど、さまざまな導入環境で稼働しています。
実環境でのモデル展開は、必ずしも単純ではありません。限られた計算リソースで実行し、厳しいレイテンシ要件を満たし、コストを大幅に増やすことなくスケールさせる必要があります。こうした制約により、パフォーマンスは単なる精度だけでなく、多次元的な問題となっています。
精度は依然として重要ですが、モデルが本番環境で効率的に実行されることも同様に重要です。速度、リソース使用量、スケーラビリティといった要素が、システムの長期的なパフォーマンスを大きく左右します。
Ultralytics YOLO modelsのようなコンピュータビジョンモデルは、このバランスを念頭に置いて進化してきました。たとえば、Ultralytics YOLOv8は強固で汎用性の高い基盤を確立し、Ultralytics YOLO11は速度と精度を向上させてそれをさらに推し進め、Ultralytics YOLO26はこれまで以上に軽量、高速、高効率にすることでその上に構築されています。
図 1. Ultralytics YOLO26を使用して画像内のオブジェクトを検出する様子（Source）
この記事では、Ultralytics YOLO26、YOLO11、YOLOv8を比較し、コンピュータビジョンプロジェクトに最適なモデルを選択するための手助けをします。早速始めましょう！
Ultralytics YOLOモデルの進化の仕組みを理解する#
Ultralytics YOLOモデルは、イテレーションごとに改善を重ね、実環境の要件により適応し、コンピュータビジョンをより利用しやすくしてきました。これらのアップデートにより、モデルはより高速かつ効率的で導入が容易になり、ビジョンAIエコシステムの成長を支えています。
また、モデルはPyTorchで構築されているため、トレーニング、カスタマイズ、インテリジェントな機械学習ワークフローへの統合が容易です。Ultralytics YOLOモデルは、COCOデータセットなどで事前トレーニングされたモデルとしてすぐ利用できるため、チームは迅速に開始し、特定のユースケースに合わせてファインチューニングを行うことができます。
これに加えて、Ultralytics Python packageは、ONNXやTensorRTなどのフォーマットへのモデルのエクスポートに対する組み込みサポートを提供することで、デプロイを簡素化します。これにより、エッジデバイスからGPUアクセラレーテッドシステムに至るまで、さまざまなハードウェアプラットフォーム間でモデルを簡単に統合できるようになります。
Ultralytics YOLOv5からUltralytics YOLO26へ#
最初のUltralytics YOLOモデルであるUltralytics YOLOv5は、その信頼性の高い物体検出機能により広く普及しました。1ステージ検出アプローチに基づいているため、1回のパスで高速なリアルタイム予測が可能になり、本番環境のワークフローに最適です。
後のアップデートでは、事前定義されたアンカーボックスを使用する代わりにモデルが直接オブジェクトの位置を予測する、アンカーフリーのバリアントが導入され、検出がより柔軟になりました。ただし、元のモデルは主にオブジェクト検出タスクに焦点を当てていました。
この基盤の上に構築されたUltralytics YOLOv8は、モデルファミリーの適用範囲を拡張しました。物体検出だけに特化するのではなく、インスタンスセグメンテーション、画像分類、姿勢推定、回転バウンディングボックス（OBB）検出などの複数のcomputer vision tasksのサポートを追加しました。また、高度なバックボーンやネックのデザインを含むアーキテクチャの改良ももたらされ、特徴抽出と全体的な検出パフォーマンスが向上しました。
さらに、YOLOv8n (Nano)、YOLOv8s (Small)、YOLOv8m (Medium)、YOLOv8l (Large)、YOLOv8x (Extra Large) などのバリアントにより、開発者はニーズに応じて速度、精度、リソース使用量のバランスを柔軟に調整できるようになりました。この広範な機能と使いやすさにより、幅広いビジョンアプリケーションで選ばれるモデルとなりました。
図2. YOLOv8、YOLO11、YOLO26のようなYOLOモデルは、さまざまなビジョンタスクをサポートしています。
続いて、Ultralytics YOLO11は実世界でのワークフローにおけるパフォーマンスの向上に焦点を当て、より高い精度と高速な推論速度を実現しました。より軽量なアーキテクチャにより、既存のYOLOv8パイプラインとの互換性を保ちながら、エッジ環境とクラウド環境の両方でうまく動作します。
Ultralytics YOLOモデルファミリーへの最新の追加であるYOLO26は、エッジファーストのビジョンAIの新たな標準を打ち立てる最先端のモデルであり、実環境への展開に対してより軽量、高速、かつ効率的なアプローチを提供します。CPUや組み込みシステムで効率的に実行できるように設計されており、展開を簡素化し、幅広いアプリケーションでリアルタイムパフォーマンスを向上させます。
YOLO26 vs YOLO11 vs YOLOv8の比較#
コンピュータビジョンプロジェクトに取り組む際、さまざまなUltralyticsモデルを目にし、どれがプロジェクトに適しているのか疑問に思うことがあるでしょう。YOLO26、YOLO11、YOLOv8が実際のシナリオでどのように比較されるかを見ていきましょう。
Ultralytics YOLOv8は2023年にリリースされ、それ以来コンピュータビジョンコミュニティで広く使用されています。その強力なコミュニティサポートと使いやすさにより、過去に多くのチームにとって定番のモデルとなりました。幅広いチュートリアル、ガイド、コミュニティリソースを備えたドキュメントが充実したモデルをお探しの場合は、YOLOv8が優れた出発点となります。
2024年に、パフォーマンスと効率の両方が向上したUltralytics YOLO11が導入されました。YOLOv8と比較して優れた速度と精度を提供しつつ、より小さく最適化されたアーキテクチャを維持しています。リソース使用量を大幅に増やすことなく本番環境で確実に動作する、よりバランスの取れたモデルです。
今年、最新のイテレーションとしてUltralytics YOLO26がリリースされ、大規模な効率的デプロイに焦点を当てています。より高速なCPU推論と改善されたリソース使用率を実現し、チームが同じハードウェアでより多くのワークロードを実行できるようにします。
例えば、Ultralytics YOLO26のnanoモデルは、中央処理装置（CPU）上でYOLO11と比較して最大43%高速な推論を実現でき、エッジ環境やリソースが限られた環境にとって優れた選択肢となります。これは、従来のセットアップがグラフィックス処理装置（GPU）に大きく依存することが多く、コストがかかりスケールしにくくなる場合があるため、特に重要です。
図 3. CPUでのYOLO26のパフォーマンスのベンチマーク（Source）
全体として、Ultralytics YOLO26は、パフォーマンス、コスト、スケーラビリティの間のトレードオフを最適化したいと考えているチームや個人にとって確実な選択肢です。
Ultralytics YOLO26の詳細#
Ultralytics YOLO26は、精度だけでなく効率性、スピード、スケーラビリティが重要となる実世界へのデプロイメント向けに設計された最先端のモデルです。ベンチマーク性能の向上だけに焦点を当てるのではなく、モデルの実行を容易にし、デプロイメントを高速化し、さまざまなハードウェア環境でより信頼性を高めるアーキテクチャおよびトレーニングの変更を導入しています。
これらの改善は、限られた計算能力、レイテンシの制約、およびコストの考慮事項が重要な役割を果たすエッジおよび本番システムにおいて特に重要です。推論を簡素化しパフォーマンスを最適化することにより、Ultralytics YOLO26はAI愛好家がビジョンアプリケーションをより効率的に構築およびスケーリングできるようにします。
以下は、Ultralytics YOLO26の主な機能のいくつかについての詳細です。
- エンドツーエンドのNMSフリー推論: 重要な変更点の1つは、後処理の必要性をなくすNon-Maximum Suppression-free (NMS) designです。簡単に言うと、モデルが直接最終的な予測を出力します。その結果、レイテンシがより予測しやすくなり、デプロイが容易になります。
- DFLの削除: Ultralytics YOLO26は、Distribution Focal Loss (DFL) モジュールから離れ、よりシンプルなバウンディングボックス予測アプローチを採用しています。この変更は、エンドツーエンドのNMSフリー設計と一致しており、パイプラインの複雑さを軽減し、デプロイメントの整合性を向上させます。
- MuSGDオプティマイザ：最新のUltralytics YOLOモデルでは、Stochastic Gradient Descent (SGD) とMuonに触発されたアップデートを組み合わせたハイブリッドオプティマイザであるMuSGDが導入されました。これにより、トレーニングの安定性と収束が向上し、最適化が円滑になり、さまざまなモデルサイズ間での動作の一貫性が高まります。
- ProgLossとSTAL: これらのtraining innovationsであるProgressive Loss Balancing（ProgLoss）とSmall-Target-Aware Label Assignment（STAL）により、モデルの安定性と信頼性が向上します。ProgLossはモデルが時間をかけて段階的にデータセットから学習するのを助け、STALはトレーニング中に小さなオブジェクトが無視されないようにすることで、複雑なシーンでの検出を改善します。
精度 vs 効率性：ベンチマークを超えて実環境のパフォーマンスへ#
YOLO26、YOLO11、YOLOv8の違いを理解するために、実環境でのモデルパフォーマンスを左右する要因についてより深く掘り下げてみましょう。
平均適合率 (mAP) などのパフォーマンス指標で測定される精度は、長い間コンピュータビジョンモデルを評価するための重要な方法でした。これは標準化された条件下でモデルがどの程度機能するかを示しており、異なるバージョンを比較する際に役立ちます。
しかし、モデルがテスト環境から実環境の展開へと移行すると、精度だけでは十分ではありません。本番環境のパフォーマンスは、モデルサイズ、推論時間やレイテンシ、計算使用量、システムが異なる環境全体でどの程度スケールできるかといった要因に依存します。
制御されたベンチマークとは異なり、実環境は予測不可能なことがよくあります。照明条件は変化し、オブジェクトは部分的にしか見えない可能性があり、入力データはモデルがトレーニングされたものと大きく異なる場合があります。こうした変動は、実運用においてモデルがどの程度一貫して機能するかに影響を与える可能性があります。
図4. 建設現場のような予測不可能な環境で使用されているUltralytics YOLO26の例。
例えば、スマートシティ、小売店、倉庫に数百台のカメラが設置されているセットアップを考えてみましょう。各ストリームはリアルタイムで処理される必要があり、遅延やフレームのドロップを避けるために一貫したフレームレート (FPS) が求められることがよくあります。
効率の低いモデルでは、特定のシステム上で処理できる同時ストリーム数が少なくなります。つまり、スケールさせるには通常追加のハードウェアが必要となり、インフラストラクチャのコストが増大します。
Ultralytics YOLO26のようなより効率的なモデルは、同じハードウェアでより多くのストリームを処理できるため、利用可能なリソースをより有効に活用できます。これにより、システム全体のエッジ効率が向上し、時間の経過に伴うデプロイメントのスケーリングが容易になります。
YOLO26とYOLO11とYOLOv8の詳細については、official Ultralytics docsをご覧ください。
重要なポイント#
Ultralytics YOLOモデルシリーズは、実環境の展開ニーズにより適応するよう進化してきました。各バージョンは前回の改良の上に成り立っており、効率性、スケーラビリティ、展開の容易さに重点を置いています。つまり、大規模で信頼性の高い実行が求められるリアルタイム検出アプリケーションを構築しているなら、Ultralytics YOLO26は最適な選択です。
オペレーションにビジョンAIを導入しませんか？licensing optionsをご確認ください。また、ソリューションページにアクセスして、AI in manufacturingがどのように工場を変革しているか、vision AI in roboticsがどのように未来を形作っているかをご覧ください。拡大を続けるcommunityに参加し、AIリソースのためにGitHub repositoryを探索してください。
