Ultralytics YOLO26がNMSを削除する理由と、それが展開をどのように変えるのか

1月14日に、最新世代のコンピュータビジョンモデルである Ultralytics YOLO26 をリリースしました。YOLO26での私たちの目標は、単に精度や速度を向上させることではなく、現実世界のシステムにおいてオブジェクト検出モデルがどのように構築され、デプロイされるかを再考することでした。

コンピュータビジョン が研究段階から本番環境へ移行するにつれて、モデルはCPU、エッジデバイス、カメラ、ロボット、および組み込みハードウェア上で実行されることがますます期待されています。こうした環境では、パフォーマンスと同様に、信頼性、低レイテンシ、およびデプロイの容易さが重要になります。

Ultralytics YOLO26はこの現実を念頭に置いて設計されており、推論パイプラインから不要な複雑さを排除する合理化されたエンドツーエンドのアーキテクチャを採用しています。YOLO26における最も重要なイノベーションの1つは、NMSとしても広く知られているNon-Maximum Suppressionの削除です。

長年、NMSは物体検出システムの標準的な要素であり、重複した検出結果を整理するための後処理ステップとして使用されてきました。効果的である一方、特にエッジハードウェアにおいては、追加の計算量とデプロイの課題をもたらしていました。

YOLO26では、異なるアプローチを採用しました。予測が生成されトレーニングされる方法を再考することで、真のエンドツーエンドのNMSフリー推論を実現しています。外部のクリーンアップステップや手動で作成されたルールに依存せず、モデルが直接最終的な検出結果を出力します。これにより、YOLO26の高速化、エクスポートの容易化、および幅広いハードウェアプラットフォーム全体でのデプロイの信頼性向上が実現します。

図1. Ultralytics YOLO26を使用して画像内の物体を検出。

この記事では、従来物体検出がNMSに依存していた理由、それがデプロイメントのボトルネックになった経緯、そしてUltralytics YOLO26がどのようにワークアラウンドの必要性をなくしているのかについて詳しく見ていきます。それでは始めましょう！

従来の物体検出は重複した検出を生成する#

NMSとは何か、そしてなぜUltralytics YOLO26でそれを削除したのかについて深く掘り下げる前に、一歩引いて従来の物体検出モデルがどのように予測を生成するのかを見てみましょう。

従来の物体検出モデルは、同じ物体に対して複数の重なり合うバウンディングボックスを生成することがよくあります。これらのボックスはすべて画像内の同一の物体を参照しているにもかかわらず、それぞれが個別の信頼度スコアを持っています。

これが起こるのにはいくつかの理由があります。第一に、モデルは多くの空間位置と異なるスケールで同時に予測を行います。これはモデルが異なるサイズの物体を検出するのに役立ちますが、同時に近接する位置がすべて独立して同じ物体を特定する可能性があることを意味します。

第二に、多くの物体検出システムはアンカーベースのアプローチを使用しており、各位置の周囲に多数の候補ボックスを生成します。これにより物体を正確に見つける可能性は高まりますが、同時に重なり合う予測の数も増加します。

最後に、グリッドベースの検出自体が必然的に冗長性をもたらします。物体が複数のグリッドセルの境界付近にある場合、複数のセルがその物体のボックスを予測し、その結果、重複する検出が複数生成されます。

そのため、モデルの生の出力には一つの物体に対して複数のボックスが含まれることがよくあります。結果を利用可能にするためには、これらの冗長な予測をフィルタリングして、最終的な検出結果を一つだけ残す必要があります。

Non-Maximum Suppressionを理解する#

物体検出モデルが同じ物体に対して複数の重なり合うバウンディングボックスを生成したら、それらの結果は使用される前に整理される必要があります。ここでNon-Maximum Suppressionが適用されます。

Non-Maximum Suppressionは、モデルが予測を終えた後に実行される後処理ステップです。その目的は、各物体が単一の最終的なバウンディングボックスで表現されるように、重複した検出を削減することです。

図2. NMSの概要。画像提供：著者。

このプロセスは、信頼度スコアと重なり具合に基づいてバウンディングボックスを比較することで機能します。非常に信頼度の低い予測から先に削除されます。

残ったボックスは信頼度順にソートされ、最も高いスコアを持つボックスが最良の検出結果として選択されます。その選択されたボックスが他のボックスと比較されます。

別のバウンドボックスとの重複が大きすぎる場合、そのボックスは抑制され削除されます。重複は通常、2つのボックスが共有する領域と両方がカバーする総領域の比率を計算するメトリックである Intersection over Union を使用して測定されます。このプロセスは、最も確信度の高い、重複のない検出結果のみが残るまで繰り返されます。

NMSがデプロイを複雑にする理由#

Non-Maximum Suppressionは重複した検出のフィルタリングに役立ちますが、モデルが研究段階から現実世界のデプロイに移行すると、より顕著になる課題も生じます。

最大の問題の一つはパフォーマンスです。NMSは推論の後に実行され、どのボックスを残すかを決定するためにバウンディングボックス同士を比較する必要があります。

このプロセスは計算コストが高く、効率的に並列化することが困難です。エッジデバイスやCPUベースのシステムでは、この追加作業が目に見えるレイテンシを増加させ、リアルタイムの要件を満たすことを難しくします。

また、NMSはデプロイの複雑さを増大させます。これはモデル自体の一部ではないため、後処理コードとして別個に実装する必要があります。

ランタイムやプラットフォームによってNMSの扱いが異なるため、ターゲット環境ごとにカスタム実装を維持しなければならないことがよくあります。一つの環境で機能するものが別の環境ではわずかに異なる動作をする可能性があり、デプロイが不安定になり、スケールが難しくなります。

ハードウェアの最適化も別の課題です。NMSは、ニューラルネットワークの操作を効率的に実行するように設計された特殊なAIアクセラレータにはうまく適合しません。その結果、モデルが最適化されたハードウェア上で高速に動作していても、NMSがボトルネックとなり全体のパフォーマンスを制限してしまうことがあります。

これらの要因に加え、NMSは信頼度しきい値や重なりしきい値などの手動で選択されたパラメータに依存しています。これらの設定は結果に大きな影響を与える可能性があり、データセット、アプリケーション、またはハードウェアごとに調整が必要な場合がよくあります。これにより、本番システムでの動作予測が困難になり、構成の手間も増えます。

エンドツーエンドの物体検出推論の解説#

Non-Maximum Suppressionの制限により、オブジェクト検出 モデルが推論時にどのように動作すべきかを再考するようになりました。多数の重複する予測を生成して後からクリーンアップする代わりに、私たちはより根本的な疑問を投げかけました。

もしモデルが直接最終的な検出結果を出力できたらどうなるでしょうか？この問いが、エンドツーエンドの物体検出推論の核にあります。エンドツーエンドのシステムでは、モデルは外部のクリーンアップステップに頼ることなく、検出プロセスの全体を最初から最後まで処理するように学習されます。

多くの候補ボックスを生成して推論後にフィルタリングするのではなく、モデルは信頼度が高く重なり合わない少数の予測を独自に生成することを学習します。重複する検出は、後処理によって削除されるのではなく、ネットワーク内部で解消されます。

より新しいモデルアーキテクチャは、このアプローチが実行可能かつ実用的であることを示しました。適切な学習戦略を用いれば、モデルは多くの競合する予測ではなく、各物体を単一の予測に関連付けることを学習でき、その根源から冗長性を削減できます。

図3. Ultralytics YOLO26を使用した物体検出の例。

これが機能するためには、学習方法も変える必要があります。多くの予測が同じ物体を取り合わないようにし、モデルは一つの明確な決定を下し、より少なく、より確実な検出結果を出力するように学習します。

全体的な結果として、推論パイプラインがよりシンプルになります。重複はすでに内部で解消されているため、推論時にNon-Maximum Suppressionは必要ありません。モデルの出力がそのまま最終的な検出結果となります。

このエンドツーエンドの設計により、デプロイも容易になります。後処理ステップやプラットフォーム固有のNMS実装が不要なため、エクスポートされたモデルは完全に自己完結しており、異なる推論フレームワークやハードウェアターゲット全体で一貫した動作をします。

リード・パートナーシップ・エンジニアである Francesco Mattioli が説明するように、「真のエンドツーエンド学習とは、微分可能性を損ないデプロイを複雑にする手動の後処理ステップなしで、モデルがピクセルから予測までのすべてを処理すべきであることを意味します。」

Ultralytics YOLO26がNMSを排除する方法#

Ultralytics YOLO26は、検出結果をクリーンアップするための後処理に頼るのではなく、検出の学習および生成の方法を変更することでNon-Maximum Suppressionを削除します。多くの予測が同じオブジェクトを競合させるのではなく、YOLO26はオブジェクトと出力の間に明確な1対1の関係を学習するようにトレーニングされています。

これは、学習可能なクエリベースの検出によって部分的に可能となっており、モデルが多くの重なり合う候補ではなく、各物体に対して単一の信頼性の高い予測を生成することに集中するのを助けます。各物体は一つの予測に関連付けられ、自然に重複した検出が減少します。

この振る舞いは、学習中の整合性のあるマッチング戦略によって強化され、モデルが重なり合う予測を生成するのではなく、物体ごとに一つの確実な決定を下すように促します。最終的に、モデルはより少ない予測を生成しますが、それぞれが最終的な検出を表しています。

なぜDFLの削除がNMSフリーな検出を可能にしたのか#

Ultralytics YOLO26でのNMSフリー推論を可能にするもう一つの重要な革新は、Distribution Focal Loss（DFL）の削除です。従来のYOLOモデルでは、単一の値を予測するのではなく、可能なボックス位置の分布を予測することによってバウンディングボックス回帰を改善するためにDFLが使用されていました。

このアプローチは位置特定精度を向上させましたが、一方で検出パイプラインに複雑さも加えました。その複雑さが、真のエンドツーエンド推論へと移行する際の制限となりました。

DFLは追加の計算と固定された回帰範囲を導入し、モデルがクリーンな1対1のオブジェクト割り当てを学習することを難しくし、Non-Maximum Suppressionのような後処理ステップへの依存を高めていました。Ultralytics YOLO26では、DFLを削除し、バウンディングボックス回帰をよりシンプルで直接的なものに再設計しました。

分布ベースの出力に依存する代わりに、このモデルは、より少数で自信度の高い検出をサポートする方法で正確なボックス座標を予測することを学習します。この変更は、発生源での重複予測を削減するのに役立ち、バウンディングボックス回帰をUltralytics YOLO26のエンドツーエンドのNMSフリー設計に適合させます。

Ultralytics YOLO26はNMSフリーであり、デプロイが容易#

NMSフリー設計により、Ultralytics YOLO26は真のエンドツーエンドモデルとなります。これはモデルのエクスポートに重要な影響を与えます。

エクスポートとは、トレーニングされたモデルを、ONNX、TensorRT、CoreML、OpenVINOのようにトレーニング環境外で実行可能な形式に変換することを指します。従来のパイプラインでは、Non-Maximum Suppressionがモデル自体の一部ではないため、このプロセスが破綻することがよくありました。

NMSを排除することで、Ultralytics YOLO26はこの問題を完全に回避します。エクスポートされたモデルには、最終的な検出結果を出力するために必要なすべての要素がすでに含まれています。

これにより、エクスポートされたモデルは完全に自己完結し、推論フレームワークやハードウェアターゲット間でのポータビリティが向上します。サーバー、CPUのみのシステム、埋め込みデバイス、またはエッジアクセラレータのいずれにデプロイされても、同一のモデルが首尾一貫した振る舞いをします。エクスポートしたものがそのまま実行されるため、デプロイがより簡単になります。

このシンプルさは、エッジアプリケーションにおいて特に重要です。たとえば、YOLO26は、作物のモニタリング、フィールドの検査、植物の健康状態の分析などのユースケースにおいて ドローン などのデバイスに簡単にデプロイできます。こうした用途では、限られた計算資源と電力予算のため、複雑な後処理パイプラインの実装が非現実的となります。モデルが最終的な検出結果を直接出力するため、余分な処理ステップなしで軽量なハードウェア上で確実に対処できます。

図4. Ultralytics YOLO26はドローンのようなエッジデバイスへのデプロイが容易です。

要するに、NMSフリーの推論はエクスポートとデプロイにおける摩擦を解消し、よりクリーンで信頼性の高いビジョンシステムを実現します。NMSは回避策でした。Ultralytics YOLO26にはもはや回避策は必要ありません。

重要なポイント#

Ultralytics YOLO26は、重複検出の後処理でのクリーンアップではなく、重複検出の根本的な問題を解決することでNon-Maximum Suppressionを削除します。そのエンドツーエンドの設計により、モデルが直接最終的な検出結果を生成できるため、さまざまなハードウェア間でのエクスポートとデプロイがよりシンプルかつ一貫したものになります。NMSは従来システムにとって便利な回避策でしたが、YOLO26にはもはや不要です。

コミュニティ に参加し、GitHubリポジトリ をチェックしてAIについてさらに詳しく学びましょう。農業におけるAI および 小売におけるコンピュータビジョン に関するソリューションページをご覧ください。ライセンスオプション を確認して、今すぐビジョンAIを始めましょう。