YOLOv5 vs YOLOv7#

コンピュータービジョンの分野は、より高速で高精度なリアルタイム物体検出への需要に後押しされ、ここ数年で急速に進化してきました。コンピュータービジョンプロジェクトに適したアーキテクチャを選択する際、Ultralytics YOLOv5やYOLOv7などの人気モデルの違いを理解することが重要です。本技術比較では、十分な情報に基づいて判断できるよう、両モデルのアーキテクチャ、トレーニング手法、パフォーマンス指標、最適なデプロイシナリオを詳しく検証します。

概要：モデルの起源#

これらのモデルの起源と設計思想を理解することで、それぞれのアーキテクチャ上の選択に関する背景を把握できます。

YOLOv5の詳細:

• 著者: Glenn Jocher
• 組織: Ultralytics
• 日付: 2020-06-26
• GitHub: YOLOv5リポジトリ
• ドキュメント: YOLOv5 Documentation

YOLOv7の詳細：

• 著者: Chien-Yao Wang、Alexey Bochkovskiy、Hong-Yuan Mark Liao
• 組織: 台湾中央研究院情報科学研究所
• 日付： 2022-07-06
• Arxiv： YOLOv7論文
• GitHub： YOLOv7リポジトリ
• ドキュメント： YOLOv7ドキュメント

YOLOv7について詳しく見る

アーキテクチャの革新と相違点#

YOLOv5：アクセシビリティの標準#

2020年にUltralyticsが発表したYOLOv5は、PyTorchフレームワークをネイティブに利用することでパラダイムシフトをもたらし、研究者や開発者が利用を始める際の障壁を大幅に下げました。そのアーキテクチャは、修正版CSPDarknet53バックボーンを基盤とし、クロスステージ・パーシャル（CSP）ネットワークを統合することで、勾配フローを維持しながらパラメーター数を削減しています。

最大の強みの一つは、メモリ要件です。従来の2段階検出器やRT-DETRのような大規模なTransformerモデルと比較して、YOLOv5はトレーニング中に必要なCUDAメモリが大幅に少ないため、一般的なコンシューマー向けGPUでより大きなバッチサイズを使用できます。さらに、ネイティブに統合された汎用性により、画像分類、物体検出、画像セグメンテーションをシームレスにサポートします。

YOLOv7：リアルタイム精度の限界を押し広げるモデル#

2022年半ばにリリースされたYOLOv7は、MS COCOベンチマークにおけるリアルタイム検出の最先端性能の限界を押し広げることに注力しました。著者らは拡張効率的レイヤー集約ネットワーク（E-ELAN）を導入し、元の勾配経路を破壊することなくネットワークの学習能力を向上させました。

YOLOv7は、「トレーニング可能なfreebiesの組み合わせ」でも有名です。特にトレーニング中の再パラメーター化技術では、推論時に複数のモジュールを単一の畳み込み層へ変換し、精度を犠牲にすることなく速度を向上させます。ただし、この複雑なトレーニング手法により、ネイティブのUltralyticsエコシステムと比較すると、学習曲線が急になり、エクスポートパイプラインも分かりにくくなることがよくあります。

性能比較#

これらのモデルを評価する際には、速度、精度、計算コストのパフォーマンスバランスが最も重要です。以下に、MS COCO val2017データセットに基づく両モデルのパフォーマンス指標の詳細な比較を示します。

YOLOv7は大規模なバリアントでより高い絶対mAPスコアを達成しますが、YOLOv5は、極めて軽量なエッジデバイス向けのNano（YOLOv5n）から、クラウド推論向けのExtra-Large（YOLOv5x）まで、他に類を見ない幅広いモデル群を提供します。

Ultralyticsエコシステムの優位性#

モデルの有用性は生のアーキテクチャだけで決まるものではありません。そのモデルを取り巻くエコシステムが、プロダクション環境へどれだけ迅速にデプロイできるかを左右します。ここでUltralyticsモデルの強みが発揮されます。

• 使いやすさ： Ultralytics Platformと統合されたPython APIにより、合理化されたユーザー体験、シンプルな構文、充実したドキュメントを利用できます。カスタムデータセットのトレーニングにボイラープレートコードは一切必要ありません。
• 適切に保守されたエコシステム： Ultralyticsは、活発な開発、頻繁なアップデート、充実したコミュニティサポートの恩恵を受けています。Comet MLやWeights & Biasesなどのツールとの統合機能も最初から組み込まれています。
• トレーニング効率： データローダー、スマートキャッシュ、マルチGPUサポートにより、Ultralyticsモデルは非常に効率よくトレーニングできます。すぐに利用できる事前トレーニング済み重みを使えば、転移学習を大幅に高速化できます。

コード例: 入門#

Ultralyticsを使用すると、モデルのデプロイに必要なコードは数行 בלבדです。以下のPythonスニペットでは、推奨されるultralyticsパッケージを使用して、モデルの読み込み、トレーニング、推論を実行する方法を示します。

from ultralytics import YOLO

# Load a pretrained YOLOv5s model
model = YOLO("yolov5s.pt")

# Train the model on the COCO8 example dataset
# Ultralytics automatically handles data downloading and augmentation
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

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

# Display the predictions
predictions[0].show()

一方、元のYOLOv7リポジトリを使用する場合は、一般的に複雑なリポジトリのクローン、依存関係の手動管理、長いコマンドライン引数の使用が必要になります。

実環境でのアプリケーションと最適なユースケース#

YOLOv7を選ぶタイミング#

YOLOv7は、学術的なベンチマークや、最大mAPのみを目的とし、システムがすでにアンカーベースの出力テンソル向けに調整されている特定のレガシーGPUパイプラインにおいて、依然として有力な候補です。勾配経路分析を行う研究者は、YOLOv7をベースラインとして使用することがよくあります。

YOLOv5を選ぶべきケース#

YOLOv5は、卓越した安定性により、プロダクション環境で高く評価されています。次の用途に適した第一の選択肢です。

• モバイルおよびエッジコンピューティング： CoreMLを使用してYOLOv5nをiOSに、またはTFLiteを使用してAndroidにデプロイできます。
• アジャイルなスタートアップ： 迅速な反復サイクルを必要とするチームは、データセット管理とクラウドトレーニング向けのシームレスなUltralytics Platform統合のメリットを得られます。
• マルチタスク環境： 物体検出、分類、セグメンテーションを同時に必要とするシステムに適しています。

将来：YOLO26への移行#

YOLOv5とYOLOv7の比較はビジョンAIの進化を理解するうえで優れた題材ですが、最先端技術は進歩し続けています。2026年1月にリリースされたUltralytics YOLO26は、飛躍的な進化を遂げており、新規プロジェクトでは従来のアーキテクチャがほぼ時代遅れになるほどの大幅な前進を示しています。

最高水準のパフォーマンスを求める開発者に対して、YOLO26はYOLOv5とYOLOv7の両方を上回る、画期的な優位性をいくつか提供します。

• エンドツーエンドのNMS不要設計： Non-Maximum Suppressionの後処理を排除することで、YOLO26はデプロイを大幅に簡素化し、高速で一貫したレイテンシーを実現します。
• MuSGDオプティマイザー： Moonshot AIによるLLMのイノベーションから着想を得たこのハイブリッドオプティマイザーは、非常に安定したトレーニングと高速な収束を実現します。
• 前例のないエッジ速度： エッジ環境向けに特別に最適化されており、NanoバリアントはDistribution Focal Loss（DFL）を削除することで、CPU推論が最大43%高速化されます。
• 優れた精度： ProgLoss + STALなどの新しい損失関数により、小さな物体の認識精度が大幅に向上し、ドローン映像やロボティクスに最適です。

既存のYOLOv5パイプラインを保守する場合でも、最先端のYOLO26を導入する場合でも、Ultralytics Platformは最新のコンピュータービジョンで成功するために必要なすべてのツールを提供します。