Link to this sectionYOLOv5 vs YOLOv6-3.0#
コンピュータビジョンの領域は常に進化しており、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。次なるビジョンAIプロジェクトのためにモデルを選択する際、開発者は多くの場合、定評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検討することになります。本稿では、Ultralytics YOLOv5とMeituanのYOLOv6-3.0の技術的な違いを深掘りし、展開ニーズに最適なツールを選択するための一助として解説します。
Link to this sectionモデルの紹介#
Link to this sectionUltralytics YOLOv5：汎用性の高いスタンダード#
2020年にリリースされたUltralytics YOLOv5は、アクセス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急速に定着しました。その圧倒的な使いやすさ、堅牢なトレーニングパイプライン、そして広範なデプロイメント統合によって高く評価されています。
- 作成者: Glenn Jocher
- 組織: Ultralytics
- 日付: 2020-06-26
- GitHub: ultralytics/yolov5
YOLOv5は、PyTorchエコシステム内においてシームレスな開発者体験を提供するよう、一から設計されました。優れたmAPを達成しながら、エッジデバイスからクラウドサーバーまで、多様な実世界のデプロイメントシナリオに適した高い推論速度を維持し、好ましいパフォーマンスバランスを実現しています。
Link to this sectionYOLOv6-3.0: 産業用スループット#
MeituanのVision AI部門によって開発されたYOLOv6-3.0は、産業用途に特化しており、専用ハードウェアアクセラレータ上での高いスループットを最優先に設計されています。
- 著者: Chuyi Li, Lulu Li, Yifei Geng, 他
- 組織: Meituan
- 日付: 2023-01-13
- Arxiv: 2301.05586
- GitHub: meituan/YOLOv6
YOLOv6は、NVIDIA T4のようなGPU上での処理速度の最大化を目指しています。独自の量子化手法や専門的なバックボーンを採用してパフォーマンスを達成しており、バッチ推論が多用されるバックエンドサーバー処理において強力な選択肢となります。
Link to this sectionアーキテクチャの違い#
これらのモデルの背景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ために極めて重要です。
Link to this sectionYOLOv5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利用しています。この構造は、トレーニングおよび推論中のメモリ要件を最小限に抑えるよう、高度に微調整されています。膨大な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は標準的な民生用ハードウェア上で効率的に動作します。
Ultralyticsのモデルは、トレーニング効率のために特別に設計されています。多くの場合、単一のミドルレンジGPUでYOLOv5モデルをトレーニングできるため、研究者やスタートアップ企業にとって非常に利用しやすいものとなっています。
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へシームレスに拡張可能であり、画像セグメンテーションおよび画像分類のための強力な機能をすぐに利用できます。
Link to this sectionYOLOv6-3.0アーキテクチャ#
YOLOv6-3.0は、特にGPU実行においてハードウェアフレンドリーな設計であるEfficientRepバックボーンを特徴としています。ネック部分には、特徴融合を強化するためのBi-directional Concatenation (BiC) モジュールを採用しています。
トレーニング中、YOLOv6は収束を安定させるために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として動作します。このアーキテクチャはGPU加速タスクに優れていますが、高度にポータブルなYOLOv5フレームワークと比較すると、多様なエッジデバイスへの適合が時に複雑になることがあります。
Link to this sectionパフォーマンス分析#
これらのモデルを評価する際は、生の速度と精度のメトリクスが不可欠です。以下に、COCO datasetにおける様々なモデルサイズのパフォーマンスを比較した表を示します。
| 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 |
| 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 |
YOLOv6-3.0はより大きなバリアントで高い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。例えば、YOLOv5nは対応するYOLOv6モデルよりもパラメータ数とFLOPsが大幅に少なく、モバイルやCPU負荷の高いデプロイメントにおいて非常に最適です。
Link to this section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真の決定要因となるのは、モデルを取り巻くエコシステムです。
YOLOv6は印象的な研究用リポジトリですが、様々なフォーマットでデプロイするためには相当なボイラープレートコードが必要です。対照的に、Ultralyticsは合理化されたユーザー体験を特徴とする、適切にメンテナンスされたエコシステムを提供しています。統一されたPython APIと直感的なUltralytics Platformを通じて、開発者はデータセットの管理、ワンクリックでのトレーニング、そしてONNXやTensorRTなどのフォーマットへの直接エクスポートをシームレスに利用できます。
Link to this sectionコード例: 統一された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読み込み、トレーニング、デプロイが可能です。
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")Link to this sectionユースケースと推奨事項#
YOLOv5とYOLOv6のどちらを選択するかは、特定のプロジェクト要件、デプロイメントの制約、およびエコシステムの好みによって決まります。
Link to this sectionYOLOv5を選択すべき場合#
YOLOv5は次の場合に強力な選択肢となります：
- 実証済みの本番システム： YOLOv5の長期にわたる安定性の実績、広範なドキュメント、および膨大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。
- リソースが制限されたトレーニング： 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に働く環境。
- 広範なエクスポート形式のサポート： ONNX、TensorRT、CoreML、TFLiteを含む多くのフォーマット全体でのデプロイが必要なプロジェクト。
Link to this sectionYOLOv6を選択すべき時#
YOLOv6が推奨されるケース:
- 産業用ハードウェア対応の展開： モデルのハードウェア認識設計と効率的な再パラメータ化が、特定のターゲットハードウェア上で最適化されたパフォーマンスを提供するシナリオ。
- 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ビデオ処理において、GPU上の生の推論速度を優先するアプリケーション。
- Meituanエコシステムの統合： すでにMeituanの技術スタックと展開インフラ内で作業しているチーム。
Link to this sectionUltralytics (YOLO26) を選択すべき時#
ほとんど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の最良の組み合わせを提供します。
- NMSフリーのエッジ展開： Non-Maximum Suppression後処理の複雑さを伴わずに、一貫した低レイテンシの推論が求められるアプリケーション。
- CPUのみの環境： GPUアクセラレーションを利用できないデバイスにおいて、YOLO26の最大43%高速なCPU推論が決定的な利点となる場合。
- 小さな物体の検出： aerial drone imageryやIoTセンサー分析のような困難なシナリオで、ProgLossとSTALが微小な物体の検出精度を大幅に向上させる場合。
Link to this section前進する：YOLO26の利点#
YOLOv5は依然として信頼性の高い実用的なモデルであり、YOLOv6-3.0は産業用GPUにおいて強力な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開始する開発者にとって、推奨されるパスはUltralytics YOLO26です。
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。これはUltralyticsエコシステムの比類なき汎用性を継承しつつ、画期的なアーキテクチャの改善を導入しています：
- エンドツーエンドのNMSフリー設計: YOLO26はNon-Maximum Suppressionのポストプロセッシングを排除し、レイテンシの変動を劇的に削減するとともに、デプロイメントのロジックを簡素化します。
- 最大43%高速なCPU推論: DFLの除去と最適化されたヘッドにより、エッジおよび低電力デバイスにおいて、前世代と比較して大幅に性能が向上しています。
- MuSGDオプティマイザ: LLMトレーニングの革新技術を活用した新しいMuSGDオプティマイザにより、非常に安定したトレーニングと驚くほど高速な収束を実現しています。
- 高度な汎用性: YOLO26は、Oriented Bounding Box (OBB)、Pose Estimation、およびセグメンテーションをシームレスに処理し、ProgLossやSTALといったタスク固有の損失関数を用いて、比類の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する場合、汎用的なYOLO11や、オープンボキャブラリー検出タスクのための革新的なYOLO-Worldも検討対象となります。
Link to this section結論#
YOLOv5とYOLOv6-3.0は、いずれもコンピュータビジョンの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向けに優れたスループットを提供し、特殊なオフライン解析に適しています。しかし、YOLOv5は、堅牢で使いやすく、世界クラスのプラットフォームに支えられた非常に汎用性の高いモデルを必要とする開発者にとって、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フリーのデプロイメント、そして業界最高の開発者体験の究極のバランスを求めるなら、Ultralytics Platformを通じてYOLO26へアップグレードすることが、現代のビジョンAIソリューションにとって決定的な選択となります。