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

• arxiv url: http://arxiv.org/abs/2605.24831v1
• Date: Sun, 24 May 2026 02:55:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-26 19:50:18.467989
• Title: Multiscale Real-Time Object Detection in the NMS-Free Era: A Comparative Performance Evaluation of YOLOv8 and YOLO26
• Title（参考訳）: NMSフリー時代のマルチスケールリアルタイム物体検出:YOLOv8とYOLO26の比較評価
• Authors: Chidera G. Oguine, Kanyifeechukwu J. Oguine, Obiozor M. Oguine, Ozioma C. Oguine,
• Abstract要約: 非最大抑圧(NMS)は、多くのリアルタイムオブジェクト検出パイプラインにおいて重要な後処理ステップである。 YOLO26のような最近のNMSのない設計は、エンドツーエンド検出によってこの依存を減らすことを目的としている。 本稿では,Pascal VOCとVisDroneのYOLOv8とYOLO26を比較した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Non-Maximum Suppression (NMS) remains a key post-processing step in many real-time object detection pipelines, but it can introduce latency variation and deployment complexity in resource-constrained settings. Recent NMS-free designs such as YOLO26 aim to reduce this dependence through end-to-end detection, yet their performance relative to established NMS-based models such as YOLOv8 remains underexplored beyond standard benchmarks. This paper compares YOLOv8 and YOLO26 on Pascal VOC and VisDrone, representing general object detection and dense aerial small-object detection, respectively. Both model families are evaluated across five scales using accuracy, localization, model size, GFLOPs, and CPU/GPU latency. Results show that YOLO26 achieves stronger detection performance and lower model complexity on Pascal VOC across most scales, while the performance gap narrows on VisDrone, where both models struggle with dense small targets. YOLOv8 remains competitive in GPU latency, showing that NMS-free design does not guarantee universal deployment superiority. Overall, the study shows that detector selection depends on dataset characteristics, object scale, model capacity, and hardware constraints.
• Abstract（参考訳）: NMS(Non-Maximum Suppression)は、多くのリアルタイムオブジェクト検出パイプラインにおいて、依然として重要な後処理ステップである。 YOLO26のような最近のNMSフリーな設計は、エンドツーエンド検出によってこの依存を減らすことを目的としているが、YOLOv8のような既存のNMSベースのモデルと比較して、その性能は標準ベンチマークを超えていない。 本稿では,Pascal VOCとVisDroneのYOLOv8とYOLO26を比較した。 どちらのモデルファミリも、精度、ローカライゼーション、モデルサイズ、GFLOP、CPU/GPUレイテンシを使用して、5つのスケールで評価される。 その結果, YOLO26はパスカルVOCにおける検出性能が向上し, モデル複雑性が低下するのに対し, VisDroneでは性能ギャップが狭くなることがわかった。 YOLOv8はGPUレイテンシーにおいて競争力を維持しており、NMSフリーの設計はユニバーサルデプロイメントの優位性を保証していない。 全体として、検出器の選択はデータセットの特性、オブジェクトスケール、モデルキャパシティ、ハードウェアの制約に依存する。

関連論文リスト

• YOLO-DS: Fine-Grained Feature Decoupling via Dual-Statistic Synergy Operator for Object Detection [55.58092342624062]
  DSO(Dual-Statistic Synergy Operator)を中心に構築されたYOLO-DSを提案する。 YOLO-DSは、チャネル平均とピーク平均差を共同でモデル化することにより、オブジェクトの特徴を分離する。 MS-COCOベンチマークでは、YOLO-DSは5つのモデルスケールでYOLOv8を上回っている。
  論文  参考訳（メタデータ） (2026-01-26T05:50:32Z)
• YOLO26: An Analysis of NMS-Free End to End Framework for Real-Time Object Detection [0.0]
  You Only Look Once"フレームワークは、長い間リアルタイムオブジェクト検出のベンチマークとして機能してきた。 「YOLO26」アーキテクチャはこのパラダイムを再定義し、NMSを排除し、ネイティブなエンドツーエンド学習戦略を採用した。
  論文  参考訳（メタデータ） (2026-01-19T09:36:08Z)
• YOLOv13: Real-Time Object Detection with Hypergraph-Enhanced Adaptive Visual Perception [58.06752127687312]
  高精度で軽量な物体検出器YOLOv13を提案する。 ハイパーグラフに基づく適応相関強化(HyperACE)機構を提案する。 また,FullPAD(Full-Pipeline Aggregation-and-Distribution)パラダイムを提案する。
  論文  参考訳（メタデータ） (2025-06-21T15:15:03Z)
• 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)
• MODIPHY: Multimodal Obscured Detection for IoT using PHantom Convolution-Enabled Faster YOLO [10.183459286746196]
  YOLO Phantomは、史上最小のYOLOモデルのひとつです。 YOLO Phantomは最新のYOLOv8nモデルと同等の精度を実現し、パラメータとモデルサイズを同時に削減する。 実際の有効性は、高度な低照度カメラとRGBカメラを備えたIoTプラットフォーム上で実証され、AWSベースの通知エンドポイントにシームレスに接続される。
  論文  参考訳（メタデータ） (2024-02-12T18:56:53Z)
• 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)
• DAMO-YOLO : A Report on Real-Time Object Detection Design [19.06518351354291]
  本稿では,最新のYOLOシリーズよりも高速かつ高精度なオブジェクト検出手法であるDAMO-YOLOを提案する。 我々は最大エントロピーの原理で導かれるMAE-NASを用いて検出バックボーンを探索する。 「首と首のデザインでは、大首と小首の規則に従っている。」
  論文  参考訳（メタデータ） (2022-11-23T17:59:12Z)

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。