YOLOv5 vs YOLOv6-3.0#

コンピュータビジョンの分野は常に進化しており、新しいアーキテクチャによって速度と精度の限界が押し広げられています。次のビジョンAIプロジェクト向けのモデルを選択する際、開発者は実績のある汎用性の高いフレームワークと、高度に専門化された産業用検出器を比較することがよくあります。本稿では、Ultralytics YOLOv5とMeituanのYOLOv6-3.0の技術的な違いを詳しく解説し、デプロイ要件に最適なツールを選択できるよう支援します。

モデルの概要#

Ultralytics YOLOv5：汎用性の高い標準モデル#

2020年にリリースされたUltralytics YOLOv5は、利用しやすく高性能な物体検出のデファクトスタンダードとして急速に普及しました。非常に優れた使いやすさ、堅牢なトレーニングパイプライン、幅広いデプロイ統合で知られています。

• 著者: Glenn Jocher
• 組織: Ultralytics
• 日付: 2020-06-26
• GitHub: ultralytics/yolov5

YOLOv5は、PyTorchエコシステム内でシームレスな開発者体験を提供することを目的に、ゼロから設計されました。優れた平均適合率（mAP）を達成しながら高い推論速度を維持する、バランスの取れた性能を提供します。そのため、エッジデバイスからクラウドサーバーまで、さまざまな実環境のデプロイシナリオに適しています。

YOLOv6-3.0：産業用スループット#

MeituanのVision AI Departmentによって開発されたYOLOv6-3.0は、産業用途に特化して調整されており、専用ハードウェアアクセラレーター上での処理スループットを最優先しています。

• 著者: Chuyi Li、Lulu Li、Yifei Geng、ほか
• 組織： Meituan
• 日付: 2023-01-13
• Arxiv: 2301.05586
• GitHub: meituan/YOLOv6

YOLOv6は、NVIDIA T4などのGPU上で処理速度を最大化することを目指しています。カスタム量子化手法と専用バックボーンを使用して性能を実現しているため、バッチ推論を多用するバックエンドサーバー処理に適した有力な候補です。

YOLOv6の詳細をご覧ください

アーキテクチャの違い#

これらのモデルの背後にあるアーキテクチャ上の選択を理解することは、理想的なユースケースを特定するうえで重要です。

YOLOv5のアーキテクチャ#

YOLOv5は、高度に最適化されたCSPDarknetバックボーンと、パス集約ネットワーク（PANet）ネックを組み合わせています。この構造は、トレーニングおよび推論時のメモリ要件を最小限に抑えるよう、綿密に調整されています。膨大なCUDAメモリと長時間のトレーニングを必要とする大型Transformerモデルとは異なり、YOLOv5は一般的なコンシューマー向けハードウェア上で効率的に動作します。

さらに、YOLOv5は単なる物体検出器ではありません。そのアーキテクチャは他のタスクにもシームレスに拡張でき、画像セグメンテーションや画像分類をすぐに利用できる堅牢なサポートを提供します。

YOLOv6-3.0アーキテクチャ#

YOLOv6-3.0は、特にGPU実行に適したハードウェアフレンドリーな設計のEfficientRepバックボーンを備えています。ネックには双方向連結モジュール（BiC）を採用し、特徴量融合を強化しています。

トレーニング中、YOLOv6は収束を安定させるアンカー支援トレーニング戦略（AAT）を使用しますが、推論時にはアンカーフリー検出器として動作します。このアーキテクチャはGPUアクセラレーションタスクに優れていますが、移植性の高いYOLOv5フレームワークと比べると、さまざまなエッジデバイス向けに適応する際に複雑になる場合があります。

パフォーマンス分析#

これらのモデルを評価する際には、速度と精度の生の指標が重要です。以下の比較表では、COCOデータセット上でのさまざまなモデルサイズの性能を示しています。

YOLOv6-3.0は大規模なバリアントでより高いmAPスコアを達成しますが、YOLOv5は非常に軽量なフットプリントを維持しています。たとえば、YOLOv5nはYOLOv6の対応モデルよりパラメーター数とFLOPsが大幅に少なく、モバイル環境やCPUに制約のあるデプロイに非常に適しています。

エコシステムと使いやすさ#

多くのエンジニアリングチームにとって、本当の決め手となるのはモデルを取り巻くエコシステムです。

YOLOv6は優れた研究リポジトリですが、さまざまな形式にまたがってデプロイするには相当量のボイラープレートコードが必要です。一方、Ultralyticsは、合理化されたユーザー体験を特徴とする、十分にメンテナンスされたエコシステムを提供しています。統合されたPython APIと直感的なUltralytics Platformにより、データセット管理、ワンクリックトレーニング、ONNXやTensorRTなどの形式への直接エクスポートをシームレスに利用できます。

コード例：統合Ultralytics API#

Ultralyticsのultralytics pipパッケージを使用すると、わずか数行のコードでモデルのロード、トレーニング、デプロイを行えます。

from ultralytics import YOLO

# Load a pretrained YOLOv5 small model
model = YOLO("yolov5s.pt")

# Train the model effortlessly on the COCO8 dataset
results = model.train(data="coco8.yaml", epochs=50, imgsz=640)

# Run fast inference on an image
predictions = model("https://ultralytics.com/images/bus.jpg")

# Export to ONNX for edge deployment
model.export(format="onnx")

ユースケースと推奨事項#

YOLOv5とYOLOv6のどちらを選ぶかは、具体的なプロジェクト要件、デプロイ上の制約、エコシステムに関する優先事項によって決まります。

YOLOv5を選ぶべきケース#

YOLOv5 は次の用途に適しています：

• 実績のある本番システム: YOLOv5の長年にわたる安定性の実績、豊富なドキュメント、広範なコミュニティサポートが重視される既存のデプロイ環境。
• リソースに制約のあるトレーニング: YOLOv5の効率的なトレーニングパイプラインと少ないメモリ要件が有利になる、GPUリソースが限られた環境。
• 幅広いエクスポート形式のサポート: ONNX、TensorRT、CoreML、TFLiteなど、多数の形式にまたがるデプロイが必要なプロジェクト。

YOLOv6を選択する場合#

YOLOv6は次の用途に推奨されます:

• 産業用ハードウェアを考慮したデプロイ: モデルのハードウェアを考慮した設計と効率的な再パラメータ化により、特定の対象ハードウェア上で最適化された性能が得られるシナリオ。
• 高速なシングルステージ検出: 管理された環境でのリアルタイム動画処理において、GPU上での生の推論速度を優先するアプリケーション。
• Meituanエコシステムとの統合: すでにMeituanの技術スタックとデプロイインフラストラクチャを利用しているチーム。

Ultralytics (YOLO26)を選ぶタイミング#

ほとんどの新規プロジェクトでは、Ultralytics YOLO26が性能と開発者エクスペリエンスの最適な組み合わせを提供します。

• NMSフリーのエッジデプロイ: Non-Maximum Suppressionの後処理を複雑にすることなく、一貫した低レイテンシー推論が必要なアプリケーション。
• CPUのみの環境: 専用GPUアクセラレーションを持たないデバイスで、YOLO26の最大43%高速なCPU推論が決定的な優位性となる場合。
• 小さな物体の検出: aerial drone imageryやIoTセンサー分析など、ProgLossとSTALによって微小物体の精度が大幅に向上する難しいシナリオ。

今後に向けて：YOLO26の優位性#

YOLOv5は信頼性の高い実用モデルであり、YOLOv6-3.0は産業用GPU処理で高いスループットを提供しますが、最先端技術は進化しています。現在新しいプロジェクトを始める開発者には、Ultralytics YOLO26が推奨されます。

2026年1月にリリースされたYOLO26は、大きな飛躍を遂げています。Ultralyticsエコシステムの比類ない汎用性を継承しながら、画期的なアーキテクチャの改良を導入しています。

• エンドツーエンドのNMSフリー設計： YOLO26はNon-Maximum Suppressionの後処理を排除し、レイテンシーのばらつきを大幅に低減するとともに、デプロイロジックを簡素化します。
• CPU推論が最大43%高速化： DFLの削除と最適化されたヘッドにより、エッジデバイスや低消費電力デバイス上で従来世代を大幅に上回ります。
• MuSGDオプティマイザー： LLMトレーニングのイノベーションを活用した新しいMuSGDオプティマイザーにより、非常に安定したトレーニングと驚異的に速い収束を実現します。
• 高度な汎用性： YOLO26は、指向性バウンディングボックス（OBB）、姿勢推定、セグメンテーションをシームレスに処理し、ProgLossやSTALなどの専用タスク損失によって、比類ない小物体認識を実現します。

Ultralyticsエコシステム内の他の選択肢を検討している場合は、汎用目的のYOLO11や、オープンボキャブラリー検出タスク向けの革新的なYOLO-Worldも検討できます。

まとめ#

YOLOv5とYOLOv6-3.0は、どちらもコンピュータビジョン分野に大きな影響を与えてきました。YOLOv6-3.0はハイエンドサーバーハードウェアで優れたスループットを発揮するため、専門的なオフライン分析に適しています。しかし、堅牢で使いやすく、非常に汎用性が高いモデルを、世界水準のプラットフォームによるサポートとともに必要とする開発者には、YOLOv5が依然として優れた選択肢です。

次世代の精度、ネイティブなNMSフリーデプロイ、業界最高水準の開発者体験を最適なバランスで実現するには、Ultralytics Platformを通じてYOLO26にアップグレードすることが、最新のビジョンAIソリューションにおける決定的な選択肢です。