論文の概要: YOLO26: Key Architectural Enhancements and Performance Benchmarking for Real-Time Object Detection

• arxiv url: http://arxiv.org/abs/2509.25164v2
• Date: Tue, 30 Sep 2025 03:10:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-01 14:44:59.896082
• Title: YOLO26: Key Architectural Enhancements and Performance Benchmarking for Real-Time Object Detection
• Title（参考訳）: YOLO26: リアルタイムオブジェクト検出のためのキーアーキテクチャ拡張とパフォーマンスベンチマーク
• Authors: Ranjan Sapkota, Rahul Harsha Cheppally, Ajay Sharda, Manoj Karkee,
• Abstract要約: 本研究は, リアルタイムオブジェクト検出のためのアーキテクチャ拡張と性能ベンチマークについて, Ultralytics YOLO26の包括的解析を行った。 2025年9月にリリースされたYOLO26は、エッジおよび低消費電力デバイスに効率性、正確性、デプロイメントの準備ができているYOLOファミリーの最新のかつ最も先進的なメンバーである。
• 参考スコア（独自算出の注目度）: 3.1957907449739764
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This study presents a comprehensive analysis of Ultralytics YOLO26, highlighting its key architectural enhancements and performance benchmarking for real-time object detection. YOLO26, released in September 2025, stands as the newest and most advanced member of the YOLO family, purpose-built to deliver efficiency, accuracy, and deployment readiness on edge and low-power devices. The paper sequentially details architectural innovations of YOLO26, including the removal of Distribution Focal Loss (DFL), adoption of end-to-end NMS-free inference, integration of ProgLoss and Small-Target-Aware Label Assignment (STAL), and the introduction of the MuSGD optimizer for stable convergence. Beyond architecture, the study positions YOLO26 as a multi-task framework, supporting object detection, instance segmentation, pose/keypoints estimation, oriented detection, and classification. We present performance benchmarks of YOLO26 on edge devices such as NVIDIA Jetson Nano and Orin, comparing its results with YOLOv8, YOLOv11, YOLOv12, YOLOv13, and transformer-based detectors(RF-DETR and RT-DETR). This paper further explores real-time deployment pathways, flexible export options (ONNX, TensorRT, CoreML, TFLite), and quantization for INT8/FP16. Practical use cases of YOLO26 across robotics, manufacturing, and IoT are highlighted to demonstrate cross-industry adaptability. Finally, insights on deployment efficiency and broader implications are discussed, with future directions for YOLO26 and the YOLO lineage outlined.
• Abstract（参考訳）: 本研究は, リアルタイムオブジェクト検出のためのアーキテクチャ拡張と性能ベンチマークについて, Ultralytics YOLO26の包括的解析を行った。 2025年9月にリリースされたYOLO26は、エッジおよび低消費電力デバイスに効率性、正確性、デプロイメントの準備ができているYOLOファミリーの最新のかつ最も先進的なメンバーである。 本論文は、配電損失(DFL)の除去、エンドツーエンドのNMSフリー推論の導入、ProgLossとSmall-Target-Aware Label Assignment(STAL)の統合、安定収束のためのMuSGDオプティマイザの導入など、YOLO26のアーキテクチャ革新を順次詳述する。 アーキテクチャ以外にも、YOLO26をマルチタスクフレームワークとして位置づけ、オブジェクト検出、インスタンスセグメンテーション、ポーズ/キーポイントの推定、方向検出、分類をサポートする。 NVIDIA Jetson Nano や Orin などのエッジデバイス上でのYOLO26の性能ベンチマークを行い,その結果と YOLOv8, YOLOv11, YOLOv12, YOLOv13, およびTransformer-based detectors (RF-DETR, RT-DETR) を比較した。 本稿では、リアルタイムデプロイメント経路、フレキシブルエクスポートオプション(ONNX、TensorRT、CoreML、TFLite)、INT8/FP16の量子化について検討する。 ロボット、製造、IoTにわたるYOLO26の実践的なユースケースは、業界横断の適応性を示すために強調されている。 最後に、YOLO26とYOLO系統の今後の方向性を概説し、デプロイメント効率とより広範な意味について考察する。

関連論文リスト

• YOLOv1 to YOLOv11: A Comprehensive Survey of Real-Time Object Detection Innovations and Challenges [0.0]
  YOLO(You Only Look Once)モデルは、統合されたエンドツーエンド検出フレームワークを通じて、リアルタイム視覚アプリケーションのランドスケープを変換します。 本稿では, アーキテクチャの革新, パフォーマンスベンチマーク, 拡張機能, 実世界のユースケースを取り上げ, YOLOファミリーの総合的なレビューを行う。 我々は、YOLOモデルの進化を批判的に分析し、様々なコンピュータビジョン領域にまたがる影響を拡大する新たな研究方向について議論する。
  論文  参考訳（メタデータ） (2025-08-04T05:13:51Z)
• YOLOv12: A Breakdown of the Key Architectural Features [0.5639904484784127]
  YOLOv12は、単一ステージのリアルタイム物体検出において重要な進歩である。 最適化されたバックボーン(R-ELAN)、分離可能な7x7の畳み込み、およびFlashAttention駆動のエリアベースアテンションが組み込まれている。 レイテンシに敏感なアプリケーションと高精度なアプリケーションの両方にスケーラブルなソリューションを提供する。
  論文  参考訳（メタデータ） (2025-02-20T17:08:43Z)
• YOLOv5, YOLOv8 and YOLOv10: The Go-To Detectors for Real-time Vision [0.6662800021628277]
  本稿では、YOLOv5, YOLOv8, YOLOv10に着目し、YOLO(You Only Look Once)オブジェクト検出アルゴリズムの進化に焦点を当てた。 これらのバージョンにまたがるエッジデプロイメントのアーキテクチャの進歩、パフォーマンスの改善、適合性を分析します。
  論文  参考訳（メタデータ） (2024-07-03T10:40:20Z)
• YOLOv10: Real-Time End-to-End Object Detection [68.28699631793967]
  リアルタイムオブジェクト検出の分野では,YOLOが主流のパラダイムとして浮上している。 非最大抑圧(NMS)による処理後ハマーによるYOLOのエンドツーエンドデプロイメントへの依存。 YOLOの総合的効率-精度駆動型モデル設計戦略を紹介する。
  論文  参考訳（メタデータ） (2024-05-23T11:44:29Z)
• YOLO-World: Real-Time Open-Vocabulary Object Detection [87.08732047660058]
  オープン語彙検出機能でYOLOを強化する革新的なアプローチであるYOLO-Worldを紹介する。 提案手法は,ゼロショット方式で広範囲の物体を高効率で検出する。 YOLO-WorldはV100上で52.0 FPSの35.4 APを達成した。
  論文  参考訳（メタデータ） (2024-01-30T18:59:38Z)
• YOLO-MS: Rethinking Multi-Scale Representation Learning for Real-time Object Detection [63.36722419180875]
  YOLO-MSと呼ばれる効率的かつ高性能な物体検出器を提供する。 私たちは、他の大規模なデータセットに頼ることなく、MS COCOデータセット上でYOLO-MSをスクラッチからトレーニングします。 私たちの作業は、他のYOLOモデルのプラグイン・アンド・プレイモジュールとしても機能します。
  論文  参考訳（メタデータ） (2023-08-10T10:12:27Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。