YOLOv6-3.0とYOLOv5の比較
リアルタイム物体検出のアーキテクチャは、さまざまなデプロイシナリオに合わせて最適化されてきました。この比較では、産業用途に重点を置いたYOLOv6-3.0と、基盤的で汎用性の高いUltralytics YOLOv5という2つの代表的なモデルを取り上げます。それぞれのアーキテクチャ上の選択、性能指標、エコシステムのサポートを理解することで、実際のアプリケーションに最適なコンピュータービジョンフレームワークを選びやすくなります。
YOLOv6-3.0:産業向けスループットとハードウェア最適化#
MeituanのVision AI部門が開発したYOLOv6-3.0は、高スループットの産業環境に特化しています。専用NVIDIA GPUなどのハードウェアアクセラレータ上で、フレームレートを最大化することに重点を置いています。
- 著者: Chuyi Li、Lulu Li、Yifei Geng、Hongliang Jiang、Meng Cheng、Bo Zhang、Zaidan Ke、Xiaoming Xu、Xiangxiang Chu
- 組織: Meituan
- 日付: 2023-01-13
- arXiv: 2301.05586
- GitHub: meituan/YOLOv6
- ドキュメント: YOLOv6ドキュメント
アーキテクチャの強み#
YOLOv6-3.0は速度を目的とした複数の構造的な最適化を導入しています。このモデルは、GPU推論時のハードウェア親和性を高めるよう特別に設計されたEfficientRepバックボーンを使用します。このため、オフラインのバッチ処理タスクに適したアーキテクチャとなっています。
トレーニング段階では、アンカー支援トレーニング (AAT)戦略を採用しています。このアプローチでは、アンカーベースのトレーニングの安定性と、アンカーフリー推論の速度を組み合わせます。さらに、ネックアーキテクチャには双方向連結 (BiC)モジュールを使用し、異なるスケール間の特徴融合を改善します。TensorRTを使用する高性能サーバーGPU向けに高度に最適化されていますが、この特化により、CPUのみの環境や低消費電力のエッジデバイスではレイテンシが増加する場合があります。
Ultralytics YOLOv5:手軽なビジョンAIの先駆け#
2020年にUltralyticsからリリースされたYOLOv5は、使いやすさ、トレーニング効率、デプロイの選択肢が評価され、広く採用されました。最新のディープラーニングワークフローとの緊密な統合により、高性能な物体検出を幅広く利用できるようにしました。
- 著者: Glenn Jocher
- 組織: Ultralytics
- 日付: 2020-06-26
- GitHub: ultralytics/yolov5
- プラットフォーム:Ultralytics Platform
エコシステムと汎用性#
YOLOv5の特徴は、使いやすさです。PyTorchフレームワークをネイティブに基盤とするこのリポジトリは、機械学習のライフサイクルを簡素化する統一されたPython APIを提供します。データセットの設定から最終的なデプロイまで、統合されたエコシステムにより、開発者は環境のデバッグに費やす時間を減らし、アプリケーションの構築により多くの時間を使えます。
YOLOv5は物体検出だけに限定されません。汎用性に優れ、インスタンスセグメンテーションと画像分類を標準でサポートするとともに、スマートキャッシュ、自動データローダー、マルチGPU分散トレーニングの組み込みサポートによって、トレーニング効率も高めています。
モデルアーキテクチャを比較する際、メモリ消費量は重要な要素です。Ultralytics YOLOモデルは、トレーニングと推論の両方で、メモリ使用量の多いTransformerモデルよりもVRAM要件が低く、コンシューマー向けハードウェアやGoogle Colabなどのクラウドノートブックを利用する開発者にも使いやすくなっています。
パフォーマンスとアーキテクチャの比較#
以下の表では、標準的なCOCOデータセットで評価した両アーキテクチャのパフォーマンス指標を示します。環境ごとに、モデルが平均適合率と推論速度のトレードオフをどのように調整しているかに注目してください。
| 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) |
|---|---|---|---|---|---|---|
| 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 |
| YOLOv5n | 640 | 28.0 | - | 1.12 | 1.9 | 4.5 |
| YOLOv5s | 640 | 37.4 | - | 1.92 | 7.2 | 16.5 |
| YOLOv5m | 640 | 45.4 | - | 4.03 | 21.2 | 49.0 |
| YOLOv5l | 640 | 49.0 | - | 6.61 | 46.5 | 109.1 |
| YOLOv5x | 640 | 50.7 | - | 11.89 | 86.7 | 205.7 |
分析#
YOLOv6-3.0は、同程度のモデルサイズでより高いmAPを達成し、T4 GPU上のTensorRTパイプライン向けに高度に最適化されています。一方、YOLOv5はONNX、CoreML、LiteRTなど、複数の形式への直接エクスポートに対応した保守性に優れたエコシステムを備えています。この性能バランスにより、YOLOv5は専用サーバーだけでなく、モバイルデバイスやRaspberry Piなどのエッジコンピューティング環境でも安定して動作します。
コード例: Ultralyticsによるトレーニング#
Ultralyticsエコシステムの大きな利点は、ユーザー体験が簡潔であることです。モデルのトレーニング、評価、エクスポートは、数行のPythonコードだけで実行できます。
from ultralytics import YOLO
# 学習済みのYOLOv5 smallモデルを読み込みます
model = YOLO("yolov5su.pt") # YOLOv5u: ultralyticsパッケージ向けのアンカーフリーYOLOv5重み
# COCO8データセットでモデルをトレーニングします
# APIがデータセットのダウンロードとハイパーパラメーター設定を自動的に処理します
results = model.train(data="coco8.yaml", epochs=50, imgsz=640)
# 画像に対して推論を実行する
predictions = model("https://ultralytics.com/images/bus.jpg")
# 柔軟にデプロイできるよう、モデルをONNX形式にエクスポートします
model.export(format="onnx")最適なユースケースとデプロイシナリオ#
これらのアーキテクチャから選択する際は、多くの場合、インフラストラクチャ固有の制約が決め手になります。
- YOLOv6-3.0をデプロイする場合:専用NVIDIA GPUを利用でき、レイテンシを最小限に抑える必要がある、自動化された製造ラインや高スループットのサーバー分析に最適です。TensorRTの最適化を最大限に活用できる環境で、そのアーキテクチャの強みを発揮します。
- YOLOv5をデプロイする場合: ラピッドプロトタイピング、クロスプラットフォームへのデプロイ、統一されたパイプラインを求めるチームに適した選択肢です。多様なエクスポート機能により、エッジデバイスでの小売分析や農業用ドローンの監視に適しています。
物体検出の未来:YOLO26の登場#
YOLOv5とYOLOv6は大きな節目となるモデルですが、コンピュータービジョンの分野は急速に進歩しています。新しいプロジェクトを始める開発者や最先端のパフォーマンスを求める開発者には、UltralyticsはUltralytics YOLO26(2026年1月リリース)へのアップグレードを推奨します。
YOLO26はエッジファーストのビジョンAI向けに設計され、オプションのエンドツーエンドNMSフリーデザインを導入しています。nms=FalseでNMSフリーヘッドを選択すると、Non-Maximum Suppressionによる後処理を省略でき、デプロイのロジックが簡素化されてレイテンシのばらつきが低減します。
YOLO26の主な革新点は次のとおりです。
- MuSGDオプティマイザー: SGDとMuonのハイブリッドであり、大規模言語モデル (LLM) のトレーニングの安定性をコンピュータービジョンにもたらし、より高速で信頼性の高い収束を実現します。
- CPU推論が最大43%高速: YOLO26nはYOLO11nよりもCPU上で最大43%高速に動作し、専用アクセラレーターのない環境で役立ちます。
- DFLの削除:Distribution Focal Lossを削除することで、エクスポートプロセスが簡素化され、低消費電力のエッジデバイスとの互換性が向上します。
- ProgLoss + STAL: プログレッシブロスと小物体を考慮したラベル割り当てにより、小物体の認識性能が向上します。これは、航空画像やスマートシティのIoTセンサーで重要です。
汎用タスクでは、YOLO11もUltralyticsファミリーで引き続き完全にサポートされる選択肢です。
結論#
YOLOv6-3.0とYOLOv5は、どちらもリアルタイム検出の発展に重要な役割を果たしてきました。YOLOv6-3.0はGPUアクセラレーションによるスループットに特化したアーキテクチャを提供し、YOLOv5は充実したドキュメント、使いやすさ、マルチタスク機能を通じて優れた開発者体験を実現します。
最新のアプリケーションには、統合されたUltralyticsエコシステムが、継続的に保守されるワークフローを提供します。YOLO26などの最新アーキテクチャを採用することで、デプロイパイプラインは速度、精度、シンプルさに関する最新の改善を活用できます。
コメント
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。