Link to this sectionYOLOv5とYOLO26の比較#
コンピュータビジョンの進化は、より高速で、より正確で、より利用しやすいモデルを求める絶え間ない追求によって定義されてきました。Ultralytics YOLOv5と最先端のUltralytics YOLO26を比較することは、堅牢なレガシーシステムと現代のAIデプロイの最先端との間のギャップを埋めるパラダイムシフトを検証することに他なりません。
本ガイドでは、両アーキテクチャの包括的な技術的内訳を提供し、パフォーマンス指標、構造上の違い、および理想的なデプロイシナリオを強調します。
Link to this sectionモデルの概要#
Link to this sectionYOLOv5: 業界の主力製品#
2020年にリリースされたYOLOv5は、物体検出のアクセシビリティに革命をもたらしました。アーキテクチャをPyTorchフレームワークへネイティブに移行することで、開発者にこれまでにない「ゼロからヒーローへ」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ドキュメント
YOLOv5は、高度に保守されたUltralyticsエコシステムの基盤を築きました。アグレッシブなデータ拡張技術、効率的なトレーニングループ、そしてCoreMLやONNXのようなエッジフォーマットへの高度に最適化されたエクスポートパスを導入しました。その使いやすさとトレーニング中の低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とって不可欠なツールとなりました。
Link to this sectionYOLO26: 次世代ビジョンAIの標準#
2026年1月現在、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といった中間の世代から得られた教訓をネイティブに統合しつつ、大規模言語モデル（LLM）のトレーニングに触発された大規模なブレイクスルーを導入しています。
- 著者： Glenn Jocher and 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はパフォーマンスバランスの新たなベンチマークを確立し、最先端の精度を提供すると同時に、エッジコンピューティングのシナリオで優位に立つよう明示的に設計されています。
古いコードベースを移行する場合、YOLOv5とYOLO11の比較にも関心があるかもしれません。YOLO11は、姿勢推定や指向性バウンディングボックス（OBB）などの多様なタスクに対する初期サポートを導入した前世代のモデルです。
Link to this sectionYOLO26におけるアーキテクチャのブレイクスルー#
YOLOv5は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ますが、YOLO26は内部メカニズムを完全に刷新し、デプロイのボトルネックを解消しています。
- エンドツーエンドのNMSフリー設計: 最も大きな違いは、YOLO26がネイティブなエンドツーエンドのアーキテクチャであることです。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Non-Maximum Suppression (NMS)を必要とする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、決定論的な推論レイテンシが保証され、C++や組み込みハードウェアへの統合が劇的に簡素化されます。
- DFLの削除: YOLO26はDistribution Focal Loss (DFL)を削除しました。このアーキテクチャ上の選択は、モデルのエクスポートを大幅に簡素化し、複雑な演算子に苦戦することが多い低電力のエッジデバイスやマイクロコントローラとの互換性を向上させます。
- MuSGDオプティマイザ: Moonshot AIのKimi K2からヒントを得たYOLO26は、SGDとMuonのハイブリッドであるMuSGDオプティマイザを活用します。これにより、LLMのトレーニングで見られる安定性と迅速な収束がコンピュータビジョンにもたらされ、トランスフォーマーを多用するモデルと比較して、メモリ使用量の削減とトレーニングサイクルの高速化を実現しています。
- ProgLoss + STAL: YOLO26は洗練されたProgLossおよびSTAL関数を活用しており、YOLOv5にとって歴史的な課題であった小型および高密度な物体の検出能力を大幅に向上させています。
Link to this sectionパフォーマンスの比較#
COCOデータセットでモデルを比較すると、YOLO26は精度(mAP)の大幅な向上を示すと同時に、パラメータ数とCPU推論速度を削減しています。
| モデル | サイズ (ピクセル) | mAPval 50-95 | 速度 CPU ONNX (ms) | 速度 T4 TensorRT10 (ms) | パラメータ (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 |
| YOLO26n | 640 | 40.9 | 38.9 | 1.7 | 2.4 | 5.4 |
| YOLO26s | 640 | 48.6 | 87.2 | 2.5 | 9.5 | 20.7 |
| YOLO26m | 640 | 53.1 | 220.0 | 4.7 | 20.4 | 68.2 |
| YOLO26l | 640 | 55.0 | 286.2 | 6.2 | 24.8 | 86.4 |
| YOLO26x | 640 | 57.5 | 525.8 | 11.8 | 55.7 | 193.9 |
注: YOLO26 Nano (YOLO26n) は、YOLOv5nの28.0 mAPに対して驚異的な40.9 mAPを達成しており、DFL削除とNMSフリーヘッドのおかげで、CPU推論速度が最大43%高速化しています。
Link to this section汎用性とタスクサポート#
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ましたが、YOLO26は最初から統一されたマルチタスクエンジンとして構築されました。
YOLO26はネイティブで以下をサポートしています:
- 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protosとセマンティックセグメンテーション損失を特徴としています。
- 姿勢推定: 高精度なキーポイント検出のためにResidual Log-Likelihood Estimation (RLE)を活用しています。
- 指向性バウンディングボックス (OBB): 衛星画像解析において極めて重要な、境界の不連続性の問題を解決するための専門的な角度損失を含んでいます。
- 画像分類: 標準的なフル画像カテゴリ分類。
両モデルともUltralytics Platformの恩恵を受けており、シームレスなデータアノテーション、自動ハイパーパラメータチューニング、ワンクリックのクラウドデプロイを提供します。ただし、YOLO26は最新のAPI構造を最大限に活用しています。
Link to this section使用方法とコード例#
Ultralytics Python APIにより、モデルの切り替えは非常に簡単です。両モデルは同じ保守されたエコシステムを共有しているため、レガシーな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済みます。
Link to this sectionPython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()Link to this sectionCLIの例#
GPUスループットを最大化するためにTensorRT統合を使用し、コマンドラインから直接YOLO26をデプロイできます:
# 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.mp4Link to this section理想的なユースケース#
Link to this sectionYOLO26を選択すべき場合#
現代のあらゆるコンピュータビジョンプロジェクトにおいて、YOLO26が間違いなく推奨されます。
- エッジAIおよびIoT: 43%高速なCPU推論とDFLの削除により、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、自律ロボット工学やリアルタイムのセキュリティ警報システムにとって不可欠な、安定的で予測可能なレイテンシが保証されます。
- 複雑なシナリオ: アプリケーションで小さな物体（例: ドローン監視）や回転する物体（OBB）の追跡が必要な場合、YOLO26の高度な損失関数（ProgLoss + STAL）が大きな精度の優位性をもたらします。
Link to this sectionYOLOv5を選択すべき場合#
- レガシーシステム: 本番環境において、YOLOv5固有のアンカー生成やNMSパースロジックにハードコーディングされた依存関係がある場合、移行には短いリファクタリング期間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進歩を示すための古典的なベースラインとして、YOLOv5を頻繁に使用します。
Link to this section要約#
YOLOv5からYOLO26への移行は単なる反復的なアップデートではありません。これは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オプティマイザを活用し、NMSフリー設計によって複雑な後処理を排除し、CPU速度を大幅に加速させることで、Ultralytics YOLO26は速度と精度の妥協のないバランスを提供します。
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が、堅牢で、本番環境対応かつ将来を見据えたアプリケーションを構築しようとする開発者は、迷わずYOLO26をベースに構築すべきです。