YOLO26は、Ultralyticsが開発したリアルタイムのコンピュータビジョンモデルファミリーの最新版です。画像や映像ストリームの中に物体が現れた瞬間にそれを識別するオープンなモデルです。開発者にとって重要になる前に、経営者にとって重要な点が三つあります。まず、以前は導入を遅らせ複雑にしていた後処理ステップなしに、最終結果を直接出力するようになりました。次に、七つの別々のシステムではなく、七つのビジョンタスクをカバーする単一のモデルです。そして最小サイズでは、一般的なCPU上で前バージョンより最大43%高速に動作します。実務的には、倉庫、工場、ショールームにすでに設置されているカメラが、現場の小型デバイス上で動く業務データの供給源になり得るということです。高価なサーバーは不要で、映像が施設の外に出ることもありません。

このリリースで実際に何が変わったのか？

従来のモデルは、各物体の周囲に数十個の候補ボックスを描き、その後Non-Maximum Suppression（非最大値抑制）と呼ばれる整理ステップを実行して最適なボックスを選び、残りを破棄していました。このステップはモデルの外側にあったため、追加の設定や追加の処理が必要になり、異なるハードウェアに導入する際に壊れうる箇所がもう一つ増えることを意味していました。YOLO26は検出ヘッドから直接最終結果を出力し、一枚の画像あたり最大三百個の物体に対応します。そのため業務システムへの組み込みがよりシンプルかつ高速になり、本番環境でテスト時と異なる挙動をする可能性も大幅に低くなります。

公式ドキュメントではさらに、DFL損失を廃止したより軽量な検出ヘッド、大規模言語モデルの学習から取り入れたMuSGDというハイブリッドオプティマイザーに基づく新しい学習手法、そして小さな物体を明確に狙った改良についても説明しています。小さな物体こそ、実際の業務で重要になるものです。通路の奥にある段ボールのラベルや、ライン上を流れる製品にある爪ほどの大きさの欠陥などがそれにあたります。

一つのモデルで七つのビジョンタスク

ビジネスの観点で興味深いのは、単純な精度ではありません。同じファミリーが、学習済みの重みと単一のパイプラインで七つのタスクをカバーしている点です。これにより、購入し、保守し、チームを教育しなければならないシステムの数が減ります。

  • 物体検出：物体がどこにあり、何であるか。カウント、追跡、アラートの基盤です。
  • インスタンスセグメンテーション：ボックスではなく物体ごとの精密なマスクで、面積や欠陥の測定に役立ちます。
  • セマンティックセグメンテーション：すべてのピクセルを分類し、たとえば通路と保管エリアを区別します。
  • 深度推定：追加のレーザーセンサーなしに、一台のカメラで距離を推定します。
  • 画像分類：このケースが適合しているかどうかを判定します。
  • 姿勢推定：身体のキーポイントを追跡し、安全管理や動作分析に使われます。
  • 回転物体検出：パレットや航空画像など、軸に沿っていない物体のための傾いたボックスです。

公式ドキュメントによると、前バージョンと比べて、セグメンテーションのマスク品質で最大3.7ポイント、姿勢推定で最大7.2ポイント、DOTAベンチマークでの回転物体検出で3.4ポイントの向上が報告されています。数字は重要ですが、それ以上に重要なのは、これらが三つの別々のプロジェクトではなく一つのモデルから得られているという点です。

どのハードウェアを買うかを決める数字

このファミリーは五つのサイズで提供されており、それぞれ精度、速度、コストのトレードオフが明確です。COCOベンチマークで公表されている数値は、精度が40.9から57.5まで、T4カードでの処理時間が1.7から11.8ミリ秒までの範囲です。

  • 最小サイズ：わずか240万パラメータで、グラフィックカードなしの一般的なCPUで動作します。店舗や小規模倉庫のカメラ一台には賢明な選択です。
  • 中間サイズ：一台の現場デバイスで複数のカメラを扱うのに適したバランスです。
  • 最大サイズ：5570万パラメータで、精密な品質検査など、コストより精度が重視されるケース向けです。

実践的なルールは、課題を解決できる最小のサイズから始めることです。商業的に失敗するコンピュータビジョンのプロジェクトの多くは、モデルが弱すぎたから失敗するのではありません。誰かが最大のモデルを選び、二十台のカメラで動かすコストがそれによって生まれる節約額を上回ると後から気づいたために失敗するのです。

実際に役立つ場面

  • 倉庫：入荷時と出荷時にパレットや段ボールを数え、物理的に動いたものとシステムに記録されたものとの差異を見つけます。
  • 工場：ライン上の外観検査で、繰り返し発生する欠陥パターンが現れたらそのロットを止め、顧客のところで発覚するのを防ぎます。
  • 小売・ショールーム：店舗内の動線や滞留エリア、誰も気づかないうちに品切れになった棚を測定します。
  • 安全管理：危険区域での保護具の着用を確認し、立入制限区域に誰かが入った瞬間にアラートを出します。
  • ヤード・車両管理：トラックの入退場を記録し、自動的に積込指示と紐づけます。
  • 建設請負：現場の進捗を映像で記録し、手作業の報告書に頼るのではなく出来高払いの請求と結びつけます。

これらすべてに共通するのは、どれも汎用人工知能や大規模言語モデルを必要としないことです。必要なのは、今日このドアから段ボールがいくつ出ていったかといった一つの具体的な問いと、人の介入なしにそれに答えるシステムです。

固定リストではなく説明による検出

このリリースは、YOLOE-26と呼ばれるオープンボキャブラリー版の基盤にもなっています。これはテキストによる説明や視覚的な例をもとに、一度も学習していないカテゴリーを認識できます。これにより、新しいカテゴリーのたびに追加の学習が必要になるという長年の問題が解決されます。小売のように商品が絶えず入れ替わる環境では、この機能によってシステムを作り直すまでの有効期間が長くなります。

コードより先にライセンス

この点は、完成した後のプロジェクトを丸ごと台無しにします。YOLO26の重みとコードはAGPL-3.0のもとで、またはUltralyticsの商用ライセンスで提供されています。AGPLは、ネットワーク経由で他者に提供する製品を構築する者に義務を課し、ソースコードの公開を求める場合があります。自社の業務内だけで使う場合は状況はより単純ですが、顧客に販売する製品を構築するのであれば、納品後ではなく最初の一行のコードを書く前に、法律の専門家とライセンスを確定させてください。

カメラと個人データ保護法

人を撮影するカメラはすべて個人データを生み出し、それにはサウジアラビアの個人データ保護法（PDPL）と、サウジデータ・人工知能庁（SDAIA）による施行規則が適用されます。実務上は、撮影場所での開示と告知、明確で限定された処理目的、そして保存するものを最小限に抑えることを意味します。良い知らせは、一般的なCPU上でのYOLO26の効率の高さにより、現場での処理が本当に現実的になったことです。映像は施設の外に出ることがなく、保存されるのは画像ではなく結果の数値です。この設計により、規制上のリスクとコストを同時に下げることができます。

六週間以内に始める方法

施設全体を対象にしたコンピュータビジョンのプロジェクトから始めてはいけません。カメラを一台と、測定可能な問いを一つ選び、インターネットではなく自社の現場からデータを集め、小さいサイズで学習させ、二週間にわたって結果を手作業のカウントと比較します。パイロットによって、システムが時間を節約する、あるいは明確な価値のある損失を防ぐことが証明されたら、カメラを一台ずつ増やして拡大します。証明されなければ、費やしたのは丸一年分の予算ではなく六週間です。

参考資料