はじめる

YOLOv5とYOLOv8

スケーラブルで効率的なコンピュータービジョンアプリケーションを構築する際は、適切なアーキテクチャの選択が重要です。Ultralyticsエコシステムは速度と精度を継続的に向上させ、実環境へのデプロイに役立つ堅牢なツールを開発者に提供してきました。この技術比較では、YOLOv5とYOLOv8の違いを検証し、アーキテクチャ、性能上のトレードオフ、理想的なユースケースを解説することで、次のAIプロジェクトで情報に基づいた判断ができるよう支援します。

どちらのモデルも、リアルタイム物体検出の歴史における重要な節目であり、Ultralyticsエコシステムの特徴であるメモリ要件の低さと使いやすさを備えています。

YOLOv5:信頼される業界標準#

2020年に登場したYOLOv5は、高速で利用しやすく、信頼性の高い物体検出の標準として急速に普及しました。ネイティブなPyTorch実装を活用し、世界中のエンジニアにとってトレーニングとデプロイのライフサイクルを効率化しました。

アーキテクチャの強み#

YOLOv5はアンカーベースの検出方式を採用し、事前定義されたアンカーボックスを使って物体の境界を予測します。アーキテクチャには、勾配の流れを最適化し、計算の重複を減らすCross-Stage Partial(CSP)ネットワークのバックボーンが組み込まれています。その結果、メモリ使用量が少なく、一般的なコンシューマー向けGPUでも高速にトレーニングできます。

最適なユースケース#

YOLOv5は、スループットの最大化とリソース使用量の最小化を重視するプロジェクトに適しています。エッジAI環境で優れた性能を発揮し、Raspberry Piやモバイルデバイスへのデプロイにも適しています。成熟したモデルであり、数千件の商用デプロイで実績を積んでいるため、従来型の物体検出ワークフローでも安定した動作が期待できます。

レガシー環境へのデプロイにおける強み

広く普及しているため、YOLOv5にはTensorRTやONNXなどのデプロイフレームワークに対応した、安定性と検証実績のあるエクスポート手段が用意されており、旧来の技術スタックにも簡単に統合できます。

YOLOv8:統合型ビジョンフレームワーク#

2023年1月にリリースされたYOLOv8は、専用の物体検出器から汎用性の高いマルチタスクビジョンフレームワークへと進化し、アーキテクチャを大きく転換しました。

アーキテクチャの革新#

前世代とは異なり、YOLOv8はアンカーフリーの検出ヘッドを導入しています。これにより、データセットの分布に応じてアンカー設定を手動で調整する必要がなくなり、広く使われているCOCOデータセットから多様なカスタムデータまで、データセット全般にわたって汎化性能が向上します。

アーキテクチャでは、バックボーンも強化されています。2つの畳み込みを備えたCross-Stage Partialボトルネック(C2f)モジュールが、従来のC3モジュールに代わって導入されました。この強化により、メモリに大きな負荷をかけずに特徴表現が向上します。さらに、分類と回帰のタスクを分離する分離型ヘッドを実装することで、モデルのトレーニングにおける収束が改善されます。

汎用性とPython API#

YOLOv8では、最新のultralytics Python APIが導入され、さまざまなコンピュータービジョンタスクのワークフローが標準化されました。インスタンスセグメンテーション、画像分類、姿勢推定のいずれを実行する場合も、統一APIなら設定の変更は最小限で済みます。

from ultralytics import YOLO

# 事前学習済みのYOLOv8モデルを読み込みます
model = YOLO("yolov8n.pt")

# 組み込みのメモリ効率を活用してカスタムデータセットで学習します
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# 推論を実行し、結果を簡単に解析します
predictions = model("https://ultralytics.com/images/bus.jpg")
predictions[0].show()

詳細なパフォーマンス比較#

2世代を比較すると、典型的なトレードオフが見られます。YOLOv8は全般的に平均適合率(mAP)が高い一方、YOLOv5は最小モデルで実測推論速度とパラメーター数に優位性を保っています。

以下に、画像サイズ640ピクセルでCOCOデータセットを使用した場合の性能指標を詳しく比較します。

モデルサイズ
(ピクセル)
mAPval50-95速度
CPU ONNX
(ms)
速度
T4 TensorRT10
(ms)
パラメーター
(M)
FLOPs
(B)
YOLOv5n64028.0-1.121.94.5
YOLOv5s64037.4-1.927.216.5
YOLOv5m64045.4-4.0321.249.0
YOLOv5l64049.0-6.6146.5109.1
YOLOv5x64050.7-11.8986.7205.7
YOLOv8n64037.380.41.473.28.7
YOLOv8s64044.9128.42.6611.228.6
YOLOv8m64050.2234.75.8625.978.9
YOLOv8l64052.9375.29.0643.7165.1
YOLOv8x64053.9479.114.3768.2257.8

データからは、YOLOv8が精度を大幅に向上させていることが分かります。たとえば、YOLOv8sは44.9 mAPを達成し、YOLOv5sの37.4 mAPに対して7.5ポイント向上しています。この差は、物体が密集するシーンや小さな物体の検出に役立ちます。一方、リソースが非常に限られた環境では、YOLOv5nが最も効率的な選択肢であり、パラメーター数とFLOPsが最小です。

メモリ要件

どちらのモデルも、Transformerモデルのような大規模なアーキテクチャと比べ、学習時のCUDAメモリ使用量が少なくなるよう高度に最適化されています。そのため、標準的なGPUでより大きなバッチサイズを使用でき、研究サイクルを短縮できます。

エコシステムの強み#

YOLOv5またはYOLOv8を選ぶと、開発者は十分に整備されたUltralytics Platformを利用できます。この統合環境には、データセットのアノテーション、クラウド学習、モデルのモニタリングを行うシンプルなツールが備わっています。また、ultralyticsパッケージにはハイパーパラメーター調整機能が組み込まれています。活発な開発と強力なコミュニティサポートにより、問題をすばやく解決し、Weights & BiasesやClearMLなどの外部ツールと連携できます。

ほかのフレームワークでは習得に時間がかかることがありますが、Ultralyticsはシンプルなユーザー体験を重視しており、さまざまな実環境へのデプロイに適した、速度と精度のバランスを実現しています。

v8の先へ:YOLO11とYOLO26を探る#

YOLOv8は高性能なフレームワークですが、人工知能の分野は急速に進化しています。最先端の性能を求める開発者は、v8を基盤に精度と速度を向上させたYOLO11も検討してください。

新規プロジェクトには、UltralyticsがUltralytics YOLO26を推奨します。2026年1月にリリースされたYOLO26では、次のような改善が導入されています。

  • エンドツーエンドのNMSフリーデザイン: YOLOv10がYOLOモデルに導入したNMSフリー学習を基盤として、YOLO26のオプションのワン・ツー・ワンヘッド(nms=False)は非極大抑制の後処理を排除し、デプロイパイプラインを簡素化して高速化します。
  • MuSGDオプティマイザー: Kimi K2のようなモデルに見られるLLMトレーニングの革新に着想を得て、YOLO26はハイブリッドオプティマイザーを採用し、より安定したトレーニングと高速な収束を実現します。
  • エッジコンピューティング: YOLO26nはYOLO11nよりCPUで最大43%高速に動作するため、専用GPUを搭載していないデバイスにも適しています。
  • 精度の向上: 新しいプログレッシブロスと小さな対象物を考慮したラベル割り当て(ProgLoss + STAL)を活用して、小物体認識を改善します。これはロボティクスやドローンによる航空画像の分野で重要です。

YOLOv5を使ったレガシーシステムの保守、YOLOv8を使った汎用アプリケーションの拡張、新規プロジェクトへのYOLO26の採用など、どのような場合でも、Ultralyticsエコシステムは最新のビジョンAIをトレーニング、デプロイ、保守するためのツールを提供します。

コントリビューター

コメント1

質問したり、結果を共有したり、ほかの人をサポートしたりできます。

  1. EllaSophiaGitHub(編集済み)

    Excellent breakdown of YOLOv5 vs. YOLOv8! It's clear how YOLOv8 introduces major improvements in model architecture, task flexibility, and training pipeline. This YOLOv8 comparison really helps in understanding how far the framework has evolved, especially for those upgrading from YOLOv5.