YOLOv5とYOLO26#

コンピュータビジョンの進化は、より高速で高精度、かつ利用しやすいモデルを目指す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を比較すると、堅牢な従来型システムと最先端の最新AIデプロイメントの間にある隔たりを埋める、パラダイムシフトが見て取れます。

このガイドでは、両方のアーキテクチャを包括的に技術解説し、パフォーマンス指標、構造上の違い、最適なデプロイシナリオを取り上げます。

モデルの概要#

YOLOv5：業界を支える主力モデル#

2020年にリリースされたYOLOv5は、物体検出をより身近なものにしました。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したことで、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のドキュメント

YOLOv5は、手厚くメンテナンスされているUltralyticsエコシステムの基盤を築きました。強力なデータ拡張手法、効率的な学習ループ、CoreMLやONNXなどのエッジ形式に向けた高度に最適化されたエクスポートパスを導入しました。使いやすさと学習時の少ないメモリ要件により、世界中のスタートアップや研究者に広く利用されました。

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の最高峰です。YOLOv8やYOLO11など、間の世代で得られた知見をネイティブに取り入れるとともに、大規模言語モデル（LLM）の学習に着想を得た大きな技術革新を導入しています。

• 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のドキュメント

YOLO26はパフォーマンスのバランスに新たな基準を打ち立て、最先端の精度を実現しながら、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のアーキテクチャにおける技術革新#

YOLOv5はアンカーベースの検出ヘッドと標準的な損失関数を採用していますが、YOLO26はデプロイ時のボトルネックを解消するため、内部構造を全面的に刷新しています。

1. エンドツーエンドのNMSフリー設計：最大の違いは、YOLO26がネイティブに備えるエンドツーエンド推論オプションです。冗長なバウンディングボックスを除去するために非極大値抑制（NMS）が必要なYOLOv5とは異なり、YOLO26のオプションのワンツーワンヘッド（nms=False）は、この後処理を完全に省略します。これにより、推論レイテンシーが一定になり、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は分布焦点損失（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の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に着想を得たYOLO26は、SGDとMuonを組み合わせたハイブリッド型のMuSGDオプティマイザーを使用します。これにより、LLM学習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を多用するモデルと比べてメモリ使用量を抑え、学習サイクルを短縮します。
4. ProgLoss + STAL：YOLO26は高度なProgLoss関数とSTAL関数を使用し、YOLOv5が長年課題としてきた小さく密集した物体の検出能力を大幅に向上させます。

パフォーマンス比較#

COCOデータセットでモデルを比較すると、YOLO26はあらゆるスケールで精度（mAP）を大きく向上させており、中型モデル以上ではパラメーター数も少なくなっています。

注：YOLO26 Nano（YOLO26n）は40.9 mAPを達成し、YOLOv5nの28.0 mAPを大きく上回ります。追加パラメーター数がわずか0.5Mで12.9ポイント向上し、さらにDFLの削除とNMSフリーヘッドにより、CPUやエッジへのデプロイが簡素化されます。

汎用性とタスクへの対応#

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ましたが、YOLO26は統合型のマルチタスクエンジンとして一から構築されました。

YOLO26は次のタスクに標準で対応しています。

• インスタンスセグメンテーション：タスクに特化した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。
• セマンティックセグメンテーション：ピクセル単位でクラスを高密度にラベル付けします。
• 深度推定：単一画像からピクセル単位の深度を予測します。
• 画像分類：画像全体を標準的なカテゴリに分類します。
• 姿勢推定：残差対数尤度推定（RLE）を利用して、キーポイントを高精度に検出します。
• 方向付きバウンディングボックス（OBB）：境界の不連続性の問題を解消する専用の角度損失を備えており、衛星画像解析で特に重要です。

使用方法とコード例#

Ultralytics Python APIを使うと、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メンテナンス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に更新するには、重みファイルを変更するだけです。

Pythonの例#

from ultralytics import YOLO

# YOLOv5を使用するには、v5の重みファイルを読み込みます
# model = YOLO("yolov5su.pt")

# 推奨モデルのYOLO26に移行します
model = YOLO("yolo26n.pt")

# COCO8データセットで学習します。optimizer="auto"は、長時間の実行（>10k iterations）でMuSGDを選択します
results = model.train(
    data="coco8.yaml",
    epochs=100,
    imgsz=640,
    batch=32,  # YOLO26はメモリ使用量が少ないため、バッチサイズを大きくできます
)

# NMSフリー推論を実行します
predictions = model("https://ultralytics.com/images/bus.jpg", nms=False)
predictions[0].show()

CLIの例#

最大限のGPUスループットを得るには、TensorRTとの統合を利用し、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

最適なユースケース#

YOLO26を選ぶべき場合#

最新のコンピュータビジョンプロジェクトでは、YOLO26を選ぶことを強くおすすめします。

• エッジAIとIoT：YOLO11nよりCPU推論が最大43%高速で、DFLも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フリーのアーキテクチャにより、安定して予測可能なレイテンシーを実現します。これは、自律型ロボットやリアルタイムのセキュリティ警報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）の追跡が必要なアプリケーションでは、YOLO26の高度な損失関数（ProgLoss + STAL）が精度を大幅に高めます。

YOLOv5を選ぶべき場合#

• 従来型システム：本番環境にYOLOv5固有のアンカー生成やNMS解析ロジックへのハードコードされた依存関係がある場合、移行には短期間のリファクタリングが必要になることがあります。
• 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、従来のベースラインとしてYOLOv5をよく使用します。

概要#

YOLOv5からYOLO26への移行は、単なる段階的なアップデートではありません。物体検出モデルの学習方法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フリー設計によって複雑な後処理をなくし、CPU速度を大幅に向上させることで、Ultralytics YOLO26は速度と精度を妥協なく両立します。

YOLOv5はビジョンAIを普及させたモデルとして語り継がれますが、堅牢で本番運用に対応し、将来性のあるアプリケーションを構築する開発者には、YOLO26を基盤とすることを自信を持っておすすめします。