YOLOv5 vs YOLO11：技術比較

適切な物体検出モデルの選択は、精度、速度、リソース効率の必要性のバランスを取る上で重要な決定です。このページでは、Ultralyticsの2つの画期的なモデル、広く採用されているUltralytics YOLOv5と、最先端のUltralytics YOLO11との詳細な技術比較を提供します。YOLOv5はパフォーマンスと使いやすさの業界標準を確立しましたが、YOLO11は同じ強力なUltralyticsエコシステム内で、優れた精度、より高い汎用性、強化された効率を提供する次世代の進化を代表しています。

Ultralytics YOLOv5：確立された業界標準

2020年にリリースされたYOLOv5は、瞬く間に世界で最も人気のある物体検出モデルの1つになりました。その評判は、卓越した速度、信頼性、そして使いやすさの組み合わせによって築かれており、数多くの開発者や研究者にとって頼りになる選択肢となっています。

技術詳細:

• 著者: Glenn Jocher
• 組織: Ultralytics
• Date: 2020-06-26
• GitHub: https://github.com/ultralytics/yolov5
• Docs: https://docs.ultralytics.com/models/yolov5/

アーキテクチャと主な機能

YOLOv5はPyTorch上に構築されており、効果的な特徴集約のためにPANetネックと組み合わせたCSPDarknet53バックボーンを備えています。そのアーキテクチャは高度にスケーラブルであり、小型で高速なYOLOv5nから大型で正確なYOLOv5xまで、さまざまなモデルを提供します。YOLOv5の主な特徴は、リリース当時に非常に効果的だったアンカーベースの検出ヘッドです。

長所

• 卓越した推論速度: YOLOv5は高速推論のために高度に最適化されており、特にGPUハードウェア上でリアルタイムアプリケーションに最適な堅牢な選択肢となっています。
• 成熟したエコシステム: 確立されたモデルとして、YOLOv5 は大規模なコミュニティ、広範なチュートリアル、および幅広いサードパーティサポートから恩恵を受けています。数多くの本番環境で実証されています。
• 使いやすさ: シンプルなAPIと包括的なドキュメントで有名なYOLOv5は、迅速なプロトタイピングとデプロイを可能にします。このモデルは、ノーコード学習のためのUltralytics HUBを含む、Ultralyticsエコシステムにシームレスに統合されています。
• Training Efficiency: YOLOv5 は、すぐに利用できる事前学習済みウェイトを備えた効率的なトレーニングプロセスを提供し、効果的な転移学習とより迅速な開発サイクルを可能にします。

弱点

• Anchor-Based Detection: 事前に定義されたアンカーボックスに依存しているため、異常な形状のオブジェクトを持つデータセットでは慎重な調整が必要になる場合があります。この制限は、より新しいアンカーフリー検出器によって対処されています。
• 精度の上限： 依然として非常に正確ですが、COCOのようなベンチマークでのパフォーマンスは、YOLO11のようなより新しいアーキテクチャによって上回られています。

理想的なユースケース

YOLOv5 は、速度と安定性が最重要視されるアプリケーションにとって、依然として優れた選択肢です。

• エッジコンピューティング： 小型バリアントは、Raspberry PiやNVIDIA Jetsonのようなリソース制約のあるデバイスへの実装に最適です。
• リアルタイム監視: 高い FPS を必要とするセキュリティシステムおよび監視アプリケーションを強化します。
• 産業オートメーション： 製造環境における品質管理とプロセス自動化に利用されます。

YOLOv5の詳細について。

Ultralytics YOLO11：ビジョンAIにおける次なる進化

YOLO11は、Ultralyticsの最新の最先端モデルであり、コンピュータビジョンで可能なことの限界を押し広げるように設計されています。YOLOv8を含む前モデルの成功に基づいて、精度、速度、および汎用性において大幅な改善を実現します。

技術詳細:

• 著者: Glenn Jocher、Jing Qiu
• 組織: Ultralytics
• 日付: 2024-09-27
• GitHub: https://github.com/ultralytics/ultralytics
• ドキュメント: https://docs.ultralytics.com/models/yolo11/

アーキテクチャと主な機能

YOLO11は、高度な特徴抽出機能と効率化された設計を備えた洗練されたネットワークアーキテクチャを導入しています。主な進歩は、一般化を改善し、トレーニングプロセスを簡素化するアンカーフリー検出ヘッドです。この最新の設計により、YOLO11は、パラメータのより効率的な使用でより高い精度を達成し、より高速な推論速度とより低い計算需要につながります。

長所

• 最先端のパフォーマンス: YOLO11は精度において新たな基準を打ち立て、すべてのモデルサイズでYOLOv5よりも高いmAPスコアを達成します。
• 汎用性の向上： YOLO11は真のマルチタスクフレームワークであり、単一の統合モデル内で物体検出、インスタンスセグメンテーション、画像分類、姿勢推定、および傾斜バウンディングボックス（OBB）をサポートします。
• 優れた効率性: このモデルは非常に効率的で、速度と精度の優れたトレードオフを提供します。特に、YOLOv5と比較してCPUでの推論が大幅に高速化されており、より幅広いハードウェアで利用できます。また、他の多くのアーキテクチャよりもトレーニングと推論に必要なメモリが少なくなっています。
• 合理化されたユーザーエクスペリエンス: Ultralyticsエコシステムの一環として、YOLO11は、シンプルなPython API、強力なCLI、および広範なドキュメントにより、使いやすさへのコミットメントを維持しています。

弱点

• Computational Demand for Large Models: 非常に効率的ですが、最大のYOLO11モデル（YOLO11xなど）でも、最大の精度を達成するには、かなりの計算リソースが必要です。
• 進化する統合： より新しいモデルとして、サードパーティのツールと統合のエコシステムは急速に成長していますが、長年確立されているYOLOv5ほど広範ではない可能性があります。

理想的なユースケース

YOLO11は、最高レベルの精度と柔軟性を必要とする新しいプロジェクトに最適な選択肢です。

• 高度なロボティクス: 複雑で動的な環境における正確な物体インタラクションとナビゲーションを可能にします。
• Healthcare and Medical Imaging: 高精度が重要な腫瘍検出などのタスクをサポートします。
• スマートシティ: 高度な交通管理と公共安全システムを強化します。
• 小売分析: より高い精度で在庫管理と顧客行動分析を改善します。

YOLO11の詳細について。

性能対決：YOLOv5 vs. YOLO11

この性能指標は、YOLO11によって達成された進歩を明確に示しています。全体的に、YOLO11モデルは、推論速度を維持または向上させながら、mAPの大幅な向上を実現しています。例えば、YOLO11sは47.0のmAPを達成しており、これはYOLOv5lに匹敵しますが、パラメータははるかに少なく、CPU推論は大幅に高速です。同様に、YOLO11mはYOLOv5xの精度（51.5対50.7 mAP）を上回りながら、CPUでの速度は4倍以上です。

結論: どのモデルを選ぶべきか？

YOLOv5 は依然として堅実で信頼性の高いモデルですが、YOLO11 は明らかに後継モデルであり、ほぼすべての新しいプロジェクトに推奨される選択肢です。パフォーマンスが大幅に向上し、前任モデルを非常に人気にした使いやすさを犠牲にすることなく、より高い精度、より優れたタスクの汎用性、および改善された効率を提供します。

• すでにYOLOv5を使用しているレガシープロジェクトに取り組んでいる場合、または特定のGPU速度最適化が重要な利点を提供するハードウェアへのデプロイメントが主な制約である場合は、YOLOv5を選択してください。

• 新しいアプリケーションにはYOLO11を選択してください。その優れた精度、アンカーフリー設計、マルチタスク機能、およびCPUとGPUの両方での優れたパフォーマンスにより、より強力で柔軟性があり、将来性のあるソリューションとなります。

どちらのモデルも、堅牢なUltralyticsエコシステムによってサポートされており、優れたサポートとドキュメントにより、スムーズな開発エクスペリエンスが保証されます。

その他のモデル比較

これらのモデルと他の主要なアーキテクチャとの比較にご興味があれば、以下の比較ページをご覧ください。

• YOLO11 vs YOLOv8
• YOLOv8 vs YOLOv5
• YOLO11 vs YOLOv10
• YOLOv5 vs YOLOv7
• RT-DETR vs YOLOv5

📅 1年前に作成 ✏️ 1か月前に更新

コメント