YOLOv5 YOLOv10：包括的な技術比較

リアルタイムコンピュータビジョン分野は過去数年間で急成長を遂げ、様々なアーキテクチャが現代のハードウェアで可能な限界を押し広げてきた。最先端アーキテクチャを評価する際、 YOLOv5 と YOLOv10 の比較は、物体検出分野における重要な進化の段階を浮き彫りにする。本技術的深掘りでは、両者のアーキテクチャパラダイム、性能トレードオフ、そして開発者が実稼働環境でこれらのツールを活用する方法を探る。

アーキテクチャの詳細

これらのモデルの構造的な違いを理解することは、実世界で効率的に展開するために極めて重要です。

Ultralytics YOLOv5: 業界標準

Ultralytics導入されたYOLOv5 、その比類のない速度、精度、アクセシビリティのバランスで長年高く評価YOLOv5 。

著者：Glenn Jocher
組織: Ultralytics
日付: 2020-06-26
GitHub:YOLOv5
ドキュメント: YOLOv5 ドキュメント

YOLOv5について詳しくはこちら

YOLOv5 、アンカーベースの検出メカニズムと深く最適化されたCSPDarknetバックボーンをYOLOv5 。この構造は、ほぼ全ての推論エンジンでサポートされる標準的な操作に大きく依存しているため、非常に汎用性が高い特徴があります。その主なPython 、合理化されたユーザー体験、シンプルなAPI、そして充実したドキュメントを提供します。さらに、YOLOv5トランスフォーマーベースのモデルと比較してメモリ要件が低いため、VRAMの負荷が急増することなく、コンシューマー向けGPU上で高速にトレーニングが可能です。

YOLOv10：パラダイムの進化

清華大学の研究者によって開発されたYOLOv10は、以前のアーキテクチャに見られた特定のレイテンシボトルネックに対処することを目的としていました。

著者: Ao Wang, Hui Chen, Lihao Liu, et al.
組織：清華大学
日付: 2024-05-23
ArXiv: 2405.14458
GitHub:YOLOv10
ドキュメント: YOLOv10 ドキュメント

YOLOv10について詳しくはこちら

YOLOv10 決定的な特徴YOLOv10 ネイティブにNMS（非最大抑制）NMS設計YOLOv10 トレーニング中に一貫した二重アサインメントを用いることで、NMS 不要となる。この理論的なレイテンシ低減は、高性能なハードウェア上で動作するデプロイメントにおいて非常に有益である。 NVIDIA TensorRT による強力なアクセラレーションを備えたハイエンドハードウェア上で動作するデプロイメントには非常に有益ですが、エッジデバイスにとっては構造的な複雑さを生じさせる可能性があります。

エコシステムの利点

YOLOv10 興味深いアーキテクチャ上の新機YOLOv10 一方、Ultralytics ではYOLOv5 Ultralytics ネイティブにサポートされており、優れたトレーニング効率、自動ハイパーパラメータ進化、豊富なエクスポートオプションを標準装備で提供します。

パフォーマンス分析

これらのモデルを比較する際、精度（mAP）と計算コスト（レイテンシとパラメータ数）のバランスが最適なユースケースを決定する。以下COCO における技術的性能比較である。

モデル	サイズ ^{(ピクセル)}	mAP^val 50-95	速度 ^{CPU ONNX (ms)}	速度 ^{T4 TensorRT10 (ms)}	params ^(M)	FLOPs ^(B)
YOLOv5n	640	28.0	73.6	1.12	2.6	7.7
YOLOv5s	640	37.4	120.7	1.92	9.1	24.0
YOLOv5m	640	45.4	233.9	4.03	25.1	64.2
YOLOv5l	640	49.0	408.4	6.61	53.2	135.0
YOLOv5x	640	50.7	763.2	11.89	97.2	246.4

YOLOv10n	640	39.5	-	1.56	2.3	6.7
YOLOv10s	640	46.7	-	2.66	7.2	21.6
YOLOv10m	640	51.3	-	5.48	15.4	59.1
YOLOv10b	640	52.7	-	6.54	24.4	92.0
YOLOv10l	640	53.3	-	8.33	29.5	120.3
YOLOv10x	640	54.4	-	12.2	56.9	160.4

YOLOv10 高い性能を達成している mAP50-95 同等のサイズスケールで、最新の効率と精度を重視したモデル設計を活用しています。しかし、YOLOv5は特にNanoおよびSmall層において驚くほど競争力のあるレイテンシーを維持しており、のような制約のある組み込み環境で非常に信頼性が高くなります。 NVIDIA Jetson ラインまたは標準CPUを介して OpenVINO.

トレーニング方法論とエコシステム

モデルの価値は、それを取り巻くエコシステムに深く結びついています。Ultralyticsは、非常に幅広いタスクをサポートする、極めてよく維持されたエコシステムを保持しています。YOLOv10が2D 物体 detectに厳密に焦点を当てているのに対し、Ultralyticsは、インスタンス segment、画像分類、姿勢推定、およびoriented bounding boxes (OBB)をネイティブにサポートしています。

さらに、Ultralytics トレーニングには、競合するトランスフォーマーベースの手法に比べて大幅に少ないメモリオーバーヘッドで済むため、開発サイクルを迅速かつコスト効率良く維持できます。

シームレスなコード実行

モデルのトレーニング、検証、エクスポートは単一のAPIで統一されています。文字列を変更するだけでモデルを切り替えることができます。

from ultralytics import YOLO

# Load a pre-trained YOLOv5 model for baseline testing
model_v5 = YOLO("yolov5s.pt")

# Load a YOLOv10 model for comparison
model_v10 = YOLO("yolov10s.pt")

# Train the model on the COCO8 dataset efficiently
results = model_v5.train(
    data="coco8.yaml",
    epochs=100,
    imgsz=640,
    device="0",  # Automatically utilizes PyTorch CUDA acceleration
    batch=16,
)

# Export to ONNX for CPU inference deployment
model_v5.export(format="onnx", simplify=True)

ユースケースと推奨事項

YOLOv5とYOLOv10のどちらを選択するかは、特定のプロジェクト要件、デプロイメントの制約、およびエコシステムの好みに依存します。

YOLOv5を選択すべき時

YOLOv5 以下に最適YOLOv5 ：

実績のある本番システム: YOLOv5の長年にわたる安定性、広範なドキュメント、および大規模なコミュニティサポートが評価されている既存のデプロイメント。
Resource-Constrained Training: 限られたGPUリソースを持つ環境において、YOLOv5の効率的なトレーニングパイプラインと低いメモリ要件が有利です。
豊富なエクスポート形式のサポート: ONNX、TensorRT、CoreML、およびTFLiteを含む多くの形式でのデプロイを必要とするプロジェクト。

YOLOv10を選択すべき時

YOLOv10 以下に推奨YOLOv10 ：

NMSフリーのリアルタイムdetect: Non-Maximum Suppressionなしのエンドツーエンドのdetectから恩恵を受け、デプロイの複雑さを軽減するアプリケーション。
速度と精度のバランスの取れたトレードオフ: さまざまなモデルスケールにおいて、推論速度と検出精度の強力なバランスを必要とするプロジェクト。
一貫したレイテンシが求められるアプリケーション: ロボット工学や自律システムなど、予測可能な推論時間が重要となるデプロイメントシナリオ。

Ultralytics YOLO26）を選択すべきタイミング

ほとんどの新規プロジェクトにおいて、Ultralytics YOLO26は、パフォーマンスと開発者エクスペリエンスの最高の組み合わせを提供します。

NMSフリーのエッジデプロイメント: Non-Maximum Suppressionの後処理の複雑さなしに、一貫した低レイテンシ推論を必要とするアプリケーション。
CPUのみの環境: 専用のGPUアクセラレーションを持たないデバイスにおいて、YOLO26の最大43%高速なCPU推論が決定的な優位性をもたらします。
小物体detect: 航空ドローン画像やIoTセンサー分析のような困難なシナリオにおいて、ProgLossとSTALが微小なオブジェクトのAPを大幅に向上させます。

未来: Ultralytics YOLO26

YOLOv5 アクセシビリティYOLOv5 、YOLOv10 NMSの限界をYOLOv10 一方で、最先端技術は進化を続けています。新規プロジェクトには、2026年1月にリリースされた最先端Ultralytics 強く推奨します。

YOLO26は、Ultralytics システムの信頼性と画期的な進歩を融合させます：

エンドツーエンドのNMSフリー設計: NMSフリーパラダイムをUltralyticsフレームワークに直接組み込むことで、YOLO26はデプロイを簡素化し、より低いレイテンシを保証します。
最大43%高速なCPU推論: Distribution Focal Loss (DFL) の除去により、YOLO26はGPUを持たないエッジデバイス上で驚くほど高速です。
MuSGD オプティマイザ: Moonshot AIのLLMトレーニングイノベーションから着想を得たMuSGDオプティマイザは、前例のない安定性と迅速な収束を提供します。
ProgLoss + STAL: これらの新しい損失関数は、小さなオブジェクトの認識を劇的に改善し、ドローン画像やロボット工学のような分野にとって不可欠です。

Ultralytics 、YOLO26の管理、トレーニング、デプロイが可能です。

結論

YOLOv5とYOLOv10の選択は、多くの場合、特定のプロジェクト制約によって決まります。YOLOv10は、生のGPUスループットを活用する研究者やアプリケーションにとって優れたmAPを提供します。対照的に、YOLOv5は標準的なデプロイメントにおいて、堅実で互換性の高い主力として機能し続けます。

しかし、コンピュータビジョン分野は常に進化しています。最高のパフォーマンスバランス、汎用性、使いやすさを実現するには、Ultralytics を検討すべきです。これはNMS推論速度と、堅牢で文書化がUltralytics 統合し、ビジョンAIソリューションの将来性を保証します。特殊なユースケースでは、開発者は YOLO11 を一般的な堅牢性のために、あるいは RT-DETR を検討することも可能です。