Ultralytics系YOLOの果樹向け小物体検出を比較、YOLO11s-960が最高値

何が起きたか

Ultralytics系のYOLO27、YOLO26、YOLO11、YOLOv8を対象にした比較研究が、複雑な果樹環境での細粒度小物体検出とインスタンス・セグメンテーションについて公表された。著者らは5つのモデル規模（n、s、m、l、x）と、640×640および小物体重視の960×960設定を組み合わせ、fruitlet、calyx、peduncleの検出・セグメンテーションで計30実験を行った。結果として、YOLO11s-960がmask mAP@50:95で0.402、box mAP@50:95で0.426と最高値を示した。

詳細

YOLO26s-960はmask mAP@50:95で0.397、box mAP@50:95で0.425と、YOLO11s-960に近い水準だった一方、10.37M parametersと34.1 GFLOPsに収まった。研究は、YOLO27については「発表済みだが公開実装と学習可能なsegmentationモデルがまだ利用できない」とし、今回はarchitecture analysisのみを行ったとしている。 対象クラスのうちpeduncleが最も難しいとしており、モデル容量を上げても精度が一貫して改善するわけではないという結果も示した。コード、学習済みモデル、実験設定は公開され、GitHubで更新予定としている。

Key Facts

本紙の見方

この研究の新しさは、Ultralytics系の複数世代を同一条件で並べ、果樹という小物体・遮蔽・色差の小さい環境に絞って比較した点にある。単なるモデル精度の順位付けではなく、YOLO11s-960とYOLO26s-960が近い精度を示しつつ、後者は10.37M parametersと34.1 GFLOPsで収まるなど、精度と計算量の釣り合いを具体的に示したことが焦点である。YOLO27については、発表済みでも公開実装がないため構造分析にとどまっており、世代交代をめぐる議論はまだ実装可能性に制約されている。なお本紙の関連記事では、DEEPXとUltralyticsが戦略的提携、Physical AIの標準化へが示すように、Ultralyticsのモデル群は実装・標準化の文脈でも扱われているが、今回の論文はその延長線上で、現場の視覚認識を果樹環境に適用した検証に位置づく。別の関連記事Seeed Studio、Jetson Orin NX搭載AIデバイス「reComputer J4012」を発表とも重なるのは、計算資源の制約下でどのモデルを載せるかという論点である。ただし本研究は、ハードウェア選定よりもモデル世代・入力解像度・対象クラスの組み合わせが精度にどう効くかを示した点に特徴がある。 業界構造への含意としては、果樹のような実環境では、モデルの大型化がそのまま精度向上に直結しないことが明示された点が重要である。入力を960×960へ引き上げる一方、n/s/m/l/xのスケールを振っても、peduncleのようなクラスはなお難しいままであり、単純なパラメータ増加よりも学習設定と対象設計が性能差を左右する構図が見える。公開コードと学習済みモデルを伴うため、再現性のある比較基盤として使える半面、YOLO27は公開実装待ちであり、世代比較は未完成である。今後確認すべき論点は、YOLO27の公開実装後に同条件での実測がどう変わるか、960×960設定が他の農業タスクでも同様に有効か、そして果樹以外の遮蔽環境でこの精度・効率の関係が維持されるかである。

なぜ重要か

果樹内の小物体認識では、YOLO11s-960やYOLO26s-960のように高精度と低計算量を両立する設定が現実的な候補になりうることを示した。特にYOLO26s-960は10.37M parametersと34.1 GFLOPsで近い精度を出しており、計算資源に制約のあるロボットやエッジ機器での採用判断に直結する。

日本への影響

果樹の収穫支援や選果の現場では、遮蔽の強い小物体検出が要になるため、960×960のような入力設定と軽量モデルの組み合わせは、日本の農業ロボットやエッジ推論機器の設計論に関係しうる。特にJetson系のような限られた計算資源で動かす前提がある場合、モデル規模とGFLOPsの具体値は選定基準になりやすい。