YOLO26_ Key Architectural Enhancements and Performance Benchmarking for Real-Time Object Detection

本資料はSatAI.challengeのサーベイメンバーと共に作成したものです。
SatAI.challengeは、リモートセンシング技術にAIを適用した論文の調査や、より俯瞰した技術トレンドの調査や国際学会のメタサーベイを行う研究グループです。speakerdeckではSatAI.challenge内での勉強会で使用した資料をWeb上で共有しています。
https://x.com/sataichallenge

紹介する論文は、「YOLO26_ Key Architectural Enhancements and Performance Benchmarking for Real-Time Object Detection」です。
従来OLOシリーズで活用された、「NM（Non-Maximum uppression）」と「DFL（Distribution Focal Loss）」
が計算時間と実利用に置いてボトルネックになっていました。そこで、この論文ではProgLoss（学習が進む毎に難しいサンプルへ重みを上げる）、AL（小物体へラベル割り当て工夫）、MuGD（学習収束を早くする工夫）を用いて、計算度と性能維持を超えて性能の改善を行なっています。実験結果ではCOCOデータセットで計算時間・精度で高い性能を示しました。
Ranjan Sapkota et al. (2026), “YOLO26: Key Architectural Enhancements and Performance Benchmarking for Real-Time Object Detection”, arXiv:2509.25164. より引用

Transcript

1. 中村凌
 1 YOLO26: Key Architectural Enhancements and Performance Benchmarking for Real-Time Object Detection 第24回 atAI.challenge勉強会

2. 中村 凌 株式会社天地人 / SatAI.challenge 主宰 / cvpaper.challenge HQ • 株式会社天地人データサイエンティスト （2024/04 - 現在） • SatAI.challenge 主宰（2024/09 - 現在） • cvpaper.challenge HQ（2021/1 - 現在 ） • 福岡大学大学院 理学研究科 応用数学専攻 博士課程（2021/04 - 2024/03） • 産業技術総合研究所 コンピュータビジョンチーム RA（2021/05 - 2024/03） • 福岡大学大学院 理学研究科 応用数学専攻 修士課程（2019/04 - 2021/03） 自己紹介 Twitter LinkedIn 2 これまで 個人的な活動 • 研究効率化Tips （ViEW2021招待講演） • 国際会議へ 論文採択実績（IROS / ICCV 2023, ICASSP / ECCV2024） • CCCS,W2021/2022 GC PC（登録者800名超え） • SSII2023オーディエンス賞受賞 • SatAI.challenge運営（国際論文 日本語資料・動画 アーカイブ化）
3. 計算 度を改善するために、これまでボトルネックになってた処理を削除し、段階的な学習と小物体 へ 学習、最適化方法を見直し性能を改善 
 3 OLO26: Key Architectural Enhancements and Performance Benchmarking for eal- ime Object Detection 
 • 従来 OLOシリーズで活用された、「NM （Non-Maximum uppression）」と「DFL（Distribution Focal Loss）」 計算時間や実利用 ボトルネックに焦点をあて、これまで物体検出で大事とされていた方法論を取り除いた
 • そ 代わりにProgLoss（学習が進む毎に難しいサンプルへ 重みを上げる）、 AL（小物体へ ラベル 割り 当て 工夫）、Mu GD（学習 収束を早くする工夫）を用いて、計算 度と性能維持を図った論文
 • 以下 実験結果が示すよにCOCOデータセットで計算時間・精度で高い性能を示している
 
 Ranjan Sapkota et al. (2026), “YOLO26: Key Architectural Enhancements and Performance Benchmarking for Real-Time Object Detection”, arXiv:2509.25164. より引用
4. これまで OLOアップデート 歴史 
 Ranjan Sapkota et al. (2026), “YOLO26: Key Architectural Enhancements and Performance Benchmarking for Real-Time Object Detection”, arXiv:2509.25164. より引用 Model 重要な構 的イノベーションと貢献 概要 YOLOv1 (2015) 最初 統合されたシングルステージ物体検出器 （バウンディングボックスとクラス確率を単一 ネットワークで処理） YOLOv2 (2016) マルチスケール学習 導入 。事前 ボックス（ Prior boxes）を改善するため アンカーボッ クス次元 クラスタリング （YOLO9000による結合検出・分類） YOLOv3 (2018) 残差結合（ Residual connections）を持つより深い Darknet-53バックボーン 採用 。SPPモ ジュールと、小物体検出 ため マルチスケール特徴融合 追加 YOLOv4 (2020) Mish活性化関数 採用 。特徴 再利用を強化するため CSPDarknet-53バックボーン。 YOLOv5 (2020) UltralyticsによるPyTorch実装。アンカーフリー検出ヘッド オプション、 SiLU（Swish）活性化 関数、特徴集約 ため PANetネック 使用 。 YOLOv6 (2022) 自己注意（ Self-attention）を埋め込んだ EfficientRepバックボーン 。 効率化 ため アンカーフリー物体検出モード 導入。 attention追加
 物体検出性能向上 ため モ デル モデル 計算方法につ いて検討 

5. これまで OLOアップデート 歴史 
 Ranjan Sapkota et al. (2026), “YOLO26: Key Architectural Enhancements and Performance Benchmarking for Real-Time Object Detection”, arXiv:2509.25164. より引用 Model 重要な構 的イノベーションと貢献 概要 YOLOv7 (2022) モデル 再パラメータ化（ Model re-parameterization）を伴う拡張 ELAN（E-ELAN）バック ボーン。より広範なタスク（追跡など） ため Transformerベース モジュール 統合 。 YOLOv8 (2023) 新しいC2fバックボーンと分離型ヘッド（ Decoupled head）。 生成技術（ GANベース 拡張）と完全なアンカーフリー設計 統合 。 YOLOv9 (2024) 選択的な学習 ため プログラマブル勾配情報 （PGI：Programmable Gradient Information） 導入。 特徴抽出向上 ため G-ELAN（強化版 ELAN） 提案 。 YOLOv10 (2024) 一貫したデュアルアサインメント学習戦略による、 End-to-End NMS（非極大抑制）フリー検 出 導入 。 ransformer導入
 物体検出 精度向上 

6. これまで OLOアップデート 歴史 
 Ranjan Sapkota et al. (2026), “YOLO26: Key Architectural Enhancements and Performance Benchmarking for Real-Time Object Detection”, arXiv:2509.25164. より引用 Model 重要な構 的イノベーションと貢献 概要 YOLO11 (2024) 効率化 ため、バックボーンとネック全体に C3k2 CSPボトルネック （より小さなカーネル CSPブロック）を追加。 重要な領域に焦点を当てるため C2PSA（空間的注意付き CSP）モジュール 導入 （SPPF 維持）。 YOLOv12 (2025) Attention中心 アーキテクチャ： 効率的なエリア Attentionモジュール（低計算量 グローバ ル自己注意） 導入 。特徴集約を改善する Residual ELAN（R-ELAN）ブロック 導入 によ り、YOLO 度でTransformerレベル 精度を実現。 YOLOv13 (2025) 大域的な高次特徴 相互作用を捉えるため Hypergraph-based Adaptive Correlation Enhancement（HyperACE）モジュール 。ネットワーク全体 特徴フローを強化する Full-Pipeline Aggregation-Distribution（FullPAD）スキーム 。複雑さを軽減するため Depthwise-separable convolutions（深さ方向分離畳み込み） 利用 。 v11ぐらいから計算効率化に焦点があたり始め る(おそらく egment Anything Model 影響) 
 ベンチマーク 精度向上によって改善されてきた で
 「モデル外 処理（後処理やエクスポート対応）増加 」「動かすまで 工数 増加」
7. 論文 問題点
 • OLO26で 計算効率以下 課題にフォーカス 
 ◦ NM ：アルゴリズム 特性場現場で活用する際にパラメータチューニングが必要 
 ◦ DFL：計算処理に積分処理が含まれてしまい別 計算機へ 移植性に影響を与える 
 • OLO26 (1) NM を消す、(2) DFLを消す、(3) そ 穴を 学習側 工夫（ProgLoss/ AL/Mu GD） で埋める方針を取る
 Ranjan Sapkota et al. (2026), “YOLO26: Key Architectural Enhancements and Performance Benchmarking for Real-Time Object Detection”, arXiv:2509.25164. より引用 DFL計算遅い
 NM チューニング大変
 小規模物体 学習が困難
 学習効率（時間がかかる）

8. • NM ：「多数 候補枠（One-to-many）」から最後に精度 良い1つ バウンディングボックを求めるため 後処理 
 • 具体的な計算 手順
 ◦ 1. 確信度スコアが高い順へ並び変え 
 ◦ 2. リスト 先頭にある正解候補（M）を選出（一番先頭 代表候補） 
 ◦ 3. 重なり判定：代表候補と正解候補（M）同士 Io （重なり度合い）を計算 
 ◦ 4. 重複したバウンディングボックス 削除：計算したIo が閾値以上であるかを判定 
 ◦ 5. Io が閾値未満 結果を別 クラス 予測候補として活用 
 NM （Non-Maximum uppression）って何？ 
 １
 ２
 ３
 ４
 ５
 Ranjan Sapkota et al. (2026), “YOLO26: Key Architectural Enhancements and Performance Benchmarking for Real-Time Object Detection”, arXiv:2509.25164. より引用
9. DFL（Distribution Focal Loss）って何？ 
 • DFL：従来 バウンディングボックス座標or中心座標 予測と異なり、確率分布として予測する位置座標 回帰を高精度化する仕組み。 
 
 d4r6j et al. (2026), “YOLO26: Key Architectural Enhancements and Performance Benchmarking for Real-Time Object Detection”, arXiv:2509.25164. より引用 ←点 回帰
 ←点 周辺 確率 が高くなるように回 帰

10. OLO26 概要：「推論を単純化」し「学習で改善」という設計思想 
 Ranjan Sapkota et al. (2026), “YOLO26: Key Architectural Enhancements and Performance Benchmarking for Real-Time Object Detection”, arXiv:2509.25164. より引用 推論過程 変更部分 
 学習過程 変更部分 

11. NM を取り除くモチベーションについて 
 • NM 現場にデプロイする際にパラメータチューニングが必要 
 ◦ NM を取り除くために論文で 直接回帰ヘッドを用いて予測 
 ◦ 予測１つに対して１つ バウンディングボックスを割り当てる方式で学習 
 Ranjan Sapkota et al. (2026), “YOLO26: Key Architectural Enhancements and Performance Benchmarking for Real-Time Object Detection”, arXiv:2509.25164. より引用
12. AL( mall- arget-Aware Label Assignment) 
 Ranjan Sapkota et al. (2026), “YOLO26: Key Architectural Enhancements and Performance Benchmarking for Real-Time Object Detection”, arXiv:2509.25164. より引用 従来手法（Io ベース 割り当て） 
 Io が低いため小物体が無視される 
 AL
 サイズ情報に基づき重み付けを行い 
 優先的にラベルを割り当て 
 物体が小さいとラベル 割り当てがうまくいかない 
 「小物体へ ラベル割当て」を変更し小物体を学習しやすくする 
 物体が小さいとラベル 割り当てがうまくいかない 

13. DFLを取り除くモチベーションについて 
 • DFL で、バウンディングボックス 座標を「1つ 数値」で なく「確率分布」として予測 
 ◦ 確率分布を積分（また 加重平均）して座標値に戻す処理を推論時に行う 
 • 上記 処理 特定 演算操作を必要とし計算機によって 動かない原因になる 
 ◦ ONN 、 ensor 、CoreML、 FLiteなど 異なる形式へ変換（エクスポート）する際、演算子が対応してい なかったり、特殊なプラグインが必要になるケースが発生する 
 • OLO26で 、DFLを取り除き、こ 計算を単純化。 
 
 Ranjan Sapkota et al. (2026), “YOLO26: Key Architectural Enhancements and Performance Benchmarking for Real-Time Object Detection”, arXiv:2509.25164. より引用 特徴マップ
 分布予測
 softmax演算
 期待値計算
 バウンディング ボックス
 バウンディング ボックス
 特徴マップ
 位置 回帰
 単純化

14. ProgLossについて：「学習 後半で簡単な例に支配される問題」を抑える 
 • ProgLoss（Progressive Loss Balancing） 、学習 進行状況（エポック数や収束具合）に応じて、異な る損失コンポーネント 「重み付け」を動的に変化させる仕組み 
 • 具体的な数式 論文中に記載されてない で概念的なイメージを共有 
 
 
 • 動的な重み係数（Dynamic eighting） 
 ◦ 「学習 後半において、簡単なサンプルが損失全体を支配してしまう を防ぐ」ために適応的に 再重み付けを実施することで、学習 後半 難しいサンプルへ 学習 
 • 残り 、物体 位置 回帰（L_box）・物体 クラス分類（L_cls） 損失 
 
 Ranjan Sapkota et al. (2026), “YOLO26: Key Architectural Enhancements and Performance Benchmarking for Real-Time Object Detection”, arXiv:2509.25164. より引用
15. Mu GDについて：「 GD 汎化」・「より安定に く収束」最適化を目指す 
 • Mu GD： GDにMuon系 最適化を良い所取りした手法 
 ◦ GD（確率的勾配降下法） 役割 
 ▪ 汎化性能 担保： GD 長年 OLOシリーズを含む画像認識モデルで使用されてきた標 準的な手法で、未知 データに対する適応力（汎化）が高いことが知られている 
 ◦ Muon（Momentum/Curvature） 役割 
 ▪ 収束 さと安定性を担保：Muon 大規模言語モデル トレーニング用に提案された手 法
 ▪ パラメータ 曲率（curvature）やモーメンタム（勢い）を考慮した適応的な挙動を持ち、複雑 な損失関数 「谷」を効率よく下ることが可能に 
 Ranjan Sapkota et al. (2026), “YOLO26: Key Architectural Enhancements and Performance Benchmarking for Real-Time Object Detection”, arXiv:2509.25164. より引用 「 GD 汎化」・「より安定に く収束」 良いとこ取りをした最適化手法

16. 実験設定
 • 評価タスク：検出/インスタンスセグメンテーション/分類/pose/回転BBoxを、同系列モデルで横並び 評価
 • 主要ベンチ：COCO（検出/セグメ/pose）、ImageNet（分類）、DO A v1（回転BBox） 
 • ランタイム：CP ONN 、GP N IDIA 4 + ensor FP16を中心に 度を報告 
 （e2e指標も併記）
 • モデル 表記について 説明
 ◦ OLO26n = nano（最小）
 ◦ OLO26s = small
 ◦ OLO26m = medium
 ◦ OLO26l = large
 ◦ OLO26x = extra-large（最大）
 Ranjan Sapkota et al. (2026), “YOLO26: Key Architectural Enhancements and Performance Benchmarking for Real-Time Object Detection”, arXiv:2509.25164. より引用
17. • 下記に物体検出とインスタンスセグメンテーション 結果を示す
 ◦ モデルサイズが異なる結果を異なる指標で評価（e2eがNM free 結果）
 • NM -freeにしても精度低下が小さい（と書いてあった。） 
 ◦ 物体検出： OLO26nでe2e mAP 40.1（-0.8低下）、 OLO26xで56.9（-0.6低下）
 ◦ セグメンテーション： OLO26nでe2e mAP 結果33.9（-5.7低下）、 OLO26xで47.0（-0.6低下）
 • モデルサイズを大きくしても性能が改善 
 ◦ 物体検出：e2e n-seg vs x-segで16.8精度が向上
 ◦ mAPmask n-seg vs x-segで13.1精度が向上(33.9→47.0)
 
 ベンチマーク：物体検出&インスタンスセグメンテーション 
 Ranjan Sapkota et al. (2026), “YOLO26: Key Architectural Enhancements and Performance Benchmarking for Real-Time Object Detection”, arXiv:2509.25164. より引用
18. • NM -freeにしても精度低下が小さい（と書いてあった。） 
 ◦ e2e有り無し 比較
 物体検出： OLO26nで mAP -0.8低下、 OLO26xで -0.6低下
 ◦ セグメンテーション： OLO26nで mAP -5.7低下、 OLO26xで -0.6低下
 • モデルサイズを大きくしても性能が改善 
 ◦ モデルサイズ 比較
 ◦ 物体検出：e2e n-seg vs x-segだと、16.8精度が向上
 ◦ mAPmask n-seg vs x-segだと、13.1精度が向上
 
 ベンチマーク：物体検出&インスタンスセグメンテーション 
 Ranjan Sapkota et al. (2026), “YOLO26: Key Architectural Enhancements and Performance Benchmarking for Real-Time Object Detection”, arXiv:2509.25164. より引用
19. ベンチマーク：画像分類&ポーズ推定 
 Ranjan Sapkota et al. (2026), “YOLO26: Key Architectural Enhancements and Performance Benchmarking for Real-Time Object Detection”, arXiv:2509.25164. より引用 画像分類
 ポーズ推定
 モデル サイズ大きくすると精度向上 

20. ベンチマーク：回転バウンディングボックス（データセットDO A） 
 • モデルサイズを大きくすると精度が改善 
 • NM -free 設計を回転検出にも拡張し、航空画像・リモセン用途に適すると述べる 
 • 小物体（ AL）×回転BBox（DO A） 組 、船舶・車両・建 物など“細長い/斜め” 検出で効き筋 がある
 Ranjan Sapkota et al. (2026), “YOLO26: Key Architectural Enhancements and Performance Benchmarking for Real-Time Object Detection”, arXiv:2509.25164. より引用 回転バウンディングボックス 回帰でもモデルサイズに応じて精度向上を確認