Multiscale Real-Time Object Detection in the NMS-Free Era: A Comparative Performance Evaluation of YOLOv8 and YOLO26

技術概要：NMS 不在の時代におけるマルチスケールリアルタイム物体検出

問題定義
リアルタイム物体検出パイプラインは長らく、冗長なバウンディングボックス予測をフィルタリングする重要な後処理ステップとして、非最大値抑制（NMS）に依存してきた。重複排除には効果的であるものの、NMS は以下の 3 つの主要な制限をもたらす：(1) シーンの密度に比例して変動するレイテンシばらつきにより、エッジハードウェア上の同期実行が阻害されること、(2) 各展開ごとに Intersection-over-IoU（IoU）しきい値を手動で調整する必要があるハイパーパラメータの感度、(3) 逐次的なフィルタリングが並列実行グラフを阻害するため、整数演算アクセラレータとの非互換性。

Ultralytics によって 2026 年初頭に導入された YOLO26 などの最近のアーキテクチャは、これらの課題を解決するために、ネイティブなエンドツーエンドの NMS 不在設計を提案しているが、YOLOv8 のような確立された NMS ベースのモデルに対する実証的な性能は未だ十分に検討されていない。既存のベンチマーク、主に MS COCO は、中〜大規模の物体を強調しており、航空監視における小物体の忠実度や、レガシーな分類体系全体への汎化といった特定の失敗モードをストレステストすることに失敗している。

手法
本研究は、5 つのモデルスケール（ナノ、スモール、ミディアム、ラージ、エクストララージ）にわたる YOLOv8 と YOLO26 の包括的な比較評価を行う。評価には、異なる検出能力をストレステストするために 2 つの異なるデータセットが用いられる：

• Pascal VOC: 比較的大きく、中心が揃ったインスタンスを有する、一般的な物体検出のための基礎的なベンチマーク。
• VisDrone2019-DET: 高密度なシーンと深刻な小物体の課題（物体の 75% が 2,000 ピクセル未満を占める）を特徴とする、UAV によって撮影されたデータセット。

手法としては、NVIDIA RTX 6000 Ada GPU 上で、同一の設定（640×640 入力、バッチサイズ 16、100 エポック）を用いて、これらのデータセット上で両モデルファミリーのトレーニングと微調整を行う。性能は以下の指標を通じて評価される：

1. 検出精度: 精度、再現率、F1 スコア、mAP@50、および mAP@50:95。
2. 計算効率: モデルサイズ、パラメータ数、GFLOPs、および CPU/GPU レイテンシ。
3. アーキテクチャ分析: 損失関数、ラベル割り当て戦略、および後処理パイプラインの並行比較。

主要なアーキテクチャの違い
本論文は、2 つのモデルファミリー間の根本的な相違点を強調している：

• YOLOv8: バウンディングボックス回帰のために Distribution Focal Loss（DFL）を用いたデカップルドヘッドを利用し、後処理のために NMS に依存する。ラベル割り当てには Task Alignment Learning（TAL）を採用している。
• YOLO26: NMS と DFL を排除するネイティブなエンドツーエンドアーキテクチャを採用する。主な革新点は以下の通り：
  • 1 対 1 ラベル割り当て: 後処理なしで、決定論的かつ非冗長な予測を強制する。
  • 直接回帰: エッジハードウェア上の量子化オーバーヘッドを削減するため、DFL を直接座標回帰に置き換える。
  • 小ターゲット感知ラベル割り当て（STAL）: 勾配消失を防ぐために微小物体の IoU しきい値を下げる動的割り当て基準。
  • プログレッシブ損失バランス（ProgLoss）: 訓練中にセマンティック学習から幾何学的精度へと焦点をシフトさせる時間依存の損失変調戦略。
  • MuSGD オプティマイザ: 軽量バックボーンを安定させるように設計されたスペクトル正規化オプティマイザのバリアント。

主要な結果

• Pascal VOC パフォーマンス: YOLO26 は、ほとんどのスケールで YOLOv8 よりも一貫した優位性を示し、より高い精度、再現率、F1 スコア、および mAP 指標を達成する。YOLO26 エクストララージ（x）バリアントは全体の精度が最も高いが、ラージ（l）バリアントとのわずかな改善は、最高スケールにおける限界効用を示唆している。
• VisDrone パフォーマンス: 高密度な小ターゲットのため、両モデルとも VisDrone データセットで著しく苦労する。YOLO26 はエクストララージスケールで依然として最高スコアを達成するが、YOLO26 と YOLOv8 の間の性能差は Pascal VOC に比べて著しく縮小する。両アーキテクチャとも、航空画像における小物体の精密な局所化に課題を抱えている。
• 効率性とレイテンシ:
  • モデル複雑性: YOLO26 は、同等の YOLOv8 スケールと比較して、一般的にパラメータ数が少なく、モデルサイズが小さく、GFLOPs が削減されている。
  • レイテンシ: NMS 不在設計が普遍的に低いレイテンシを提供するという仮説とは対照的に、YOLOv8 は GPU ハードウェア上で同等のスケールにおいて競争力があり、場合によっては高速である。CPU においては、スケールが大きくなるにつれ、両ファミリーともレイテンシが急激に増加する。
  • 展開: YOLO26 における DFL の除去は、INT8 量子化とエッジ展開にとって有益であり、演算子の多様性と推論オーバーヘッドを削減することが指摘されている。

意義と主張
本論文は、検出器の選択がアーキテクチャの新規性のみによって決定されるのではなく、データセットの特性、物体のスケール、およびハードウェアの制約に強く依存すると主張している。

• 文脈的な優位性: YOLO26 は、一般的な物体検出（Pascal VOC）および決定論的レイテンシを必要とするエッジ展開シナリオにおいて、優れたパフォーマンスとモデルのコンパクトさを提供する。
• NMS 不在設計の限界: 本研究は、新しいアーキテクチャが常にその前身を凌駕するという仮説に挑戦する。具体的には、NMS 不在設計は、YOLOv8 が依然として競争力がある GPU 束縛環境において、普遍的な展開の優位性を保証するものではない。
• 小物体の課題: 結果は、最先端の NMS 不在アーキテクチャでさえ、航空画像における高密度な小物体検出に苦労していることを強調しており、データセット固有の最適化なしには、アーキテクチャの変更のみでは「小物体」問題を完全に解決できないことを示している。

本研究は、YOLO26 が精度とモデルサイズ制約の観点から YOLOv8 の強力な代替手段であるが、実世界での展開における最適な選択には、特定のデータ分布とハードウェア環境の微妙な評価が必要であると結論づけている。