Link to this sectionYOLOv5とYOLOv8の比較#
スケーラブルで効率的なコンピュータビジョンアプリケーションを構築する際、適切なアーキテクチャを選択することは極めて重要です。Ultralyticsエコシステムの進化は、常に速度と精度の限界を押し広げ、開発者に実環境へのデプロイに向けた強力なツールを提供してきました。本技術比較では、YOLOv5とYOLOv8の違いを掘り下げ、そのアーキテクチャ、パフォーマンスのトレードオフ、そして理想的なユースケースを検討し、次期AIプロジェクトに向けて十分な情報を得た上での意思決定を支援します。
これら2つのモデルは、リアルタイム物体検出の歴史における重要なマイルストーンであり、どちらもUltralyticsエコシステムの特徴である、高度に最適化されたメモリ要件と使いやすさの恩恵を受けています。
Link to this sectionYOLOv5：信頼性の高い業界標準#
2020年に導入されたYOLOv5は、高速で利用しやすく、信頼性の高い物体検出の業界標準として急速に普及しました。ネイティブなPyTorch実装を活用することで、世界中のエンジニアにとっての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。
- 著者: Glenn Jocher
- 組織: Ultralytics
- 日付: 2020-06-26
- GitHub: ultralytics/yolov5
- ドキュメント: YOLOv5ドキュメント
Link to this sectionアーキテクチャの強み#
YOLOv5はアンカーベースの検出パラダイムで動作し、事前に定義されたアンカーボックスを使用してオブジェクトの境界を予測します。そのアーキテクチャにはクロスステージ部分（CSP）ネットワークバックボーンが組み込まれており、勾配フローを最適化して計算の冗長性を削減しています。その結果、メモリフットプリントが非常に軽量になり、標準的なコンシューマー向けGPUでも非常に高速なトレーニングが可能となっています。
Link to this section理想的なユースケース#
YOLOv5 is highly recommended for projects where maximum throughput and minimal resource utilization are paramount. It excels in edge AI environments, such as deploying on Raspberry Pi or mobile devices. Its maturity means it has been thoroughly battle-tested in thousands of commercial deployments, offering unmatched stability for traditional object detection workflows.
Link to this sectionYOLOv8：統合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的なマルチタスクビジョンフレームワークへと進化し、記念碑的なアーキテクチャの転換点となりました。
- 著者: Glenn Jocher, Ayush Chaurasia, Jing Qiu
- 組織: Ultralytics
- 日付: 2023-01-10
- GitHub: ultralytics/ultralytics
- ドキュメント: YOLOv8ドキュメント
Link to this sectionアーキテクチャの革新#
前身モデルとは異なり、YOLOv8はアンカーフリーな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基づいてアンカー構成を手動で調整する必要がなくなり、一般的なCOCOデータセットなどの多様なカスタムデータセットに対する汎化性能が向上しました。
このアーキテクチャでは、バックボーンも旧来のC3モジュールからC2fモジュール（2つの畳み込み層を持つクロスステージ部分ボトルネック）へとアップグレードされています。この改良により、メモリに大きな負荷をかけることなく特徴表現能力が向上しました。さらに、オブジェクトネス、分類、回帰のタスクを分離するデカップルヘッドの実装により、モデルトレーニング中の収束速度が劇的に改善されています。
Link to this section汎用性とPython API#
YOLOv8は最新のultralytics Python APIを導入し、さまざまなコンピュータビジョンタスクにわたるワークフローを標準化しました。画像セグメンテーション、画像分類、または姿勢推定のいずれを実行する場合でも、統一されたAPIにより、わずかな構成変更のみで対応可能です。
from ultralytics import YOLO
# Load a pretrained YOLOv8 model
model = YOLO("yolov8n.pt")
# Train on a custom dataset with built-in memory efficiency
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# Run inference and easily parse results
predictions = model("https://ultralytics.com/images/bus.jpg")
predictions[0].show()Link to this section詳細なパフォーマンス比較#
2世代を比較すると、古典的なトレードオフが見て取れます。YOLOv8は全体としてより高い平均適合率（mAP）を達成しますが、YOLOv5は最小構成モデルにおいて、絶対的な推論速度とパラメータ数でわずかに優位性を維持しています。
以下は、画像サイズ640ピクセルにおけるCOCOデータセットでの詳細なパフォーマンスメトリクスの比較です。
| 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 |
| YOLOv8n | 640 | 37.3 | 80.4 | 1.47 | 3.2 | 8.7 |
| YOLOv8s | 640 | 44.9 | 128.4 | 2.66 | 11.2 | 28.6 |
| YOLOv8m | 640 | 50.2 | 234.7 | 5.86 | 25.9 | 78.9 |
| YOLOv8l | 640 | 52.9 | 375.2 | 9.06 | 43.7 | 165.2 |
| YOLOv8x | 640 | 53.9 | 479.1 | 14.37 | 68.2 | 257.8 |
データから、YOLOv8が精度の面で大幅な向上をもたらしていることがわかります。例えば、YOLOv8sは44.9 mAPを達成するのに対し、YOLOv5sは37.4 mAPです。この飛躍的な向上は、密集した環境や小さな物体を識別する際のパフォーマンスを著しく改善します。ただし、極めて制約の厳しい環境向けには、最小のパラメータ数とFLOPsを誇るYOLOv5nが依然として非常に効率的です。
どちらのモデルも、transformerモデルのようなより重いアーキテクチャと比較して、トレーニング中のCUDAメモリ使用量が低くなるよう高度に最適化されています。これにより、実務者は標準的なGPU上でより大きなバッチサイズを使用でき、研究ライフサイクルを加速させることができます。
Link to this sectionエコシステムの優位性#
YOLOv5かYOLOv8のどちらを選択しても、開発者は十分にメンテナンスされたUltralytics Platformを利用できます。この統合環境は、データセットのアノテーション、ハイパーパラメータチューニング、クラウドトレーニング、モデル監視のためのシンプルなツールを提供します。活発な開発と強力なコミュニティサポートにより、開発者は問題を迅速に解決し、Weights & BiasesやClearMLといった外部ツールと統合することができます。
他のフレームワークでは学習曲線が急になることがありますが、Ultralyticsは合理化されたユーザーエクスペリエンスを優先しており、多様な実環境のデプロイメントシナリオに適した、速度と精度の好ましいトレードオフを確実に実現します。
Link to this sectionv8を超えて：YOLO11とYOLO26の探求#
YOLOv8は非常に有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。最先端のパフォーマンスに関心のある開発者は、v8をベースに精度と速度を向上させたYOLO11も検討すべきです。
コンピュータビジョン技術の真の最先端を追求する方には、**Ultralytics YOLO26**を強く推奨します。2026年にリリースされたYOLO26は、大きな飛躍を遂げました。
- エンドツーエンドのNMSフリー設計： 実験的なアーキテクチャで初めて採用されたYOLO26は、Non-Maximum Suppression（NMS）の後処理をネイティブで排除し、デプロイパイプラインを劇的にシンプルかつ高速化します。
- MuSGDオプティマイザ： Kimi K2のようなモデルで見られるLLMトレーニングの革新から着想を得たYOLO26は、ハイブリッドオプティマイザを利用して、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の習熟： 前世代と比較して最大43%のCPU推論高速化を実現しており、専用GPUを持たないデバイスにとって究極のモデルです。
- 精度の向上： 新しいProgLoss + STAL損失関数を活用することで、ロボティクスや航空ドローン画像にとって重要な、小さな物体の認識能力を劇的に向上させています。
YOLOv5でレガシーシステムを維持する場合でも、YOLOv8で多用途なアプリケーションをスケールさせる場合でも、あるいはYOLO26の最先端機能で革新を図る場合でも、Ultralyticsスイートは現代のビジョンAIで成功するために必要な包括的なツールを提供します。