この記事でわかること
- 2026年11月6日時点の画像認識AIを、YOLO系・DETR系(Transformer)・ゼロショット/基盤モデル・VLM の4系統で説明できる
- 決まった対象を速く見つけるなら、いまも「自社データで学習させる専用モデル」(YOLO26、RF-DETR、RT-DETRv4 など)が第一候補だとわかる
- Transformer は CNN を「置き換えた」のではなく、YOLO 自身が取り込む段階に入った(予告中の YOLO27)ことがわかる
- SAM 3 のようなゼロショットで学習が要らなくなったのではなく、「学習データを作る手間が減った」と言える根拠(比較論文の数字)がわかる
- 商用利用の前に確認すべきライセンス(AGPL-3.0、非商用、独自ライセンス)をモデルごとに把握できる
画像認識AIとは、画像や動画を入力として、写っているものの種類・位置・輪郭を出力する AI のことです。物体検出(どこに何があるかを枠で返す)、セグメンテーション(画素単位で輪郭を返す)、分類などのタスクがあります。画像を「作る」画像生成AIとは別の分野で、この記事では扱いません。
結論を先に書きます。2026年11月の時点で、カメラ映像から決まった対象をリアルタイムで見つける用途では、YOLO26 か DETR 系の専用モデルを自社データで学習させるのが基本です。SAM 3 などのゼロショットは「データがまだ無い段階の試作」と「正解ラベル付けの下書き」で力を発揮し、VLM は「画像について言葉で答える」役割が中心です。
1. 画像認識AIは4系統に分けると見通しがよくなる
この章の結論: 「学習させて使う専用モデル」が2系統、「学習なしで使う汎用モデル」が2系統あります。
まず用語を3つだけ押さえます。
- ファインチューニング(追加学習): 既に学習済みのモデルに、自分のデータを追加で学習させること
- ゼロショット: その対象を学習させていないモデルに、そのまま見つけさせること
- オープンボキャブラリ: 決まったクラス一覧ではなく、言葉(「赤いヘルメット」など)で対象を指定できること
| 系統 | 代表モデル | 入力 → 出力 | 学習データ | ライセンスの傾向 |
|---|---|---|---|---|
| YOLO 系(CNN 中心) | Ultralytics YOLO26、学術系 YOLOv12・YOLOv13 | 画像 → 決めたクラスの枠・マスクなど | 要る | AGPL-3.0 中心 |
| DETR 系(Transformer) | RT-DETR / RT-DETRv4、D-FINE、DEIMv2、RF-DETR | 画像 → 決めたクラスの枠・マスク | 要る | Apache-2.0 が多いが例外あり |
| ゼロショット・基盤モデル | SAM 3 / SAM 3.1、DINOv3、Grounding DINO、YOLOE-26 | 画像+言葉や例 → 該当する全部の枠・マスク | 原則不要 | Meta の独自ライセンスなど |
| VLM | Gemini、Qwen3-VL、Florence-2、PaliGemma 2、Moondream 3.1、WeVisOne-VL | 画像+質問文 → 文章、枠座標、点 | 不要 | Apache-2.0・MIT・独自が混在 |
4系統の関係は、次のように整理できます。
- 学習させる専用モデル: YOLO 系と DETR 系。速く、特定の対象に強い
- 学習なしで使う汎用モデル: ゼロショットと VLM。準備なしで試せるが、重く、特定の現場では専用モデルに負けることがある
- つながり1: DINOv3(Meta の画像エンコーダ)が、RT-DETRv4 や DEIMv2 といった DETR 系の「土台」に使われている
- つながり2: SAM 3 が正解ラベルの下書きを作り、それで専用モデルを学習させる流れがある
- つながり3: 予告中の YOLO27 は、大きいサイズで Transformer のデコーダを取り込む
2. この記事の確かめ方(一次資料の対応表)
この章の結論: 手元での実測はありません。数値はすべて開発元や論文の公表値で、条件がそれぞれ違います。
この記事は、公式ドキュメント・GitHub のリリースと README・arXiv の論文・Hugging Face のモデルカードを 2026年11月6日に開いて照合したものです。運営者の独自資産は、比較論文(arXiv:2512.11884)の精読ノートです。
| 主張 | 一次資料 | 種別 | 確認日 |
|---|---|---|---|
| YOLO26 の正式リリースと設計変更 | GitHub v8.4.0 | GitHub リリース | 2026-11-06 |
| YOLO26 の COCO 公式値と NMS の既定 | Ultralytics Docs: YOLO26 | 公式ドキュメント | 2026-11-06 |
| YOLO27 の予告内容 | Ultralytics Docs: YOLO27 | 公式ドキュメント | 2026-11-06 |
| RF-DETR と YOLO26 の同条件表 | RF-DETR README | GitHub(当事者) | 2026-11-06 |
| SAM 3 の機能と速度 | arXiv:2511.16719、Meta ブログ | 論文・公式ブログ | 2026-11-06 |
| SAM 3 と学習済み YOLO11 の比較 | arXiv:2512.11884 | 論文(第三者) | 2026-11-06 |
| 各モデルのライセンス | 各リポジトリの LICENSE、Ultralytics License | 公式 | 2026-11-06 |
数字を読むときの注意を1つだけ先に書きます。「COCO で何点」「何ミリ秒」という値は、データセット・解像度・GPU・誰が測ったかで変わります。この記事では、条件の違う数字を1つの表に混ぜていません。
3. YOLOとは──YOLO26 はどこまで進化し、次の YOLO27 で何が変わるか
この章の結論: YOLO は進化を続けていますが、方向は「精度の記録更新」より「タスクの統合」と「エッジ機器で動かすこと」に寄っています。
YOLO 物体検出の位置づけ
YOLO(You Only Look Once)は、画像を1回通すだけで物体の位置とクラスをまとめて出す物体検出モデルの系譜です。精度の指標には mAP(平均適合率。0〜100で高いほど正確)がよく使われます。
yolov8 で検索してきた方向けに整理すると、Ultralytics の版は YOLOv8 → YOLO11 → YOLO26 と続いています。Ultralytics のモデル一覧(2026-11-06 確認)は YOLO26 を「released in January 2026」と書き、新規プロジェクトには YOLO26 から始めるよう勧めています。YOLOv8 と YOLO11 の公開年は、同ページには記載がありませんでした。
YOLO26(2026年1月14日)で変わったこと
Ultralytics は ultralytics 8.4.0 のリリース(2026-01-14)で YOLO26 を正式公開しました。リリースノートの主な変更点は次の3つです。
- 「native end-to-end NMS-free architecture」: NMS(重なった検出枠を後処理で間引く処理)を使わない出力ヘッドを備えた
- 「Complete removal of Distribution Focal Loss (DFL)」: 輸出(ONNX などへの変換)と低消費電力機器との相性を優先して DFL を外した
- 「43% Faster CPU Inference」: 公式ドキュメントによると、YOLO26n と YOLO11n を Intel Xeon CPU @ 2.00 GHz の ONNX で比べた最大値
注意したいのは、NMS が「不要になった」わけではない点です。公式ドキュメントには「Prediction and validation default to the one-to-many head for accuracy. Use nms=False for NMS-free inference」とあります。つまり既定の推論は NMS を使う従来型のヘッドで、NMS なしにしたいときは nms=False を指定します。
公式の COCO の値は次のとおりです(COCO val、640px。速度は nms=False の NMS なしヘッドで測定。出典: Ultralytics Docs 2026-11-06 確認)。
| モデル | mAP 50-95 | CPU ONNX | T4 TensorRT10 | パラメータ |
|---|---|---|---|---|
| YOLO26n | 40.9 | 38.9 ms | 1.7 ms | 2.4M |
| YOLO26s | 48.6 | 87.2 ms | 2.5 ms | 9.5M |
| YOLO26m | 53.1 | 220.0 ms | 4.7 ms | 20.4M |
| YOLO26l | 55.0 | 286.2 ms | 6.2 ms | 24.8M |
| YOLO26x | 57.5 | 525.8 ms | 11.8 ms | 55.7M |
同じ表には NMS なしヘッドでの精度(mAP50-95 e2e)も載っており、n で 40.1、x で 56.9 と、既定ヘッドより 0.6〜0.8 低い値です。
2026年の更新は「タスクを増やす」方向
YOLO26 は公開後、対応タスクを増やしました。
- 2026-05-20: v8.4.52 でセマンティックセグメンテーション(
yolo26n-sem.ptなど)を追加 - 2026-07-21: v8.4.104 で単眼深度推定(YOLO26-Depth)を追加。約219万枚で事前学習
- 2026-09-11: v8.4.148 で SAM 3.1 のチェックポイントを画像推論で読めるようにした(動画の追跡は「not yet ported」)
モデル一覧は YOLO26 を「the only one covering all seven tasks」と書いています。検出、インスタンスセグメンテーション、セマンティックセグメンテーション、深度推定、分類、姿勢推定、回転枠の7つです。加えて YOLOE-26 でオープンボキャブラリ検出に対応します(第5章)。
予告中の YOLO27 は Transformer を取り込む
YOLO27 の公式ページ(2026-11-06 確認)は予告だけで、「The models are not yet available, and no launch date has been set.」と明記しています。重みとコードも未公開で、ライセンスの記載はありません。
ページに書かれている設計は次のとおりです。
- n / s: 「a streamlined CNN architecture」
- m / l: 「a query-based, NMS-free architecture」で、「a transformer decoder that refines a fixed set of object queries」を使う
- 暫定値: YOLO27l が COCO 60.5 mAP(640px、72.3M パラメータ)。公式は最終開発中の値として扱っている
YOLO の本家が、大きいサイズで Transformer のデコーダを採用する予定だという点が、次の章の答えにつながります。
学術系の YOLOv12・YOLOv13 は別の系譜
「YOLO」の名前は Ultralytics 以外の研究者も使っています。
- YOLOv12(arXiv:2502.12524、2025-02-18): 論文名は『YOLOv12: Attention-Centric Real-Time Object Detectors』。Ultralytics のモデル一覧では「YOLO12」と表記し、「attention-centric community release」と説明しています
- YOLOv13(arXiv:2506.17733、2025-06-21): ハイパーグラフで画素間の相関を扱う設計。要旨では YOLOv13-N が YOLO11-N より mAP で 3.0 ポイント高いと主張しています。Ultralytics のネイティブ対応一覧には入っていません
版番号が大きいほど新しい公式版、というわけではない点に注意してください。
4. Transformer は台頭したのか──RT-DETR・RF-DETR と DINOv3
この章の結論: GPU 上の精度と速度では DETR 系が YOLO に並び、条件によっては上回りました。ただし CNN を置き換えたというより、両者が合流しつつあります。
Vision Transformer とは
Vision Transformer(ViT)は、画像を 16×16 画素などの小さなパッチに分け、言語モデルと同じ Transformer で処理するモデルです。パッチ同士の関係を画像全体で見られるのが特徴で、大量の画像で事前学習すると強くなります。DETR(DEtection TRansformer)は、この Transformer を物体検出に使う系統で、NMS を使わずに枠を直接出す設計が基本です。
RT-DETR が「リアルタイム」の土俵に上げた
Zhao ほかによる RT-DETR(arXiv:2304.08069、2023-04-17)は、論文名が『DETRs Beat YOLOs on Real-time Object Detection』です。要旨は自らを「the first real-time end-to-end object detector to our best knowledge」と位置づけています。ここから、Transformer 系がリアルタイム検出で YOLO と比べられるようになりました。
RF-DETR が COCO で 60 AP を超えた
Roboflow の RF-DETR(arXiv:2511.09554、2025-11-12、ICLR 2026)は要旨で「To the best of our knowledge, RF-DETR (2x-large) is the first real-time detector to surpass 60 AP on COCO.」と主張しています。README によると、バックボーン(特徴を取り出す土台部分)は DINOv2 の Vision Transformer です。
rf-detr と YOLO26 の同条件比較表(当事者による再計測)
RF-DETR の README には、他社モデルも含めて同じ条件で測り直した表があります。条件は「All latency numbers were measured on an NVIDIA T4 using TensorRT, FP16, and batch size 1」で、精度は「All COCO accuracy numbers are measured in-house for every model shown」(COCO val2017 の5,000枚)です。抜粋します(RF-DETR README、2026-11-06 確認)。
| モデル | COCO AP 50:95 | レイテンシ | パラメータ | 解像度 | ライセンス |
|---|---|---|---|---|---|
| YOLO26-N | 40.3 | 1.7 ms | 2.6M | 640 | AGPL-3.0 |
| YOLO26-M | 52.5 | 4.4 ms | 20.1M | 640 | AGPL-3.0 |
| YOLO26-X | 56.9 | 9.6 ms | 56.9M | 640 | AGPL-3.0 |
| RF-DETR-N | 48.4 | 2.3 ms | 30.5M | 384 | Apache 2.0 |
| RF-DETR-M | 54.7 | 4.4 ms | 33.7M | 576 | Apache 2.0 |
| RF-DETR-L | 56.5 | 6.8 ms | 33.9M | 704 | Apache 2.0 |
| RF-DETR-2XL | 60.1 | 17.2 ms | 126.9M | 880 | PML 1.0 |
| D-FINE-X | 59.3 | 11.5 ms | 62.0M | 640 | Apache 2.0 |
同じ 4.4 ms で比べると、RF-DETR-M は YOLO26-M より AP が 2.2 高い計算です。ただし、この表には4つの注意点があります。
- 測ったのは RF-DETR の開発元である Roboflow です。中立の第三者による同条件の比較は、今回の調査では見つかりませんでした
- パラメータ数が大きく違います。N サイズでは YOLO26 が 2.6M、RF-DETR が 30.5M で、約12倍です
- T4 GPU と TensorRT での値です。CPU や小型のエッジ機器では結果が変わりえます
- 公式値とずれがあります。YOLO26n は Ultralytics 公式で 40.9、この表で 40.3 です。D-FINE-X の 59.3 は、D-FINE 論文(arXiv:2410.13842)要旨の COCO のみの値 55.8 ではなく、Objects365 で事前学習した値に近い数字です
DINOv3 が DETR 系の土台になっている
最近の DETR 系に共通するのは、大量の画像で事前学習した ViT を検出器の土台に使う流れです。
- RT-DETRv4(arXiv:2510.25257、2025-10-29、ECCV 2026 採択): DINOv3 の ViT-B/16 を教師にして蒸留(大きなモデルの知識を小さなモデルに移すこと)する手法。要旨は「attaining AP scores of 49.8/53.7/55.4/57.0 at corresponding speeds of 273/169/124/78 FPS」(T4)と書いています
- DEIMv2(arXiv:2509.20787、2025-09-25): 論文名は『Real-Time Object Detection Meets DINOv3』。X・L・M・S で DINOv3 由来のバックボーンを使い、最大の DEIMv2-X が 50.3M パラメータで 57.8 AP と主張しています
- RF-DETR: 前述のとおり DINOv2 のバックボーン
結論: 「置き換え」ではなく「合流」
GPU 上の精度と速度では、DETR 系が YOLO に並び、条件によっては上回りました。一方で YOLO はモデルが小さく、CPU やエッジ機器への輸出先が広いという強みを持っています。そして YOLO27 は m / l サイズで Transformer のデコーダを取り込む予定です。CNN 対 Transformer の勝ち負けより、両方の部品を組み合わせる段階に入ったと見るのが実態に近いでしょう。
5. ゼロショットで学習は要らなくなったのか──SAM 3・DINOv3・Grounding DINO
この章の結論: 学習が要らなくなったのではなく、学習データを作る手間が減りました。特定の現場データでは、学習済みの小さな専用モデルが精度と速度で上回る報告があります。
SAM3 で何ができるか
Meta が 2025-11-19 に発表した SAM 3(論文は『SAM 3: Segment Anything with Concepts』、arXiv:2511.16719、2025-11-20)は、「黄色いスクールバス」のような短い名詞句や例の画像で「概念」を指定すると、該当する物体を全部見つけて輪郭を返します。論文はこれを Promptable Concept Segmentation と呼び、「returns segmentation masks and unique identities for all matching object instances」と説明しています。動画では、見つけた物体を ID つきで追跡します。
論文要旨は、画像と動画の両方で既存システムの精度を2倍にしたと主張しています。学習には、400万の概念ラベルを含むデータセットを自前のデータエンジンで作ったとあります。
速度について、Meta の公式ブログは「SAM 3 runs in 30 milliseconds for a single image with more than 100 detected objects on an H200 GPU.」と書いています。H200 はデータセンター向けの高価な GPU です。
- SAM 3.1(2026-03-27): リリースノートは「~7x speedup at 128 objects on a single H100 GPU compared to the SAM 3 November 2025 release」と書いています。多数の物体を同時に追跡する場面の高速化です
- SAM 3D(2025-11-19): Meta ブログによると、1枚の画像から物体の3D形状・質感・配置(SAM 3D Objects)や、人体の3D姿勢と体形(SAM 3D Body)を推定します
2026年11月6日時点で、SAM 3.1 より後の SAM は確認できませんでした。
ゼロショット vs 学習済み YOLO11(論文の精読ノートから)
「ゼロショットで十分か」に数字で答えた論文が、Sapkota ほか『Generalization vs. Specialization』(arXiv:2512.11884、2025-12-09、Cornell 大学など)です。リンゴ果樹園のデータセット MinneApple(670枚、リンゴ 28,179 個)で、学習なしの SAM3(テキストプロンプト「apple」のみ)と、468枚で学習させた YOLO11 を比べています。
| モデル | F1(IoU 0.15) | 適合率 | 再現率 | 推論時間/枚 |
|---|---|---|---|---|
| SAM3(ゼロショット) | 59.8% | 55.4% | 64.9% | 約 2,500 ms |
| YOLO11n(学習済み) | 68.9% | 78.6% | 61.3% | 45 ms |
| YOLO11m(学習済み) | 72.2% | 77.2% | 67.8% | 128 ms |
| YOLO11l(学習済み) | 71.9% | 75.2% | 68.8% | 217 ms |
出典は同論文の Table 3 と Table 4 です(学習は A100 80GB×2 で実施。SAM3 の推論は A100 上と記載がある一方、YOLO の推論時間をどの環境で測ったかは論文本文からは確認できませんでした)(arXiv:2512.11884)。F1 は「見つけた中の正解率」と「正解の中で見つけた率」の調和平均で、IoU は予測と正解の重なりの割合です。
読み取れることは3つあります。
- 検出の数では学習済みが勝つ: 最小の YOLO11n でも SAM3 を 9.1 ポイント上回り、速度は約55倍です。SAM3 は背景のリンゴに似た模様を誤検出する傾向がありました
- 輪郭の質では SAM3 が安定: IoU のしきい値を 0.10 から 0.50 に厳しくすると、YOLO11 の F1 は 48〜50 ポイント落ち、SAM3 は 4.0 ポイントしか落ちませんでした
- 学習なしで 59.8%: ラベル付きデータが1枚も無い状態でこの値が出る点を、論文は試作や希少な対象での価値として評価しています
精読して気づいた点も書いておきます。この論文は SAM3 のパラメータを 310M と書いていますが、Meta の SAM 3 の README は「It has 848M parameters.」と書いており、一致しません。また、IoU 感度の表では SAM3 の IoU 0.15 の値が 63.8% で、Table 3 の 59.8% と食い違っています。記事では Table 3 の値を使いました。対象はリンゴ1クラス・1データセットだけなので、他の現場に一般化するには別の検証が要ります。
速度差の目安(条件の違う2つの数字)
Ultralytics の SAM 3 ページの表では、同じ NVIDIA RTX PRO 6000 で SAM 3 が 2,921 ms/枚、YOLO26n-seg が 8.4 ms/枚です(ultralytics==8.4.19)。モデルサイズは 3.45GB と 6.4MB です。
Meta の「H200 で 30 ms」とは GPU も測り方も違うので、この2つを1つの比較として並べることはできません。共通して言えるのは、専用モデルとは桁違いに重いという点です。なお Ultralytics から使う場合、重みは「not automatically downloaded」で、Hugging Face での申請が必要です。
DINOv3 は「目」の部分
DINOv3(Meta、2025-08-14、arXiv:2508.10104)は、ラベル無しの 17 億枚の画像で自己教師あり学習した、70億(7B)パラメータの画像エンコーダです。ブログは「enabling us to scale training data to 1.7B images and model size to 7B parameters」と書いています。
DINOv3 自体は検出器ではありません。画像から特徴を取り出す土台で、第4章の RT-DETRv4 や DEIMv2 のように、他のモデルに組み込んで使います。2026年11月6日時点で DINOv4 は確認できませんでした。
Grounding DINO と YOLOE-26
- Grounding DINO: 言葉で指定した物体の枠を返すオープンボキャブラリ検出器です。1.5 Pro / 1.5 Edge / 1.6 Pro は公式リポジトリが API の使用例だけを置いており、「you will need to apply for the corresponding API Token」と書いています。今回、これらの重みの公開は確認できませんでした
- YOLOE-26: Ultralytics 8.4.0 以降で使えるオープンボキャブラリ版の YOLO です。公式ドキュメントは「YOLOE-26 returns boxes and instance segmentation masks for categories it was never trained on.」と書いています。YOLO の速さで「言葉で指定」を試せる選択肢です
現実的な使い方: SAM 3 で下書き、専用モデルで本番
ゼロショットが強いのは、学習データがまだ無い段階の試作と、アノテーション(正解ラベル付け)の自動化です。SAM 3 に輪郭の下書きを作らせ、人が直し、そのデータで YOLO26 や RF-DETR を学習させる。この組み合わせなら、ゼロショットの手軽さと専用モデルの速さを両方使えます。
6. VLMとは──Gemini のような「画像を読める AI」で物体検出はできるのか
この章の結論: できます。ただし本業は「画像について言葉で答える」ことで、枠の精度と速度が要る用途は専用モデルのほうが向いています。
VLM(Vision-Language Model、視覚言語モデル)は、画像と文章を一緒に扱い、画像について言葉で答えるモデルです。最近の VLM は、枠の座標や点の位置を文字として出力できるようになっています。
| モデル | 検出の出し方(公式の記述) | ライセンス |
|---|---|---|
| Gemini | 枠座標を 0〜1000 に正規化して返す。2.5 以降はセグメンテーションにも対応 | API 提供 |
| Qwen3-VL | 相対座標で枠と点の両方に対応 | Apache-2.0 |
| Florence-2 | <OD> などのタスク指定で検出。0.23B / 0.77B の小型モデル | MIT |
| PaliGemma 2 | detect {object} のプロンプトで枠、segment {object} で領域 | Gemma 利用規約(今回未確認) |
| Moondream 3.1 | detect と point を標準機能に持つ | Moondream Model License 1.0 |
| WeVisOne-VL | 検出・計数・ポインティング・OCR・参照セグメンテーションを1つに統合 | Apache-2.0 |
それぞれの出典と補足です。
- Gemini: Google の公式ドキュメントは「The coordinates, relative to image dimensions, scale to [0, 1000].」「Starting with Gemini 2.5, models not only detect items but also segment them and provide their contour masks.」と書いています。マスクの形式は、本文では base64 の PNG、コード例のスキーマでは多角形の座標と書かれており、同じページ内で記述が食い違っています
- Qwen3-VL: GitHub には「Using relative position coordinates, it supports both boxes and points」とあります
- Florence-2: Microsoft のモデルカードによると、base が 0.23B、large が 0.77B です
- PaliGemma 2: Google のプロンプト解説が
detectとsegmentの書式を説明しています - Moondream 3.1: 公式ブログ(2026-07-07)は、COCO の [email protected] で Moondream 3.1 が 81.46、SAM 3 が 77.06 と載せています。ただしこれは Moondream 自身の測定です。COCO の伸びはタスク別の LoRA(追加学習)を本体に蒸留した結果だと同じ記事に書かれています
- WeVisOne-VL: Tencent のモデルカード(Hugging Face 登録 2026-10-22)によると、Qwen3-VL をもとに 9.6M パラメータのマスク用デコーダを足した構成です。研究用途を想定し、1ターンの対話のみと書いています
VLM が向くのは「この写真の中で危険な状態はあるか」「棚の商品で欠品しているのはどれか」のように、曖昧な指示や状況の理解が要る用途です。カメラ映像を毎秒何十枚も処理して正確な枠を出す用途には、専用モデルを選びます。
画像も読めるLLMの具体例としては、DeepSeek V4-Flash-Vision-Exp の記事も参考になります。
7. 2025年後半〜2026年11月の年表
この章の結論: 1年ほどの間に、DINOv3 → それを土台にした DETR 系 → SAM 3 → YOLO26 と、4系統すべてで主要な公開がありました。
| 日付 | 出来事 | 一次資料 |
|---|---|---|
| 2025-02-18 | YOLOv12(Attention 中心の YOLO) | arXiv 2502.12524 |
| 2025-06-21 | YOLOv13(ハイパーグラフで相関を扱う) | arXiv 2506.17733 |
| 2025-08-14 | Meta が DINOv3 を公開(7B、17億枚) | Meta ブログ |
| 2025-09-25 | DEIMv2(DINOv3 を使うリアルタイム検出器) | arXiv 2509.20787 |
| 2025-10-29 | RT-DETRv4(DINOv3 を教師にした蒸留) | arXiv 2510.25257 |
| 2025-11-12 | RF-DETR 論文(2XL が COCO 60 AP 超えと主張) | arXiv 2511.09554 |
| 2025-11-19 | Meta が SAM 3 と SAM 3D を公開 | Meta ブログ |
| 2025-12-09 | SAM3 ゼロショット vs 学習済み YOLO11 の比較論文 | arXiv 2512.11884 |
| 2026-01-14 | Ultralytics YOLO26 正式リリース(8.4.0) | GitHub リリース |
| 2026-03-27 | SAM 3.1(多数物体の追跡を高速化) | GitHub RELEASE_SAM3p1.md |
| 2026-05-20 | YOLO26 にセマンティックセグメンテーション(8.4.52) | GitHub リリース |
| 2026-06-02 | YOLO26 の論文(Jocher ほか) | arXiv 2606.03748 |
| 2026-06-16 | RF-DETR v1.8.0 がキーポイント検出(プレビュー)を追加 | GitHub リリース |
| 2026-07-07 | Moondream 3.1 発表(重みの登録は 2026-06-30 UTC) | 公式ブログ、Hugging Face |
| 2026-07-21 | YOLO26 に単眼深度推定(8.4.104) | GitHub リリース |
| 2026-08-24 | DEIMv2 のライセンスが Apache License から非商用の DEIMv2 License に変更 | GitHub のコミット履歴 |
| 2026-09-11 | Ultralytics が SAM 3.1 の画像推論に対応(8.4.148) | GitHub リリース |
| 2026-10-22 | Tencent が WeVisOne-VL を Hugging Face に登録 | Hugging Face |
| 2026-11 時点 | YOLO27 は予告のみ(発売日未定) | Ultralytics Docs |
GitHub のリリース日は、GitHub API が返す公開日時(UTC)で確認しました。
8. 用途別の選び方
この章の結論: 「学習データがあるか」「どこで動かすか」「商用で使うか」の3点で、最初に試す系統が決まります。
| やりたいこと | 最初に試す系統 | 根拠 |
|---|---|---|
| 決まった対象をカメラ映像からリアルタイムで見つける | YOLO26、または RF-DETR / RT-DETRv4 | T4 で数 ms(第3・4章)。学習データが要る |
| CPU や小型のエッジ機器で動かす | YOLO26 の n / s | パラメータが小さく、CPU の公式値もある(第3章) |
| 商用製品に組み込み、ソースは公開したくない | Apache-2.0 の DETR 系、または Ultralytics の Enterprise License | 第9章 |
| 学習データがまだ無い。まず試作したい | SAM 3、YOLOE-26、VLM | 言葉で指定してすぐ試せる(第5・6章) |
| アノテーションを楽にしたい | SAM 3 で下書き → 人が直す → 専用モデルを学習 | 第5章 |
| 動画の中の物体を追いかけたい | SAM 3 / SAM 3.1、YOLO の追跡機能 | SAM 3.1 は多数物体の追跡を高速化 |
| 画像について質問したい。状況を文章で説明させたい | VLM | 第6章 |
| 画素単位のきれいな輪郭が要る | SAM 3 | 比較論文で境界の質が安定(第5章) |
手元の GPU やメモリでどこまで動かせるかは、ローカルLLMの仕組みの記事で整理した「重み・量子化・実行ソフト」の考え方がそのまま当てはまります。
9. yolo の商用利用とライセンス──使う前に確認すること
この章の結論: 同じ系統でもライセンスは大きく違います。特に Ultralytics の YOLO は、学習させたモデルも既定で AGPL-3.0 になります。
| モデル | ライセンス | 商用利用の要点 |
|---|---|---|
| Ultralytics YOLO(YOLO26 など) | AGPL-3.0 または Enterprise License | プロジェクト全体を AGPL で公開しないなら Enterprise License が要る。学習済みモデルも既定で AGPL-3.0 |
| RT-DETRv4、D-FINE | Apache-2.0 | 商用利用しやすい |
| RF-DETR(N〜L の検出、Seg、Keypoint) | Apache-2.0 | 商用利用しやすい |
| RF-DETR(XL / 2XL、Atto / Femto / Pico) | Roboflow Platform Model License 1.0 | Roboflow 上の利用は商用込み。自前ホスティングの商用利用は Enterprise の追加契約が要る |
| DEIMv2 | DEIMv2 License(2026-08-24 に Apache License から変更) | 商用利用不可 |
| SAM 3 / SAM 3.1 | SAM License | 使用・改変・再配布を認める。用途制限と再配布条件あり。重みは申請制 |
| DINOv3 | DINOv3 License | Meta ブログは「commercial license」と説明 |
| Grounding DINO 1.5 / 1.6 | API 提供 | 重みの公開は確認できなかった |
| Qwen3-VL、WeVisOne-VL | Apache-2.0 | 商用利用しやすい(第三者部品は各ライセンス) |
| Florence-2 | MIT | 商用利用しやすい |
| Moondream 3.1 | Moondream Model License 1.0 | 汎用の推論・ファインチューニングをホスティングサービスとして提供することは不可 |
主な原文を引いておきます。
- Ultralytics(ライセンスページ): 「An Enterprise License is required if you want to use Ultralytics YOLO without open-sourcing your entire project.」「All Ultralytics YOLO trained models fall under the AGPL-3.0 License by default.」。対象には「Embedded deployments in hardware, edge devices, robotics, cameras, or appliances」も挙がっています
- DEIMv2(LICENSE.md): 「Commercial Use of the DEIMv2 Materials is not permitted under this License.」。重みも非商用目的に限って再配布などを認めています。GitHub のコミット履歴では、2026-08-24 のコミット「docs: update license information」で Apache License の LICENSE が削除され、この LICENSE.md が追加されました。公開時は商用利用できたものが、約11か月後に使えなくなった例です
- SAM License(LICENSE、2025-11-19 更新): 使用・複製・配布・改変を認める一方、軍事・戦争、核、諜報、銃や違法な武器に関わる用途を禁じています。再配布時は本ライセンスの写しを付ける必要があります。商用利用を禁じる条項は見当たりませんでしたが、使う前に本文を読んでください
ライセンスは後から変わることがあります。使う直前に、リポジトリの LICENSE を自分で読んでください。この表は法的助言ではありません。
10. 限界と注意点
- 公表値は条件がばらばら: Ultralytics・Roboflow・Meta・Moondream は、それぞれ別の GPU と別の測り方で数字を出しています。同じモデルでも、Ultralytics 公式と Roboflow の再計測で値がずれていました
- COCO は日常の写真が中心: 工場の部品、医療画像、農作物のような現場のデータでは順位が変わりえます。第5章の比較論文はリンゴ1クラスだけの結果です
- 当事者の測定が多い: RF-DETR の比較表も Moondream の対 SAM 3 比較も、開発元による測定です。中立の第三者による同条件比較は、今回は見つかりませんでした
- ゼロショットは重い: SAM 3 は専用モデルより桁違いに遅く、モデルサイズも大きいため、エッジ機器でのリアルタイム処理には向きません
- 予告は予告: YOLO27 の 60.5 mAP は公式が最終開発中とする暫定値で、発売日もライセンスも決まっていません
11. よくある質問
YOLO の最新版は何ですか
2026年11月6日時点で公開されている Ultralytics の最新版は YOLO26 です(2026年1月14日公開)。YOLO27 は公式ページで予告されていますが、重みもコードも未公開で、発売日も決まっていません。
YOLO は商用利用できますか
できますが条件があります。Ultralytics の YOLO は AGPL-3.0 で、自社のプロジェクト全体を AGPL で公開しない場合は Enterprise License が必要です。自社データで学習させたモデルも既定で AGPL-3.0 になります。ソースを公開したくないなら、Apache-2.0 の RF-DETR(N〜L)や RT-DETRv4 も候補になります。
SAM 3 は無料で使えますか
重みは Hugging Face で申請すれば入手でき、利用料はかかりません。SAM License は使用・改変・再配布を認めていますが、軍事などの用途制限と再配布の条件があります。商用で使う場合は、ライセンス本文を自分で確認してください。
Transformer と CNN はどちらがよいですか
GPU 上の精度と速度では、RF-DETR などの DETR 系(Transformer)が YOLO と同等か、条件によっては上回っています。CPU や小型機器ではモデルの小さい YOLO が有利な場面が残ります。YOLO27 が Transformer のデコーダを取り込む予定であることからも、どちらか一方を選ぶ問題ではなくなりつつあります。
画像生成AIとは何が違いますか
画像認識AIは画像を「読む」側で、何がどこに写っているかを出力します。画像生成AIは文章などから画像を「作る」側です。生成側の環境づくりはStable Diffusionローカル環境の作り方で解説しています。
12. まとめ
- 画像認識AIは、YOLO系・DETR系・ゼロショット/基盤モデル・VLM の4系統で整理できます
- YOLO は YOLO26 でタスクを7つに広げ、エッジで動かす方向に進化しています。YOLO27 は予告段階です
- Transformer は CNN を置き換えたのではなく、GPU 上で YOLO に並び、YOLO 自身にも取り込まれつつあります
- SAM 3 などのゼロショットで学習が要らなくなったのではなく、学習データを作る手間が減りました
- 商用利用の前に、AGPL・非商用・独自ライセンスの違いを各リポジトリの LICENSE で確認してください
関連記事
- ローカルLLMとは──重み・量子化・実行ソフトで手元推論が成り立つ仕組み: 画像認識モデルを手元で動かすときの基本の考え方
- DeepSeek V4-Flash-Vision-Exp の記事: 画像も読めるLLMの具体例
- Stable Diffusionローカル環境の作り方: 画像を「作る」側の入口