Link to this sectionYOLOv5 と YOLOv7 の比較#
コンピュータビジョンの分野は、より高速で高精度なリアルタイム物体検出へのニーズにより、ここ数年で急速に進化しました。コンピュータ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には、Ultralytics YOLOv5 や YOLOv7 といった一般的なモデル間の微妙な違いを理解することが不可欠です。この包括的な技術比較では、情報に基づいた決定を下せるよう、両者のアーキテクチャ、学習手法、パフォーマンス指標、および理想的なデプロイメントシナリオについて詳しく掘り下げます。
Link to this section概要：モデルの起源#
これらのモデルの背景にある起源と設計哲学を理解することで、そのアーキテクチャ上の選択の文脈を把握できます。
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ドキュメント
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
これらのモデルが他とどのように比較されるかに興味がありますか？YOLOv5 vs YOLO11 や YOLOv7 vs EfficientDet といった比較記事をチェックして、物体検出エコシステムへの理解を深めてください。
Link to this sectionアーキテクチャの革新と違い#
Link to this sectionYOLOv5：アクセシビリティの標準#
2020年に Ultralytics によって導入された YOLOv5 は、PyTorch フレームワークをネイティブに活用することでパラダイムシフトをもたらし、研究者や開発者にとっての参入障壁を大幅に下げました。そのアーキテクチャは修正された CSPDarknet53 バックボーンに依存しており、Cross Stage Partial (CSP) ネットワークを統合することで、勾配フローを維持しつつパラメータ数を削減しています。
その最大の強みの一つは、メモリ要件の低さです。従来の2ステージ検出器や、RT-DETR のような重い Transformer モデルと比較して、YOLOv5 は学習中の CUDA メモリ消費が大幅に少なく、標準的なコンシューマーグレードの GPU でもより大きなバッチサイズを扱えます。さらに、ネイティブ統合された 汎用性 により、画像分類、物体検出、および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。
Link to this sectionYOLOv7：リアルタイム精度の限界に挑む#
2022年中頃にリリースされた 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技術の限界を押し広げることに焦点を当てました。開発者は Extended Efficient Layer Aggregation Network (E-ELAN) を導入し、元の勾配パス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「学習可能なバッグ・オブ・フリービーズ（trainable bag-of-freebies）」でも有名で、特に学習中に複数のモジュールを単一の畳み込み層に変換する再パラメータ化手法により、精度を犠牲にすることなく推論速度を向上させています。しかし、この複雑な学習手法は、ネイティブな Ultralytics エコシステムと比較して、学習曲線が急であり、エクスポートパイプラインが複雑になりがちです。
Link to this sectionパフォーマンスの比較#
これらのモデルを評価する際、速度、精度、計算コストの間の 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いたパフォーマンス指標の詳細な比較を示します。
| 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 |
| YOLOv7l | 640 | 51.4 | - | 6.84 | 36.9 | 104.7 |
| YOLOv7x | 640 | 53.1 | - | 11.57 | 71.3 | 189.9 |
YOLOv7 はより大きなモデルサイズで絶対的な mAP スコアにおいて高い値を示しますが、YOLOv5 は極端なエッジデバイス向けの超軽量な Nano (YOLOv5n) から、クラウド推論向けの Extra-Large (YOLOv5x) まで、他に類を見ないモデルのラインナップを提供しています。
Link to this sectionUltralyticsエコシステムの利点#
モデルの有用性は、単なるアーキテクチャを超えて広がります。それを取り巻くエコシステムが、どのくらい迅速に本番環境へデプロイできるかを決定づけます。これこそが、Ultralytics モデルが優れている点です。
- 使いやすさ: Ultralytics Platform とその統一された Python API は、効率化されたユーザー体験、シンプルな構文、および詳細なドキュメントを提供します。カスタムデータセットの学習において、ボイラープレートコードは一切不要です。
- 十分に維持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、強力な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 といったツールとの統合機能が標準で備わっています。
- 学習効率: データローダー、スマートキャッシング、およびマルチ GPU サポートにより、Ultralytics モデルは非常に効率的に学習できます。すぐに利用可能な事前学習済みウェイトにより、転移学習 を劇的に加速させます。
Link to this sectionコード例：はじめに#
Ultralytics を使用すれば、モデルのデプロイに必要なのはわずか数行のコードです。以下の Python スニペットは、推奨される ultralytics パッケージを使用して、モデルのロード、学習、推論実行がいかに簡単かを示しています。
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()対照的に、オリジナルの YOLOv7 リポジトリを利用する場合は、一般的に複雑なリポジトリのクローン、手動での依存関係管理、および長いコマンドライン引数の操作が必要となります。
Link to this section実環境での応用と理想的なユースケース#
Link to this sectionYOLOv7を選択すべき時#
YOLOv7 は、学術的なベンチマークや、最大 mAP の達成のみが目的であり、システムがすでにアンカーベースの出力テンソルに最適化されているレガシーな GPU パイプラインにおいて、依然として有力な選択肢です。勾配パス解析を行う研究者は、ベースラインとして YOLOv7 を利用することがよくあります。
Link to this sectionYOLOv5を選択すべき場合#
YOLOv5 はその卓越した安定性から、本番環境において非常に好まれています。以下のような用途において最適な選択肢です。
- モバイルおよびエッジコンピューティング: CoreML を介した iOS へのデプロイ、または TFLite を介した Android へのデプロイ。
- アジャイルなスタートアップ: 迅速なイテレーション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学習のためのシームレスな Ultralytics Platform 統合の恩恵を受けられます。
- 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。
Link to this section未来: YOLO26 への移行#
YOLOv5 と YOLOv7 を比較することは、ビジョン AI の進化を理解するための優れた演習ですが、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、記念碑的な飛躍を遂げており、新しいプロジェクトにおいて古いアーキテクチャをほぼ時代遅れのものにしています。
パフォーマンスの頂点を求める開発者にとって、YOLO26 は YOLOv5 と YOLOv7 の両方に対して、いくつかの画期的な利点を提供します。
- エンドツーエンドの NMS フリー設計: NMS（Non-Maximum Suppression）後処理を排除することで、YOLO26 は劇的に簡素化されたデプロイメントと、より高速で一貫したレイテンシを実現します。
- MuSGD オプティマイザ: Moonshot AI による LLM の革新に触発されたこのハイブリッドオプティマイザは、非常に安定した学習と迅速な収束を提供します。
- 前例のないエッジスピード: エッジ環境に最適化されており、ナノバリアントは Distribution Focal Loss (DFL) を削除することで、CPU 推論を最大 43% 高速化 します。
- 優れた精度: ProgLoss + STAL のような新しい損失関数は、小さな物体の認識を劇的に向上させ、ドローン映像やロボティクスに最適です。
既存の YOLOv5 パイプラインを維持している場合でも、最新鋭の YOLO26 を実装しようとしている場合でも、Ultralytics Platform は現代のコンピュータ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。