🤖 AI

Ultralytics YOLO26: Unified Real-Time End-to-End Vision Models

Ultralytics YOLO26は、デュアルヘッドアーキテクチャと高度な学習戦略を通じて非最大値抑制（NMS）と分布焦点損失（DFL）を排除した、リアルタイム・エンドツーエンドの統合ビジョンモデルファミリーを導入し、物体検出、セグメンテーション、ポーズ推定、およびオープンボキャブラリー推論を含む複数のタスクにおいて、最先端の精度とレイテンシ性能を実現しています。

原著者： Glenn Jocher, Jing Qiu, Mengyu Liu, Shuai Lyu, Fatih Cagatay Akyon, Muhammet Esat Kalfaoglu

公開日 2026-06-03

📖 1 分で読めます☕ さくっと読める

CC BY 4.0

原著者： Glenn Jocher, Jing Qiu, Mengyu Liu, Shuai Lyu, Fatih Cagatay Akyon, Muhammet Esat Kalfaoglu

原論文は CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) でライセンスされています。 ✨ これは以下の論文のAI生成解説です。著者が執筆または承認したものではありません。技術的な正確性については原論文を参照してください。免責事項の全文を読む

あなたは、ビデオストリーム内の物体をリアルタイムで検知する任務を負った、超高速のセキュリティガードを想像してみてください。長年、最高のガード（「YOLO」モデルと呼ばれます）は非常に優秀でしたが、いくつか厄介な癖がありました。それは、物体を見つけた後に遅い「再確認」ステップを必要とすること、動作を重くする追加データの「重いバックパック」を背負っていること、そして訓練ルールが厳格すぎて、小さくて遠くにある物体を見逃してしまうことがありました。

この論文は、これまで以上に速く、軽く、そして鋭くなった新世代のビジョンガードであるYOLO26を紹介しています。彼らがどのように古い問題を解決したのか、日常的な例えを用いて説明します。

1. 「再確認なし」のルール (NMSフリー推論)

旧来の問題: 以前は、ガードが車を見つけると、少しずつ異なる場所で3つも4つも同じ車を見つけてしまうことがありました。そのため、最も良い推測を一つだけ選び、重複を捨てるために、「Non-Maximum Suppression (NMS)」という、時間がかかる手動の再確認プロセスを行う必要がありました。これには時間がかかりました。
YOLO26による解決策: YOLO26はデュアルヘッド設計を採用しています。これは、2人の特化した作業員がいると考えてください。

作業員A（スピードスター）: この作業員は、あらゆる物体に対して即座に、正確に一つの完璧な推測を選ぶように訓練されています。二度手間（再確認）は不要です。まるで一撃でターゲットを仕留めるスナイパーのようです。
作業員B（マキシマイザー）: この作業員は、依然としてあらゆるものを見渡し、もしあなたが絶対的な最高精度を必要とし、多少の「再確認」時間を気にしないのであれば、使用することができます。
結果: 「エンドツーエンド」なシステム、つまり、画像を見てから二度目の意見を求めることなく、直接答えを出すシステムを実現しました。

2. 重いバックパックを捨てる (DFLの除去)

旧来の問題: 最近のモデルは、重い「Distribution Focal Loss (DFL)」というバックパックを背負っていました。このバックパックは、あらゆるエッジに対して16種類の異なる可能性から推測することで、物体のサイズを予測しようとするものでした。これにより、モデルは重くなり（メモリを消費し）、特に小型モデルでは動作が遅くなりました。また、「最大サイズ」の制限もあり、物体がリストの範囲を超えると、モデルは混乱してしまいました。
YOLO26による解決策: 彼らはそのバックパックを投げ捨てました。メニューから選ぶように推測する代わりに、モデルは今や、定規を使うように直接サイズを測定します。
結果: モデルはより軽量で高速になり、さらに、非常に大きな物体に対しても「天井」にぶつかることなく、正確に測定できるようになりました。

3. 「小さな物体」のためのセーフティネット (STAL)

旧来の問題: 古い訓練ルールは、「特定のグリッド内に収まる箱の中にしか隠れてはいけない」というルールがある「かくれんぼ」のようでした。もし小さな物体（遠くの鳥など）がグリッドの正方形よりも小さかった場合、ガードはそれを見ることができませんでした。その物体には注意が払われず、訓練中に無視されてしまったのです。
YOLO26による解決策: 彼らはSTAL（Small-Target-Aware Label Assignment）を導入しました。ガードに、小さなもののための特別な拡大鏡を与えたと考えてください。たとえ小さな物体が標準のグリッドに収まらなくても、システムはグリッドを一時的に「引き伸ばす」ことで、その物体をカバーし、ガードが注意を払うように強制します。
結果: モデルは、最も小さく、最も見えにくい物体を無視することがなくなりました。

4. 「スマートなコーチ」 (MuSGD & プログレッシブ・ロス)

旧来の問題: これらのモデルの訓練は、コーチが600マイルのレース全体を通して同じ指示を叫び続けるマラソンのようでした。上手くなるまでに時間がかかりました。また、コーチは「スピードスター」の作業員と「マキシマイザー」の作業員を、それぞれの仕事が異なるにもかかわらず、全く同じように扱っていました。
YOLO26による解決策:

MuSGD (スマートなコーチ): 彼らは古い訓練方法を、より速く学習できる新しいオプティマイザ（MuSGD）に置き換えました。これは、ランナーがより少ないマイル（より少ない訓練エポック）で完走できるように、ペース配分を正確に知っているコーチのようなものです。
プログレッシブ・ロス (カリキュラム): 彼らは訓練スケジュールを変更しました。最初は、「マキシマイザー」の作業員に焦点を当てて強固な基礎を築きます。訓練が進むにつれて、徐々に「スピードスター」の作業員へと焦点を移していき、最終的な製品が、高速な（再確認なしの）推論に完璧に調整されるようにします。

5. 異なる仕事のための専門スキル

ガードが車を見つけるのが速いからといって、あらゆることに長けているわけではありません。YOLO26は、他のタスクのための専門的なツールを追加しています。

形状の切り出し (セグメンテーション): 背景をより良く理解するためのマルチスケール・システムを追加しました。これにより、物体の正確な輪郭をトレースすることが容易になります。
人物のトラッキング (ポーズ推定): 関節（肘など）についてガードがどれくらい「不確か」であるかを推測する方法を追加しました。もし肘が隠れている場合、モデルは無謀な推測をするのではなく、自身が確信を持てないことを認めます。
回転した物体 (OBB): 常に垂直に立っているわけではない船や飛行物体のために、物体が傾いていてもモデルが混乱しないよう、数学的な修正を行いました。

6. 「オープン・ボキャブラリー」のアップグレード (YOLOE-26)

最後に、彼らはYOLOE-26を導入しました。これは、ガードに「万能翻訳機」を与えるようなものです。

テキスト・プロンプティング: 「赤い消火栓を探して」と指示すれば、たとえ消火栓について明示的に訓練されていなくても、それを見つけ出します。
ビジュアル・プロンプティング: 特定のおもちゃの写真をガードに見せれば、ビデオの中からそのおもちゃを見つけ出します。
プロンプトなし: また、ただ周囲を見渡して、目に見えるものを自律的に説明することもできます。

まとめ

YOLO26は、その先代よりも速く、軽く、そして正確な、統一されたモデルファミリーです。不要な荷物を捨て、小さなものを見つけるためのルールを修正し、よりスマートな訓練コーチを使用することで、これらを実現しました。絶対的なスピード（NMSフリーの経路）が必要であっても、あるいは絶対的な精度（NMS経路）が必要であっても、YOLO26は「速度 vs 精度」のチャートの最上位に位置するバージョンを提供します。

テクニカルサマリー: Ultralytics YOLO26

1. 問題提起

YOLOファミリーはリアルタイム・ビジョンにおいて広く産業界で採用されているが、現在の検出器には、最適な精度、効率、およびデプロイの柔軟性を妨げる4つの具体的な制限が存在する：

NMSへの依存と不適切な学習: ほとんどのCNNベースの検出器は、推論時に非最大値抑制（NMS）に依存している。YOLOv10はNMSフリーの推論を可能にするデュアルヘッド設計を導入したが、これは学習全体を通じて、高密度（one-to-many）ブランチと推論用（one-to-one）ブランチに対して同一の損失重みを適用している。これにより、ターゲット化された監督が行えたはずの重要なone-to-oneブランチが、最適化不足の状態となっている。
DFLのパラメータ増大と範囲制限: YOLOv8以降で採用されているDistribution Focal Loss (DFL) モジュールは、バウンディングボックス回帰を4つのスカラーから $4K$ 個のロジット（通常 $K=16$ ）へと拡張する。これはモデルのパラメータを膨張させ（例：YOLO11nでは12%増加）、さらに $(K-1) \times \text{stride}$ という有限の回帰範囲を課すことになり、高解像度における大きなオブジェクトに対して制約となる。
長い学習スケジュール: 標準的なSGDベースのレシピでは、競争力のあるCOCO精度に達するために約600エポックを必要とし、迅速な反復をコストの高いものにしている。Muonオプティマイザは大規模言語モデル（LLM）の学習において効率性の向上を示しているが、物体検出には適応されていない。
小物体に対するゼロ割り当て: Task-Aligned Learning (TAL) ラベル割り当て戦略は、グラウンドトゥルース（GT）ボックス内の幾何学的な包含関係に依存している。極めて小さなオブジェクトの場合、特徴マップのダウンサンプリングによって、ボックス内に有効なアンカー中心がゼロになることがあり、その結果、ポジティブな割り当てがゼロになり、これらのターゲットに対する勾配信号が完全に欠如してしまう。

2. 手法

YOLO26は、YOLO11の基盤の上に構築された、協調的なアーキテクチャと学習パイプラインを通じてこれらの制限に対処する。

2.1. アーキテクチャ: デュアルヘッドNMSフリー設計

YOLO26は、エンドツーエンドの推論と従来の密な予測の両方をサポートするために、デュアルヘッド設計を採用している：

One-to-One Head (デフォルト): NMSなしで、固定サイズの予測セット（画像あたり最大300個）を生成する。これは、厳格なone-to-oneラベル割り当て（$topk=7 $に続く$ topk2=1$ のTAL）を使用し、GTインスタンスごとに単一のマッチング予測を学習する。
One-to-Many Head: 最大の精度が後処理のオーバーヘッドよりも優先されるシナリオのために、より豊かな監督（$topk=10$）を伴う標準的な密な予測を保持する。
DFLの削除: Distribution Focal Lossモジュールを完全に削除した。回帰は直接的な4スカラー出力と制約のない範囲で行われ、これによりヘッドのパラメータ数とFLOPsが大幅に削減される。

2.2. 学習パイプライン

精度と収束を改善するために、3つの補完的な技術が共同で適用される：

MuSGDオプティマイザ: Muon（LLM学習由来）と標準的なSGD-momentumを組み合わせたハイブリッドオプティマイザ。Muonは、更新のコンディショニングを改善するために、モーメンタム更新の後に軽量な直交化（Newton–Schulz反復による）を適用する。MuSGDは、これを多次元パラメータ（畳み込み、線形重み）に適用する一方で、1次元パラメータ（バイアス、スケール）には純粋なSGDを使用する。
Progressive Loss (漸進的損失): 2つのブランチ間の最適化の非対称性に対処するカリキュラム形式の再重み付け戦略。密な（one-to-many）ブランチの損失重みは0.8から0.1へと線形に減衰し、一方、one-to-oneブランチの重みは0.2から0.9へと増加する。これにより、学習が進むにつれて監督の重点が推論時のヘッドへとシフトする。
STAL (Small-Target-Aware Label Assignment): 小物体に対するゼロ・ポジティブ割り当てを防ぐため、STALは候補選択の幾何学と回帰の幾何学をデカップル（分離）する。候補フィルタリング中、グラウンドトゥルースボックスの寸法が最小ストライドを下回る場合、その寸法は参照サイズ（ $s_{ref}$ 、通常は次のピラミッド・ストライド）にクランプされる。これにより、最終的な回帰とスコアリングのための元のボックス形状を維持しつつ、小ターゲットに対するアンカーのカバレッジを確保する。

2.3. タスク特化型拡張

検出以外にも、YOLO26は他のタスクのための専門的な設計を導入している：

インスタンス・セグメンテーション: マルチスケール・プロトタイプ・パスウェイ（複数のピラミッドレベルからの特徴を融合）を使用し、推論時のオーバーヘッドなしにマスクの品質を向上させる補助的なセマンティック・セグメンテーション損失を用いる。
ポーズ推定: 標準的な座標回帰を、Residual Log-Likelihood Estimation (RLE) に置き換える。これは、正規化フローを用いて関節ごとの不確実性をモデル化し、曖昧または遮蔽されたキーポイントの重みを下げる。
回転バウンディングボックス (OBB): 境界の不連続性を解決するために、「ロングエッジ」角度定義（ $[-45^\circ, 135^\circ)$ ）を採用する。また、角度の曖昧さを扱うために、正方形のオブジェクトに特化したアスペクト比認識角度損失を導入している。
オープンボキャブラリ (YOLOE-26): より強力なバックボーン、アップグレードされたテキストエンコーダ（MobileCLIP2）、アノテーションを精緻化するための疑似ラベル・データエンジン、およびデカップルされたセグメンテーション学習を使用して、オープンボキャブラリのシナリオへと拡張する。

3. 主な結果

YOLO26は5つのスケール（n/s/m/l/x）に及び、COCO val2017ベンチマークにおいて最先端の精度-レイテンシのトレードオフを達成している。

検出性能: YOLO26はCOCOで40.9–57.5 mAPを達成し、T4 TensorRT FP16レイテンシは1.7 ms (n) から 11.8 ms (x) である。これは、以前のYOLOバージョン（YOLO11、YOLOv10など）や他のリアルタイム検出器を上回るパレート・フロントを前進させている。
- YOLO11と比較して、YOLO26は全スケールにおいてCOCO APを1.6–2.8ポイント向上させた。
- DFLの削除のみで、新しい学習パイプラインによって精度が回復・向上した状態で、ナノモデルのパラメータを12%、FLOPsを20%削減した。
小物体検出: STALは小物体検出（APS）を大幅に改善し、標準的なTALでは見逃されていた検出を回収した。
タスク特化型の利得:
- セグメンテーション: YOLO11に対し、最大+3.7のマスクAP向上。
- ポーズ推定: YOLO11に対し、最大+7.2のポーズAP向上。
- OBB検出: DOTA-v1.0において最大+3.4 mAP向上。
オープンボキャブラリ (YOLOE-26): YOLOE-26xモデルは、テキストプロンプト下でのLVIS minivalにおいて40.6 APに達し、DetCLIP-Tを+6.2 AP上回った。
効率性: このアーキテクチャは、以前のバージョン（YOLO26n vs YOLO11n）と比較して最大43%高速なCPU推論を実現し、19種類の非PyTorchターゲット（TensorRT、ONNX、CoreMLなど）へのエクスポートをサポートしている。

4. 意義と主張

本論文は、YOLO26がYOLOの系統における構造的および学習的な非効率性に直接対処することで、リアルタイム・ビジョンの統一的な前進を象徴していると主張している。その主な意義は以下の通りである：

NMSフリーのエンドツーエンドの実現可能性: デュアルヘッド・アーキテクチャとProgressive Lossを組み合わせることで、NMSベースの手法に匹敵するNMSフリー推論精度を達成できることを示し、デプロイメント・パイプラインを簡素化した。
簡素化による効率化: 複雑なDFLモジュールの削除が、制約のない回帰および改善された学習戦略と組み合わせることで、性能を低下させるどころかむしろ向上させ、エッジデバイスに適した軽量なモデルを実現することを証明した。
最適化とラベリングの相乗効果: 高度なオプティマイザ（MuSGD）を、カリキュラムベースの損失重み付け（Progressive Loss）および堅牢なラベル割り当て（STAL）と組み合わせることが、モデルサイズを増やすことなく収束を加速させ、小物体検出を改善するという相乗効果を生むことを確立した。
統一されたマルチタスク・フレームワーク: 検出、セグメンテーション、ポーズ、分類、およびOBB検出を、すべてのタスクで一貫した利得とともにサポートする単一のパイプラインを提供し、堅牢なオープンボキャブラリ拡張も備えている。

著者らは、YOLO26が単に強力な最適化挙動のために設計されただけでなく、YOLOファミリーを業界標準たらしめているデプロイメントの普遍性を維持しながら、異種ハードウェア間での実用的な推論統合のために設計されていることを強調している。