Ultralytics YOLO26、YOLO11、YOLOv8の比較：どれを使うべきか？

最先端のコンピュータービジョンシステムは、多くの場合、畳み込みニューラルネットワーク（CNN）を活用して、画像や動画の視覚データを機械が解析・解釈できるようにし、現在では幅広い環境に導入されています。

農業から製造、小売まで、こうしたシステムは、エッジデバイス、組み込みハードウェア、モノのインターネット（IoT）デバイス、デバイス上の処理、リアルタイムアプリケーションを支える大規模なクラウドパイプラインなど、さまざまなデプロイ環境で稼働しています。

実世界でこれらのモデルをデプロイするのは、必ずしも簡単ではありません。限られた計算リソースで稼働させ、厳しいレイテンシ要件を満たし、大幅なコスト増加なしにスケールさせる必要があることも少なくありません。こうした制約があるため、性能は精度だけでなく、多次元的な問題となります。

精度は依然として重要ですが、モデルを本番環境で効率的に稼働させることも同じくらい重要です。速度、リソース使用量、スケーラビリティなどの要素は、システムが長期にわたってどれだけ優れた性能を発揮するかに大きく影響します。

Ultralytics YOLOモデルなどのコンピュータービジョンモデルは、このバランスを考慮して進化してきました。たとえば、Ultralytics YOLOv8は強力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、さらに一歩前進しました。Ultralytics YOLO26はその成果を基に、これまで以上に軽量で高速、かつ効率的なモデルを実現しています。

図1. Ultralytics YOLO26を使った画像内の物体検出（出典）

この記事では、コンピュータービジョンプロジェクトに適したモデルを選べるよう、Ultralytics YOLO26、YOLO11、YOLOv8を比較します。さっそく始めましょう。

Ultralytics YOLOモデルの進化を理解する#

Ultralytics YOLOモデルは、実世界の要件により適切に対応し、コンピュータービジョンをより利用しやすくするため、世代を重ねるごとに改良されてきました。こうした更新により、モデルはより高速かつ効率的になり、デプロイも容易になって、ビジョンAIエコシステムの成長を支えています。

これらのモデルはPyTorchを基盤としているため、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簡単です。Ultralytics YOLOモデルは、すぐに使える事前トレーニング済みモデルとして提供されており、多くの場合、COCOデータセットなどでトレーニングされています。そのため、チームはすぐに使い始め、特定の用途に合わせてファインチューニングできます。

さらに、Ultralytics Pythonパッケージは、ONNXやTensorRTなどの形式へのモデルエクスポートを標準でサポートし、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アクセラレーションシステムまで、さまざまなハードウェアプラットフォームでモデルを簡単に統合できます。

Ultralytics YOLOv5からUltralytics YOLO26への進化#

最初のUltralytics YOLOモデルであるUltralytics YOLOv5は、信頼性の高い物体検出機能で広く普及しました。1段階検出方式を基盤とし、1回の処理で高速なリアルタイム予測を実現したため、本番環境のワークフローに適していました。

その後の更新では、事前定義されたアンカーボックスを使わずにモデルが物体の位置を直接予測する、アンカーフリーのバリアントが導入され、検出の柔軟性が高まりました。ただし、元のモデルは主に物体検出タスクに重点を置いていました。

この基盤を発展させたUltralytics YOLOv8は、モデルファミリーの適用範囲を広げました。物体検出だけに重点を置くのではなく、インスタンスセグメンテーション、画像分類、姿勢推定、方向付きバウンディングボックス（OBB）検出など、複数のコンピュータービジョンタスクへの対応を追加しました。また、高度なバックボーンやネックの設計など、アーキテクチャ上の改良も導入し、特徴抽出と検出性能全体を向上させました。

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。幅広い機能と使いやすさを兼ね備えたYOLOv8は、さまざまなビジョンアプリケーションで広く選ばれるモデルとなりました。

図2. YOLOv8、YOLO11、YOLO26などのYOLOモデルは、幅広いビジョンタスクに対応しています。

続くUltralytics YOLO11は、実世界のワークフローにおける性能向上に重点を置き、より高い精度と高速な推論を実現しました。軽量なアーキテクチャにより、エッジとクラウドの両方の環境で優れた性能を発揮し、既存のYOLOv8パイプラインとの互換性も備えています。

Ultralytics YOLOモデルファミリーの最新モデルであるYOLO26は、エッジを最優先するビジョンAIの新たな基準を確立する最先端モデルです。実世界でのデプロイに向けて、より軽量、高速、かつ効率的なアプローチを実現します。CPUや組み込みシステムで効率的に動作するよう設計されており、デプロイを簡素化し、幅広いアプリケーションでリアルタイム性能を向上させます。

YOLO26、YOLO11、YOLOv8の比較#

コンピュータービジョンプロジェクトに取り組んでいると、複数のUltralyticsモデルを目にして、どれがプロジェクトに適しているのか迷うことがあるかもしれません。YOLO26、YOLO11、YOLOv8が実世界のシナリオでどのように異なるかを順に見ていきましょう。

Ultralytics YOLOv8は2023年にリリースされ、それ以来、コンピュータービジョンコミュニティで広く使われてきました。コミュニティによる強力なサポートと使いやすさから、以前は多くのチームに選ばれるモデルでした。ドキュメントが充実しており、チュートリアル、ガイド、コミュニティリソースが豊富なモデルをお探しなら、YOLOv8は優れた出発点です。

2024年には、性能と効率の両方を改善したUltralytics YOLO11が登場しました。YOLOv8よりも速度と精度が向上している一方、小型で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安定して動作する、よりバランスの取れたモデルです。

今年、効率的な大規模デプロイに重点を置いた最新世代のUltralytics YOLO26がリリースされました。CPU推論の高速化とリソース利用効率の向上により、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ます。

たとえば、Ultralytics YOLO26のナノモデルは、中央処理装置（CPU）でYOLO11より最大43%高速な推論を実現できるため、エッジ環境やリソースに制約のある環境に最適です。従来の構成は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、スケールも難しいため、これは特に重要です。

図3. CPUでのYOLO26のベンチマーク（出典）

全体として、Ultralytics YOLO26は、性能、コスト、スケーラビリティのトレードオフを最適化したいチームや個人にとって、堅実な選択肢です。

Ultralytics YOLO26を詳しく見る#

Ultralytics YOLO26は、精度だけでなく効率性、速度、スケーラビリティも重視される実環境でのデプロイを想定して設計された、最先端のモデルです。ベンチマーク性能の向上だけに注力するのではなく、モデルの実行を容易にし、デプロイを高速化し、さまざまなハードウェア環境での信頼性を高めるアーキテクチャとトレーニングの変更を導入しています。

計算リソースの制限、レイテンシの制約、コスト面が重要となるエッジシステムや本番環境のシステムでは、こうした改善が特に重要です。推論を簡素化し、性能を最適化することで、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・拡張できるようにします。

Ultralytics YOLO26の主な機能をいくつか詳しく見ていきましょう。

• エンドツーエンドのNMSフリー推論: 重要な変更の1つは、後処理を不要にするNon-Maximum Suppressionを使用しない（NMS）設計です。簡単に言うと、モデルが最終的な予測を直接出力します。その結果、レイテンシの予測可能性が高まり、デプロイも容易になります。
• DFLの削除: Ultralytics YOLO26は、Distribution Focal Loss（DFL）モジュールから、よりシンプルなバウンディングボックス予測方式へと移行しています。この変更は、エンドツーエンドのNMSフリー設計と合致し、パイプラインの複雑さを軽減するとともに、デプロイの一貫性を高めます。
• MuSGDオプティマイザー: 最新のUltralytics YOLOモデルでは、確率的勾配降下法（SGD）とMuonに着想を得た更新を組み合わせたハイブリッドオプティマイザー、MuSGDが導入されています。これにより、トレーニングの安定性と収束性が向上し、最適化がよりスムーズになり、さまざまなモデルサイズで一貫した挙動が得られます。
• ProgLossとSTAL: これらのトレーニングの革新、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高まります。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できるようにし、STALはトレーニング中に小さな物体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性能を向上させます。

精度と効率性：ベンチマークを超えた実環境での性能#

YOLO26、YOLO11、YOLOv8の違いを理解するために、まず実環境でのモデル性能を左右する要因を詳しく見ていきましょう。

平均適合率（mAP）などの性能指標で測定される精度は、長年にわたりコンピュータービジョンモデルを評価する重要な方法となっています。標準化された条件下でモデルがどの程度の性能を発揮するかを示すため、異なるバージョンの比較に役立ちます。

しかし、モデルがテストから実環境へのデプロイに移ると、精度だけでは不十分です。本番環境での性能は、モデルサイズ、推論時間またはレイテンシ、計算リソースの使用量、さまざまな環境にわたるシステムの拡張性などの要因に左右されます。

制御されたベンチマークとは異なり、実環境は予測しにくいことがよくあります。照明条件が変化したり、物体の一部が隠れていたり、入力データがモデルのトレーニングデータと大きく異なったりする場合があります。こうした変化は、実運用でのモデル性能の一貫性に影響する可能性があります。

図4. 建設現場など、予測しにくい環境でUltralytics YOLO26を使用する例。

たとえば、スマートシティ、小売店、倉庫などに数百台のカメラを設置する構成を考えてみましょう。各ストリームをリアルタイムで処理する必要があり、遅延やフレーム落ちを防ぐために、一定のフレームレート（frames per second、FPS）が求められることがよくあります。

効率の低いモデルは、同じシステム上で処理できる同時ストリーム数が少なくなるため、通常は拡張に追加のハードウェアが必要となり、インフラコストも増加します。

Ultralytics YOLO26のような効率の高いモデルは、同じハードウェアでより多くのストリームを処理でき、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効率が向上し、時間の経過に合わせてデプロイを拡張しやすくなります。

YOLO26、YOLO11、YOLOv8をさらに詳しく比較するには、Ultralyticsの公式ドキュメントをご覧ください。

重要なポイント#

Ultralytics YOLOシリーズは、実環境でのデプロイニーズにより適合するよう進化してきました。各バージョンは前のバージョンを基盤としながら、効率性、スケーラビリティ、デプロイの容易さをさらに重視しています。つまり、大規模環境で安定して動作するリアルタイム検出アプリケーションを構築する場合、Ultralytics YOLO26は最適な選択肢です。

ビジョンAIを業務に導入しませんか？ライセンスオプションをご確認ください。また、ソリューションページでは、製造業におけるAIが工場をどのように変革しているか、ロボティクスにおけるビジョンAIが未来をどのように形作っているかをご覧いただけます。成長を続けるコミュニティに参加し、AIリソースについてはGitHubリポジトリをご覧ください。