モデルの比較：物体検出におけるYOLOv5 YOLOv6-3.0の比較
最適な物体検出モデルを選択することは、コンピュータビジョンアプリケーションを成功させるために非常に重要です。Ultralytics YOLOv5 Meituan YOLOv6-3.0はどちらも、その効率と精度で知られる人気の高い選択肢です。このページでは、プロジェクトのニーズに最も適したモデルを決定するための技術的な比較を提供します。それぞれのアーキテクチャーのニュアンス、パフォーマンスベンチマーク、トレーニングアプローチ、適切なアプリケーションについて掘り下げます。
Ultralytics YOLOv5
YOLOv5は、そのスピードと適応性で有名なシングルステージのオブジェクト検出モデルです。Ultralytics 社によって開発され、2020年6月26日にリリースされたYOLOv5 5は、拡張やカスタマイズが容易な柔軟なアーキテクチャで構築されている。そのアーキテクチャはCSPBottleneckのようなコンポーネントを利用し、最適化された推論速度と精度とのバランスを保つことに重点を置いている。
- 著者紹介グレン・ジョーチャー
- 組織 Ultralytics
- 日付：2020-06-26
- GitHub YOLOv5 GitHub リポジトリ
- ドキュメント YOLOv5 ドキュメント
YOLOv5 様々なモデルサイズ（n、s、m、l、x）があり、それぞれ異なる性能要件を満たすように設計されています。YOLOv5nのような小型のモデルは、コンパクトなサイズと迅速な推論によりエッジデバイスに最適であり、YOLOv5xのような大型のモデルは、より要求の厳しいタスク向けに精度が向上しています。YOLOv5 、その速度と効率性により、リアルタイムの物体検出を必要とするアプリケーションで特に威力を発揮します。
YOLOv55の強み：
- スピード：YOLOv5 推論スピードに優れ、リアルタイムアプリケーションに適している。
- 柔軟性：そのアーキテクチャは高度にカスタマイズ可能で、スケーラブルです。
- コミュニティのサポート：大規模で活発なコミュニティに支えられ、広範なリソースとサポートを提供しています。
- 使いやすさ：Ultralytics HUBによって強化された、トレーニング、検証、展開のためのシンプルなワークフロー。
YOLOv55の弱点：
- 精度：正確ではあるが、より大きなYOLOv6-3.0モデルは、いくつかのベンチマークでわずかに優れたmAPを達成することができる。
美団YOLOv6-3.0
YOLOv6-3.0はMeituanが開発し、2023年1月に発表されたYOLO シリーズの進化版で、精度とスピードの向上に重点を置いている。具体的なアーキテクチャの詳細はYOLOv6の公式リソースを参照していただきたいが、BiC（Bi-directional Concatenation）モジュールやAAT（Anchor-Aided Training）戦略などの革新的な技術が盛り込まれている。これらの機能強化は、速度を大幅に低下させることなく、特徴抽出と検出精度を高めることを目的としている。
- 著者リ・チュイ、リ・ルル、ゲン・イフェイ、ジャン・ホンリャン、チェン・メン、チャン・ボー、ケ・ザイダン、シュー・シャオミン、チュウ・シャオシャン
- 組織美団
- 日付: 2023-01-13
- arXiv:YOLOv6 v3.0：フルスケールのリローディング
- GitHub YOLOv6 GitHub リポジトリ
- ドキュメント YOLOv6ドキュメント
また、YOLOv6-3.0は、性能と計算リソースのバランスをとるために、様々なサイズ（n、s、m、l）のモデルを提供している。ベンチマークによると、YOLOv6-3.0モデルは、特に大きな構成において、同じようなサイズのYOLOv5 モデルと比較して、競争力のある、あるいは優れたmAPを達成できることが示されており、物体検出タスクにおける精度の向上を示唆している。
YOLOv6-3.0の強み：
- 精度：一般的に、特に大きなモデルサイズでは、同等以上のmAPを提供する。
- 推論速度：リアルタイムの物体検出に適した高速推論を実現。
- アーキテクチャの革新：BiCモジュールとAATを搭載し、パフォーマンスを向上。
YOLOv6-3.0の弱点：
- コミュニティとリソース：効果的ではあるが、YOLOv5比較すると、コミュニティによる広範なサポートやすぐに利用可能なリソースはないかもしれない。
- 統合：Ultralytics HUBや関連ツールとの直接統合は、Ultralytics ネイティブモデルに比べてシームレスでない可能性があります。
性能比較表
| モデル | サイズ(ピクセル) | mAPval50-95 | スピードCPU ONNX(ms) | スピードT4テンソルRT10(ms) | params(M) | フロップス(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 |
| YOLOv6-3.0n | 640 | 37.5 | - | 1.17 | 4.7 | 11.4 |
| YOLOv6-3.0s | 640 | 45.0 | - | 2.66 | 18.5 | 45.3 |
| YOLOv6-3.0m | 640 | 50.0 | - | 5.28 | 34.9 | 85.8 |
| YOLOv6-3.0l | 640 | 52.8 | - | 8.95 | 59.6 | 150.7 |
結論
YOLOv5 YOLOv6-3.0はどちらも堅牢なオブジェクト検出モデルで、それぞれにユニークな強みがあります。YOLOv5 非常に多機能で高速なモデルであり、広範なコミュニティーのサポートとUltralytics エコシステム内のシームレスな統合の恩恵を受けています。様々なリアルタイムアプリケーションに最適です。YOLOv6-3.0は、推論速度を犠牲にすることなく、より高い精度が優先されるプロジェクトに魅力的な選択肢を提供します。YOLOv6-3.0は、アーキテクチャーの強化により、特定のシナリオにおいてパフォーマンスを向上させます。
最先端のモデルを求めるユーザーには、次のような新しいUltralytics モデルをご検討ください。 YOLOv8YOLOv9、YOLOv10、そして YOLO11.特殊な用途には、YOLOや RT-DETRは独自の利点を提供し FastSAMは効率的なセグメンテーション機能を提供する。
詳細と幅広いモデルについては、Ultralytics Models Documentationを参照してください。
