はじめる

YOLOv5とYOLOv10

リアルタイムコンピュータービジョンの分野はここ数年で急速に発展し、さまざまなアーキテクチャが最新ハードウェアで実現できることの限界を押し広げてきました。最先端アーキテクチャを評価する際、YOLOv5とYOLOv10の比較は、物体検出における大きな進化の段階を示しています。この技術比較では、両モデルのアーキテクチャ上の枠組み、パフォーマンスのトレードオフ、本番環境でこれらのツールを活用する方法を解説します。

アーキテクチャの詳細#

実環境でモデルを効率的にデプロイするには、両モデルの構造上の違いを理解することが重要です。

Ultralytics YOLOv5:業界標準#

Ultralyticsが発表したYOLOv5は、速度、精度、使いやすさのバランスに優れたモデルとして長く認知されています。

YOLOv5は、アンカーベースの検出機構と高度に最適化されたCSPDarknetバックボーンを採用しています。このアーキテクチャは、ほぼすべての推論エンジンでサポートされる標準演算に大きく依存しており、高い移植性を備えています。主な強みは、使いやすい操作性、シンプルなAPI、充実したドキュメントを提供するUltralytics Python SDKです。また、Transformerベースのモデルと比べてメモリ要件が低いため、VRAMの負担を大幅に増やすことなく、一般向けのGPUで迅速にトレーニングできます。

YOLOv10:NMSフリーのリアルタイム検出#

Tsinghua Universityの研究者によって開発されたYOLOv10は、従来のアーキテクチャに見られた特定のレイテンシのボトルネック解消を目指しました。

YOLOv10の詳細を見る

YOLOv10の際立った特徴は、NMSフリー(非最大値抑制)の設計です。トレーニング時に一貫性のあるデュアル割り当てを使用することで、1対1ヘッドが推論時のNMS後処理を不要にし、後処理レイテンシーを低減するとともに、NVIDIA TensorRTエンジンなどのデプロイパイプラインを簡素化します。Ultralyticsパッケージでは、YOLOv10はデフォルトでNMSを使用する1対多ヘッドになります。NMSフリーヘッドを使用するには、nms=Falseを設定してください。

エコシステムの優位性

YOLOv10は興味深いアーキテクチャ上の新機軸を備えていますが、YOLOv5や新しいYOLO26などのUltralyticsモデルは、Ultralytics Platformでネイティブにサポートされており、効率的なトレーニングと豊富なエクスポートオプションをすぐに利用できます。

パフォーマンス分析#

これらのモデルを比較する際は、精度(mAP)と計算コスト(レイテンシとパラメーター数)のバランスによって、最適な用途が決まります。以下に、COCOデータセットでの技術的な性能比較を示します。

モデルサイズ
(ピクセル)
mAPval50-95速度
CPU ONNX
(ms)
速度
T4 TensorRT10
(ms)
パラメーター
(M)
FLOPs
(B)
YOLOv5n64028.0-1.121.94.5
YOLOv5s64037.4-1.927.216.5
YOLOv5m64045.4-4.0321.249.0
YOLOv5l64049.0-6.6146.5109.1
YOLOv5x64050.7-11.8986.7205.7
YOLOv10n64038.5-1.842.36.7
YOLOv10s64046.3-2.497.221.6
YOLOv10m64051.1-4.7415.459.1
YOLOv10b64052.5-5.7419.192.0
YOLOv10l64053.2-7.2824.4120.3
YOLOv10x64054.4-10.7029.5160.4

YOLOv10は、最新の効率性と精度を重視したモデル設計により、同等のサイズ帯で明らかに高いmAPval50-95を達成します。ただし、NanoおよびSmallの各サイズではYOLOv5のGPUレイテンシがより低いため、NVIDIA Jetsonシリーズのようなリソースに制約のある組み込み環境や、OpenVINOを使用する一般的なCPUでの実用的な選択肢となります。

トレーニング手法とエコシステム#

モデルの価値は、そのモデルを取り巻くエコシステムと密接に結び付いています。Ultralyticsは幅広いタスクに対応する、積極的に開発されているエコシステムを維持しています。YOLOv10が2Dの物体検出に特化しているのに対し、Ultralyticsはインスタンスセグメンテーション、画像分類、姿勢推定、方向付きバウンディングボックス (OBB)にネイティブ対応しています。

さらに、Ultralyticsモデルの学習では、競合するTransformerベースの手法よりもメモリ使用量を大幅に抑えられるため、開発サイクルを短縮し、コストを削減できます。

コード例#

モデルの学習、検証、エクスポートは、単一のAPIに統合されています。文字列を変更するだけでモデルを切り替えられます。

from ultralytics import YOLO

# ベースラインテスト用に学習済みYOLOv5モデルを読み込みます
model_v5 = YOLO("yolov5su.pt")  # YOLOv5u: ultralyticsパッケージ向けのアンカーフリーYOLOv5重み

# 比較用にYOLOv10モデルを読み込みます
model_v10 = YOLO("yolov10s.pt")

# COCO8データセットでモデルを効率的にトレーニングします
results = model_v5.train(
    data="coco8.yaml",
    epochs=100,
    imgsz=640,
    device="0",  # PyTorchのCUDAアクセラレーションを自動的に使用します
    batch=16,
)

# CPU推論でのデプロイ用にONNXへエクスポートします
model_v5.export(format="onnx", simplify=True)

ユースケースと推奨事項#

YOLOv5とYOLOv10のどちらを選ぶかは、プロジェクト固有の要件、デプロイの制約、エコシステムに関する好みによって決まります。

YOLOv5を選ぶ場合#

YOLOv5は、次のような場合に適しています。

  • 本番環境での実績:YOLOv5の長年にわたる安定性の実績、充実したドキュメント、大規模なコミュニティが重視される既存のデプロイ環境に適しています。
  • リソースが限られたトレーニング: GPUリソースが限られており、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となる環境です。
  • 幅広いエクスポート形式への対応: ONNX、TensorRT、CoreML、LiteRTなど、多様な形式でのデプロイが必要なプロジェクトです。

YOLOv10を選ぶ場合#

YOLOv10は、次のような用途に推奨されます。

  • NMSを使用しないリアルタイム検出: 非最大抑制を使用しないエンドツーエンド検出によって、デプロイを簡素化できるアプリケーション。
  • 速度と精度のバランス: さまざまなモデルスケールで、推論速度と検出精度の優れたバランスが必要なプロジェクト。
  • レイテンシーが安定している必要のあるアプリケーション: ロボティクスや自律システムなど、予測可能な推論時間が重要なデプロイシナリオ。

Ultralytics (YOLO26)を選ぶ場合#

多く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体験を最適なバランスで提供します。

  • NMSを使用しないエッジデプロイ: 非最大抑制の後処理を複雑化させずに、安定した低レイテンシー推論を必要とするアプリケーション。
  • CPUのみの環境: 専用GPUによる高速化機能のないデバイスでは、YOLO26nはCPU上でYOLO11nより最大43%高速に動作します。
  • 小物体検出: ドローンによる空撮画像やIoTセンサー分析などの難しいシナリオでは、ProgLossとSTALが小さな物体の精度を向上させます。

未来を見据えて:Ultralytics YOLO26#

YOLOv5は物体検出を広く利用しやすくし、YOLOv10はNMSフリーアーキテクチャを発展させましたが、最先端技術は今も進化を続けています。新しいプロジェクトには、2026年1月にリリースされたUltralytics YOLO26を推奨します。

YOLO26はUltralyticsエコシステムの信頼性に、いくつかの進歩を組み合わせています。

  • エンドツーエンドのNMSフリー設計: NMSフリーのパラダイムをオプションのワンツーワンヘッド(nms=False)として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、レイテンシを削減します。
  • 最大43%高速なCPU推論: Distribution Focal Loss(DFL)を削除することで、YOLO26nはYOLO11nよりCPUで最大43%高速に動作します。そのため、GPUを搭載していないエッジデバイスでも有効です。
  • MuSGDオプティマイザー: Moonshot AIによるLLMトレーニングの革新に着想を得たMuSGDオプティマイザーは、より安定したトレーニングと高速な収束を実現します。
  • ProgLoss + STAL: プログレッシブロスと小さな対象物を考慮したラベル割り当てにより、小物体の認識性能が向上します。これは、ドローン画像やロボティクスなどの分野で重要です。

Ultralytics Platformから、YOLO26を直接管理、学習、デプロイできます。

結論#

YOLOv5とYOLOv10のどちらを選ぶかは、多くの場合、プロジェクト固有の制約によって決まります。YOLOv10は、研究やGPUの生の処理能力を活用するアプリケーションで優れたmAPを発揮します。一方、YOLOv5は標準的なデプロイにおいて、信頼性が高く互換性に優れた実用モデルであり続けています。

ただし、コンピュータービジョンの分野は変化し続けています。性能、汎用性、使いやすさのバランスを重視する開発者には、Ultralytics YOLO26がおすすめです。オプションのNMSフリー推論と、ドキュメントが充実したUltralyticsエコシステムを組み合わせています。特定の用途では、全般的な堅牢性を備えたYOLO11や、Transformerベースの高精度なRT-DETRも検討できます。

コントリビューター

コメント

質問したり、結果を共有したり、ほかの人をサポートしたりできます。