YOLOv6-3.0とYOLOv5の比較#
リアルタイム物体検出の進化に伴い、さまざまなデプロイシナリオに最適化された複数のアーキテクチャが登場しました。ここでは、産業用途に重点を置くYOLOv6-3.0と、基盤的な存在で汎用性に優れたUltralytics YOLOv5という、代表的な2つのモデルを詳しく比較します。それぞれのアーキテクチャの選択、パフォーマンス指標、エコシステムのサポートを理解することで、実環境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択できます。
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、速度を高めるために設計され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EfficientRepバックボーンを採用しており、GPU推論時のハードウェア効率を高めるよう特別に設計されています。このため、オフラインのバッチ処理タスクに特に適したアーキテクチャです。
学習時には、モデルはアンカー支援学習（AAT）戦略を採用します。この手法は、アンカーベース学習の安定性とアンカーフリー推論の速度を両立させようとするものです。また、ネックアーキテクチャでは双方向連結（BiC）モジュールを使用して、異なるスケール間の特徴融合を改善します。TensorRTを使うハイエンドサーバー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のみのデバイス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#
UltralyticsがリリースしたYOLOv5は、使いやすさ、学習効率、堅牢なデプロイにおいて新たな標準を確立しました。最新のディープラーニングワークフローと緊密に統合することで、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フレームワーク上にネイティブに構築されたリポジトリは、機械学習のライフサイクルを大幅に簡素化する、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かける時間を減らし、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は物体検出にとどまりません。汎用性にも優れ、画像分類やインスタンスセグメンテーションをネイティブにサポートします。さらに、スマートキャッシュ、自動データローダー、分散マルチGPU学習の組み込みサポートを備え、比類のない学習効率を実現します。
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、学習時と推論時のどちらにおいても、Transformerモデルと比べてVRAM要件が大幅に低いため、一般向けハードウェアやGoogle Colabのようなクラウドノートブックを使う開発者でも利用し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) | mAPval 50-95 | 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は優れたmAPスコアを達成し、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は複数の形式への即時エクスポートをサポートする、非常に優れた十分にメンテナンスされたエコシステムを備えています。そのパフォーマンスバランスにより、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。ONNX、CoreML、LiteRTなどの形式に対応しています。
コード例：Ultralyticsでのシームレスな学習#
Ultralyticsエコシステムの大きな利点の1つは、合理化されたユーザー体験です。モデルの学習、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：迅速なプロトタイピング、クロスプラットフォームのデプロイ、統一されたパイプラインを求めるチームに最適です。多様なエクスポート機能により、エッジデバイスを使った小売分析や、農業用ドローンのモニタリングに適しています。
物体検出の未来：YOLO26の登場#
YOLOv5とYOLOv6は重要な節目となるモデルですが、コンピュータービジョン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、最先端の性能を求める開発者には、Ultralytics YOLO26（2026年1月リリース）へのアップグレードを強くお勧めします。
YOLO26は、画期的なエンドツーエンドNMSフリー設計を導入し、エッジを重視したビジョンAIを再定義します。nms=Falseを指定してNMSフリーヘッドを選択すると、非最大値抑制の後処理が不要になり、デプロイロジックが簡素化され、レイテンシのばらつきが大幅に低減します。
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、LLM学習の高度な安定性をコンピュータービジョンにもたらし、より速く信頼性の高い収束を実現します。
- 最大43%高速なCPU推論：専用アクセラレーターのない環境向けに高度に最適化されています。
- 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：高度な損失関数により、小さな物体の認識性能が大幅に向上します。これは、航空画像やスマートシティのIoTセンサーに不可欠です。
汎用タスクでは、YOLO11も、Ultralyticsファミリーの中で優れた、完全にサポートされている選択肢です。
結論#
YOLOv6-3.0とYOLOv5は、どちらもリアルタイム検出の発展において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、比類のない開発者エクスペリエンスを実現します。
最新のアプリケーションでは、統合されたUltralyticsエコシステムを活用することで、将来を見据えたワークフローを実現できます。YOLO26のような最新アーキテクチャを採用すれば、速度、精度、アルゴリズムのシンプルさにおける最新のブレークスルーをデプロイメントパイプラインに活用できます。