論文の概要: Does YOLO26 Truly Offer Advantages Over Its Predecessors for Edge Deployment? A Benchmark Study in Aquaculture

• arxiv url: http://arxiv.org/abs/2607.09835v1
• Date: Fri, 10 Jul 2026 15:38:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-14 15:40:48.226117
• Title: Does YOLO26 Truly Offer Advantages Over Its Predecessors for Edge Deployment? A Benchmark Study in Aquaculture
• Title（参考訳）: YOLO26はエッジ展開のためのアドバンテージを真に提供しているか?-養殖のベンチマーク研究
• Abstract要約: 最近導入されたYOLO26アーキテクチャは、NMSのないエンドツーエンドの推論を取り入れており、リソース制約のあるCPUベースのデバイスへのデプロイに最適化されている。 本研究は,魚の死亡診断のためのナノモデル,小型モデル,中型の3種類のUltralytics前駆体に対するYOLO26のベンチマークを示す。
• 参考スコア（独自算出の注目度）: 10.984180846607808
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The recently introduced YOLO26 architecture incorporates NMS-free end-to-end inference and is optimized for deployment on resource-constrained CPU-based devices, making it well-suited for edge-based aquaculture applications. However, its performance, operational efficiency, and deployment suitability have not been systematically validated in aquaculture-specific scenarios. This study presents a comprehensive benchmark of YOLO26 against three Ultralytics predecessors (YOLOv5u, YOLOv8, and YOLO11) across nano, small, and medium model scales for fish mortality detection, a critical indicator of fish population health and welfare. Twelve model variants were evaluated for detection accuracy, training efficiency across seven dataset sizes, and inference performance on high-performance NVIDIA A100 GPUs and a CPU-only Raspberry Pi 5 edge platform. All models achieved comparable performance on the full dataset, with mAP50 differing by only 1.04 percentage points, indicating that architectural generation has little influence on final detection accuracy when sufficient training data are available. However, clear trade-offs emerged in data efficiency and deployment performance. YOLOv8 achieved 90% mAP50 with only 400 training images, whereas the YOLO26 nano and small variants required 1,000 images to reach comparable accuracy. Conversely, YOLO26n achieved the highest inference speed on the Raspberry Pi 5 (7.51 FPS), while YOLOv5mu outperformed all contemporary medium-scale architectures on CPU-based hardware. These results show that architectural novelty alone is insufficient for model selection and that training data availability, target hardware, and inference requirements should be considered jointly when selecting object detection models for practical edge AI deployment in aquaculture.
• Abstract（参考訳）: 最近発表されたYOLO26アーキテクチャは、NMSのないエンドツーエンドの推論を取り入れており、リソース制約のあるCPUベースのデバイスへのデプロイに最適化されており、エッジベースの養殖アプリケーションに適している。 しかし、その性能、運用効率、デプロイメントの適合性は、養殖特有のシナリオで体系的に検証されていない。 本研究は,魚の死亡・死亡・死亡・死亡・死亡・死亡・死亡・死亡・死亡・死亡・死亡・死亡・死亡・死亡・死亡・死亡・死亡・死亡・死亡・死亡・死亡・死亡・死亡・死亡・死亡・死亡・死亡・死亡・死亡・死亡・死亡・死亡・死亡・死亡・死亡・死亡・死亡・死亡・死亡・死亡・死亡・死亡・死亡・死亡・死亡・死亡・死亡・死亡・死亡・死亡・死亡・死亡・死亡・死亡・死亡・死亡・死亡・死亡・死亡・死亡・死亡・死亡・死亡・死亡・死亡・死亡・死亡・死亡・死亡・死亡・死亡・死亡・死亡・死亡・死亡・死亡・死亡・死亡・死亡・死亡・死亡・死亡・死亡・死亡・死亡・死亡・死亡・死亡・死亡・死亡・死亡・死亡・死亡・ 12種類のモデルが評価され,検出精度,7つのデータセットサイズでのトレーニング効率,高性能NVIDIA A100 GPUとCPUのみのRaspberry Pi 5エッジプラットフォームでの推論性能が評価された。 すべてのモデルが全データセットで同等のパフォーマンスを達成し、mAP50は1.04ポイントしか差がなく、十分なトレーニングデータが利用可能な場合、アーキテクチャ生成が最終的な検出精度にはほとんど影響しないことを示している。 しかし、データ効率とデプロイメントのパフォーマンスに明確なトレードオフが生まれました。 YOLOv8は400枚のトレーニング画像で90%のmAP50を達成したが、YOLO26のナノと小さな派生モデルは同等の精度に達するために1,000枚の画像を必要とした。 逆に YOLO26n は Raspberry Pi 5 (7.51 FPS) で最高の推論速度を達成し、 YOLOv5mu は CPU ベースのハードウェア上での現在の中規模アーキテクチャよりも優れていた。 これらの結果から, 建築の新規性だけではモデル選択には不十分であり, アクアカルチャーにおける実践的エッジAI展開のためのオブジェクト検出モデルを選択する際には, トレーニングデータの可用性, ターゲットハードウェア, 推論要求が協調的に考慮されるべきであることが示唆された。

関連論文リスト

• Cross-Generation Optimization of YOLOv26, YOLOv11, and YOLOv8 for Fine-Grained Small-Object Detection and Instance Segmentation in Complex Orchards [3.2882817259131403]
  本研究は, リンゴ果実, カリックス, ペプンクル構造を検出, 分別するUltralytics YOLOv8, YOLOv11, YOLOv26のクロスジェネレーションベンチマークを提案する。 Peduncleは、最も難しいクラスにとどまった。全体としては、小さなオブジェクトに焦点を絞った、コンパクトでモデレートなYOLOモデルは、精度の高いトレードオフを提供する。
  論文  参考訳（メタデータ） (2026-08-23T17:00:22Z)
• Resource-Constrained UAV-Based Weed Detection for Site-Specific Management on Edge Devices [8.041496192545946]
  本研究では,資源制約のあるエッジプラットフォーム上でのリアルタイムなUAV型雑草検出のためのデプロイ指向フレームワークを提案する。 畳み込みに基づくYOLOモデルを含む,最先端オブジェクト検出モデルの多種多様なセットを評価する。 軽量モデルは66%-71%のmAP50を実現し、レイテンシを大幅に低減し、リアルタイムのパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2026-04-25T20:58:51Z)
• A Comprehensive Evaluation of YOLO-based Deer Detection Performance on Edge Devices [6.486957474966142]
  鹿の侵入による農業の経済的損失は、アメリカで毎年数億ドルに上っていると推定され、伝統的な緩和戦略の不適切さを浮き彫りにした。 このことは、リアルタイムの鹿検出と抑止能力を持つインテリジェントで自律的なソリューションに対する重要なニーズを浮き彫りにしている。 本研究では,シカ検出のための最先端深層学習モデルの総合的評価を行う。
  論文  参考訳（メタデータ） (2025-09-24T17:01:50Z)
• A Comparative Study of YOLOv8 to YOLOv11 Performance in Underwater Vision Tasks [0.0]
  YOLOファミリーの1段階検出器は、単一の低遅延ネットワークで局所化と分類を融合するため、魅力的である。 比較操作条件にまたがる2つのデータセットをキュレートする。コーラル病セット(4,480イメージ、18クラス)と魚種セット(7,500イメージ、20クラス)である。 YOLOvs, YOLOv9-s, YOLOv10-s, YOLOv11-sを同一のハイパー参照でトレーニングし, 精度, リコール, mAP50, mAP50-95, 画像毎の推論時間, フレーム毎秒(FPS)を評価する。
  論文  参考訳（メタデータ） (2025-09-16T05:12:59Z)
• 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)
• YOLO Evolution: A Comprehensive Benchmark and Architectural Review of YOLOv12, YOLO11, and Their Previous Versions [0.0]
  本研究は, YOLOv3から最新のYOLOv12への包括的実験評価である。 考慮すべき課題は、さまざまなオブジェクトサイズ、多様なアスペクト比、単一クラスの小さなオブジェクトである。 分析では各YOLOバージョンの特徴的長所と短所を強調した。
  論文  参考訳（メタデータ） (2024-10-31T20:45:00Z)
• 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-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)
• YOLOBench: Benchmarking Efficient Object Detectors on Embedded Systems [0.0873811641236639]
  4つの異なるデータセットと4つの異なる組込みハードウェアプラットフォーム上で、550以上のYOLOベースのオブジェクト検出モデルからなるベンチマークであるYOLOBenchを提案する。 我々は,これらの検出器と固定訓練環境との公正かつ制御された比較を行うことにより,様々なモデルスケールのYOLOベースの1段検出器の精度と遅延数を収集する。 我々は、YOLOBenchのニューラルネットワーク探索で使用されるトレーニング不要な精度推定器を評価し、最先端のゼロコスト精度推定器はMACカウントのような単純なベースラインよりも優れており、その一部は効果的に使用できることを示した。
  論文  参考訳（メタデータ） (2023-07-26T01:51:10Z)
• Exploring the Effectiveness of Dataset Synthesis: An application of Apple Detection in Orchards [68.95806641664713]
  本研究では,リンゴ樹の合成データセットを生成するための安定拡散2.1-baseの有用性について検討する。 我々は、現実世界のリンゴ検出データセットでリンゴを予測するために、YOLOv5mオブジェクト検出モデルを訓練する。 その結果、実世界の画像でトレーニングされたベースラインモデルと比較して、生成データでトレーニングされたモデルはわずかに性能が劣っていることがわかった。
  論文  参考訳（メタデータ） (2023-06-20T09:46:01Z)
• EdgeYOLO: An Edge-Real-Time Object Detector [69.41688769991482]
  本稿では, 最先端のYOLOフレームワークをベースとした, 効率的で低複雑さかつアンカーフリーな物体検出器を提案する。 我々は,訓練中の過剰適合を効果的に抑制する拡張データ拡張法を開発し,小型物体の検出精度を向上させるためにハイブリッドランダム損失関数を設計する。 私たちのベースラインモデルは、MS 2017データセットで50.6%のAP50:95と69.8%のAP50、VisDrone 2019-DETデータセットで26.4%のAP50と44.8%のAP50に達し、エッジコンピューティングデバイスNvidia上でリアルタイム要求(FPS>=30)を満たす。
  論文  参考訳（メタデータ） (2023-02-15T06:05:14Z)
• A lightweight and accurate YOLO-like network for small target detection in Aerial Imagery [94.78943497436492]
  小型ターゲット検出のためのシンプルで高速で効率的なネットワークであるYOLO-Sを提案する。 YOLO-SはDarknet20をベースとした小さな特徴抽出器と、バイパスと連結の両方を通じて接続をスキップする。 YOLO-Sはパラメータサイズが87%減少し、約半分のFLOPがYOLOv3となり、低消費電力の産業用アプリケーションに実用化された。
  論文  参考訳（メタデータ） (2022-04-05T16:29:49Z)

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。