YOLOv5 vs YOLO26#

コンピュータビジョンの進化は、より高速で、より高精度かつ利用しやすいモデルを追求する継続的な取り組みによって形作られてきました。Ultralytics YOLOv5と最先端のUltralytics YOLO26を比較することは、堅牢な従来システムと現代のAIデプロイメントの最先端との隔たりを埋める、パラダイムシフトを検討することを意味します。

このガイドでは、両アーキテクチャを技術的に詳しく解説し、パフォーマンス指標、構造上の違い、最適なデプロイメントシナリオに焦点を当てます。

モデルの概要#

YOLOv5：業界の主力モデル#

2020年にリリースされたYOLOv5は、物体検出の利用しやすさを一新しました。アーキテクチャをネイティブにPyTorchフレームワークへ移行することで、開発者にかつてない「ゼロから一流へ」の体験を提供しました。

• 著者: Glenn Jocher
• 組織: Ultralytics
• 日付: 2020-06-26
• GitHub: https://github.com/ultralytics/yolov5
• ドキュメント: YOLOv5 Documentation

YOLOv5は、継続的に保守されているUltralyticsエコシステムの基盤を築きました。積極的なデータ拡張手法、効率的なトレーニングループ、CoreMLやONNXなどのエッジ形式向けに高度に最適化されたエクスポートパスを導入しました。使いやすく、トレーニング中のメモリ要件が少ないことから、世界中のスタートアップや研究者にとって定番のモデルとなりました。

YOLO26：次世代のビジョンAI標準#

2026年1月に話を進めると、Ultralytics YOLO26はリアルタイムビジョンAIの頂点に位置します。YOLOv8やYOLO11など、途中の世代から得られた知見をネイティブに統合しながら、大規模言語モデル (LLM) のトレーニングに着想を得た大きなブレークスルーを導入しています。

• 著者: Glenn Jocher、Jing Qiu
• 組織: Ultralytics
• 日付: 2026-01-14
• GitHub: https://github.com/ultralytics/ultralytics
• ドキュメント: YOLO26 Documentation

YOLO26は、パフォーマンスのバランスにおける新たなベンチマークを確立し、最先端の精度を提供しながら、エッジコンピューティングのシナリオで優れた性能を発揮するよう明確に設計されています。

YOLO26におけるアーキテクチャ上のブレークスルー#

YOLOv5がアンカーベースの検出ヘッドと標準的な損失関数に依存しているのに対し、YOLO26は内部の仕組みを全面的に刷新し、デプロイメントのボトルネックを解消しています。

1. エンドツーエンドのNMSフリーデザイン： 最も大きな違いは、YOLO26がネイティブなエンドツーエンドアーキテクチャを採用している点です。冗長なバウンディングボックスをフィルタリングするために手動の非最大抑制 (NMS) が必要なYOLOv5とは異なり、YOLO26はこの後処理ステップを完全に排除しています。これにより、推論レイテンシが決定論的になり、C++や組み込みハードウェアへの統合が大幅に簡素化されます。
2. DFLの削除： YOLO26は分布フォーカル損失 (DFL) を削除しています。このアーキテクチャ上の選択により、モデルのエクスポートが大幅に簡素化され、複雑な演算子の処理に苦労することが多い低消費電力のエッジデバイスやマイクロコントローラーとの互換性が向上します。
3. MuSGDオプティマイザー： Moonshot AIのKimi K2から着想を得たYOLO26は、SGDとMuonのハイブリッドであるMuSGD Optimizerを利用します。これにより、LLMトレーニングで見られる安定性と高速な収束をコンピュータビジョンにもたらし、Transformer中心のモデルと比較してメモリ使用量を削減し、トレーニングサイクルを高速化します。
4. ProgLoss + STAL： YOLO26は高度なProgLoss関数とSTAL関数を利用し、小さく密集した物体の検出能力を大幅に向上させています。これはYOLOv5にとって歴史的に課題となっていた点です。

性能比較#

COCOデータセットでモデルを比較すると、YOLO26は精度 (mAP) を大幅に向上させると同時に、パラメーター数を削減し、CPU推論速度を高めていることが分かります。

注：YOLO26 Nano (YOLO26n) は、YOLOv5nの28.0 mAPに対して驚異的な40.9 mAPを達成し、DFLの削除とNMSフリーのヘッドにより、CPU推論が最大43%高速です。

汎用性とタスクのサポート#

YOLOv5は主に物体検出で知られています。後のアップデートで基本的なセグメンテーションが導入された一方、YOLO26は統合型マルチタスクエンジンとしてゼロから構築されました。

YOLO26は標準で次の機能をサポートします。

• インスタンスセグメンテーション： タスク固有のマルチスケールプロトとセマンティックセグメンテーション損失を備えています。
• ポーズ推定： 残差対数尤度推定 (RLE) を利用し、キーポイントを高精度に検出します。
• 指向性バウンディングボックス (OBB)： 境界の不連続性に関する問題を解消するための専用角度損失を含み、衛星画像解析に不可欠です。
• 画像分類： 画像全体を標準的に分類します。

使用方法とコード例#

Ultralytics Python APIを使用すると、モデルを非常に簡単に切り替えられます。両モデルは同じく十分に保守されたエコシステムを共有しているため、従来のYOLOv5パイプラインをYOLO26へ更新する際に変更が必要なのは重みファイルだけです。

Pythonの例#

from ultralytics import YOLO

# To use YOLOv5, load a v5 weights file
# model = YOLO("yolov5su.pt")

# Migrate to the recommended YOLO26 model
model = YOLO("yolo26n.pt")

# Train on the COCO8 dataset using the efficient MuSGD optimizer
results = model.train(
    data="coco8.yaml",
    epochs=100,
    imgsz=640,
    batch=32,  # YOLO26's low memory footprint allows larger batch sizes
)

# Run an NMS-free inference
predictions = model("https://ultralytics.com/images/bus.jpg")
predictions[0].show()

CLIの例#

最大限のGPUスループットを実現するため、TensorRT統合を使用して、コマンドラインからYOLO26を直接デプロイできます。

# Export the model to TensorRT format
yolo export model=yolo26n.pt format=engine

# Run inference with the compiled engine
yolo predict model=yolo26n.engine source=path/to/video.mp4

理想的なユースケース#

YOLO26を選択するタイミング#

最新のコンピュータビジョンプロジェクトでは、YOLO26を推奨します。

• エッジAIとIoT： CPU推論が43%高速で、DFLが削除されているため、Raspberry Piやモバイルデバイスへのデプロイに最適です。
• 高速パイプライン： NMSフリーアーキテクチャにより、安定した予測可能なレイテンシが確保されます。これは、自律型ロボティクスやリアルタイムのセキュリティアラームシステムに不可欠です。
• 複雑なシナリオ： 小さな物体（例：ドローン監視）や回転する物体 (OBB) の追跡がアプリケーションで必要な場合、YOLO26の高度な損失関数 (ProgLoss + STAL) により、精度が大幅に向上します。

YOLOv5を選択するタイミング#

• 従来のシステム： 本番環境がYOLOv5固有のアンカー生成やNMS解析ロジックにハードコードされた依存関係を持つ場合、移行には短期間のリファクタリングが必要になる可能性があります。
• 特定の学術的ベースライン： 研究者は、物体検出アーキテクチャの歴史的な発展を示すため、YOLOv5を古典的なベースラインとして使用することがよくあります。

まとめ#

YOLOv5からYOLO26への移行は、単なる反復的なアップデートではなく、物体検出モデルのトレーニングとデプロイ方法における根本的な飛躍です。MuSGDオプティマイザーを活用し、NMSフリーデザインによって複雑な後処理を排除し、CPU速度を大幅に向上させることで、Ultralytics YOLO26は速度と精度の妥協のないバランスを実現します。

YOLOv5はビジョンAIを民主化したモデルとして常に記憶されるでしょう。一方、堅牢で本番環境に対応し、将来にわたって利用できるアプリケーションを構築したい開発者は、自信を持ってYOLO26を基盤にするべきです。