YOLOv5とYOLOv6-3.0#

コンピュータービジョンの分野は絶えず進化しており、新しいアーキテクチャが速度と精度の限界を押し広げています。次のビジョンAIプロジェクトでモデルを選ぶ際、開発者は汎用性の高い実績あるフレームワークと、用途を絞った産業向け検出器を比較することがよくあります。ここでは、Ultralytics YOLOv5とMeituanのYOLOv6-3.0の技術的な違いを詳しく解説し、デプロイのニーズに最適なツールを選ぶ手助けをします。

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、導入しやすく高性能な物体検出のゴールドスタンダードとして、すぐに広く普及しました。非常に使いやすく、堅牢なトレーニングパイプラインと幅広いデプロイ連携を備えていることで知られています。

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

YOLOv5は、PyTorchエコシステムでシームレスな開発者エクスペリエンスを実現するために、一から設計されました。優れた平均適合率（mAP）と高速な推論を両立させ、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た性能バランスを提供します。

YOLOv6-3.0：産業用スループット#

MeituanのVision AI部門が開発したYOLOv6-3.0は、産業用途に特化しており、専用のハードウェアアクセラレーターでの生スループットを重視しています。

• 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で処理速度を最大化することを目指しています。独自の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有力な候補です。

YOLOv6の詳細はこちら

アーキテクチャの違い#

これらのモデルのアーキテクチャ上の選択を理解することは、最適なユースケースを見極めるうえで重要です。

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Path Aggregation Network（PANet）ネックを組み合わせています。この構造は、トレーニング時と推論時のメモリ要件を最小限に抑えるよう細かく調整されています。大量のCUDAメモリと長いトレーニング時間を必要とする大規模な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で効率よく動作します。

さらに、YOLOv5は物体検出器だけではありません。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形で強力にサポートします。

YOLOv6-3.0のアーキテクチャ#

YOLOv6-3.0はEfficientRepバックボーンを採用しており、特にGPU実行時のハードウェア効率を重視して設計されています。ネックには双方向連結（BiC）モジュールを使用し、特徴融合を強化しています。

トレーニング時、YOLOv6は収束を安定させるAnchor-Aided Training（AAT）戦略を使用しますが、推論時はアンカーフリーの検出器です。このアーキテクチャはGPUアクセラレーションを利用するタスクに優れていますが、多様なエッジデバイスへの適応は、移植性の高いYOLOv5フレームワークより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は、生の速度と精度の指標が重要です。以下に、COCOデータセットでの各種モデルサイズの性能を比較した表を示します。

YOLOv6-3.0は大型モデルでより高い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の同等モデルよりパラメーター数とFLOPsが大幅に少ないため、モバイルやCPUに制約のある環境への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、モデルを取り巻くエコシステムが真の決め手になります。

YOLOv6は優れた研究用リポジトリですが、さまざまな形式でデプロイするには多くのボイラープレートコードが必要です。一方、Ultralyticsは効率的なユーザーエクスペリエンスを特徴とする、メンテナンスの行き届いたエコシステムを提供します。統一されたPython APIと直感的に使えるUltralytics Platformを通じて、開発者はシームレスなデータセット管理、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利用できます。

コード例：統一されたUltralytics API#

Ultralyticsのultralytics pipパッケージを使うと、わずか数行のコードでモデルの読み込み、トレーニング、デプロイができます。

from ultralytics import YOLO

# 事前学習済みYOLOv5のSmallモデルを読み込む
model = YOLO("yolov5su.pt")  # YOLOv5u: ultralyticsパッケージ向けのアンカーフリーYOLOv5重み

# COCO8データセットでモデルを簡単にトレーニングします
results = model.train(data="coco8.yaml", epochs=50, imgsz=640)

# 画像に対して高速な推論を実行する
predictions = model("https://ultralytics.com/images/bus.jpg")

# エッジデプロイ用にONNXへエクスポートする
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、プロジェクトの具体的な要件、デプロイの制約、エコシステムの好みによって異なります。

YOLOv5を選ぶ場合#

YOLOv5は、次のような場合に適しています。

• 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、充実したドキュメント、幅広い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です。
• 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。

YOLOv6を選ぶ場合#

YOLOv6は、次のような場合に推奨されます。

• 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ー化によって、特定のターゲットハードウェア上で最適な性能が得られるシナリオです。
• 高速な1ステージ検出: 制御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重視するアプリケーションです。
• 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です。

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: 専用のGPUアクセラレーションを備えていないデバイスで、YOLO26の最大43%高速なCPU推論が大きな優位性を発揮します。
• 小物体検出: ドローンによる航空画像やIoTセンサーの分析など、ProgLossとSTALによって小さな物体の精度が大幅に向上する難しいシナリオ。

次のステップ：YOLO26の優位性#

YOLOv5は信頼性の高い主力モデルであり、YOLOv6-3.0は産業用GPUで優れたスループットを発揮しますが、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をおすすめします。

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のない汎用性を受け継ぎながら、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フリーデザイン：YOLO26のオプションのNMSフリーヘッド（nms=False）は、後処理の非極大値抑制をなくし、レイテンシーのばらつきを大幅に抑えるとともに、デプロイロジックをシンプルにします。
• CPU推論が最大43%高速：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で前世代を大幅に上回ります。
• MuSGDオプティマイザー：LLMトレーニングの革新を活用した新しいMuSGDオプティマイザーは、非常に安定したトレーニングと優れた収束速度を実現します。
• 高度な汎用性：YOLO26は、Oriented Bounding Box（OBB）、姿勢推定、セグメンテーションをシームレスに処理します。また、ProgLossやSTALなど、タスクに特化した損失関数により、小物体認識で比類のない性能を発揮します。

Ultralyticsエコシステム内の他の選択肢を検討している場合は、汎用モデルの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も候補になります。

結論#

YOLOv5とYOLOv6-3.0はどちらも、コンピューター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し、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、世界水準のプラットフォームに支えられた汎用性の高いモデルを必要とする開発者には、YOLOv5がより優れた選択肢です。

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エクスペリエンスを実現するには、Ultralytics Platformを通じてYOLO26にアップグレードすることが、現代のビジョンAIソリューションにおける最適な選択です。