YOLOv6-3.0とYOLOv5の比較#
リアルタイム物体検出の進化では、さまざまなデプロイシナリオに合わせて最適化された複数のアーキテクチャが登場してきました。本稿では、業界向けに設計されたYOLOv6-3.0と、基盤モデルとして高い汎用性を持つ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上の選択、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、実際のアプリケーションに最適なコンピュータビジョンフレームワークを選択しやすくなります。
YOLOv6-3.0：産業用スループットとハードウェア最適化#
MeituanのVision AI Departmentによって開発されたYOLOv6-3.0は、高スループットの産業環境向けに大きく最適化されています。専用の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
アーキテクチャ上の強み#
YOLOv6-3.0は、速度を向上させるために設計された複数の構造的最適化を導入しています。このモデルはEfficientRepバックボーンを使用しており、GPU推論時にハードウェアで効率的に動作するよう特別に設計されています。そのため、このアーキテクチャはオフラインのバッチ処理タスクで特に高い性能を発揮します。
トレーニングフェーズでは、モデルに**Anchor-Aided Training (AAT)戦略が組み込まれています。このアプローチは、アンカーベース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ることを目指しています。さらに、ネックのアーキテクチャではBi-directional Concatenation (BiC)**モジュールを使用し、異なるスケール間での特徴融合を改善しています。TensorRTを使用するハイエンドのサーバーGPU向けに高度に最適化されている一方で、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：利用しやすいVision AIの先駆者#
UltralyticsがリリースしたYOLOv5は、使いやすさ、トレーニング効率、堅牢なデプロイの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深く統合することで、高性能な物体検出を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の最大の特徴は、その使いやすさです。PyTorchフレームワーク上にネイティブに構築されており、リポジトリには機械学習のライフサイクルを大幅に簡素化する統合Python APIが用意されています。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って、開発者は環境のデバッグに費やす時間を減らし、アプリケーション開発により多くの時間を使えるようになります。
YOLOv5は物体検出だけに限定されません。汎用性にも優れており、画像分類と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ています。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トレーニングの組み込みサポートを備え、卓越したトレーニング効率を実現します。
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、トレーニングと推論の両方で、サイズの大きいTransformerモデルと比べて必要なVRAMが大幅に少ないため、コンシューマー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用する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、標準のCOCOデータセットで評価した場合の、両アーキテクチャのパフォーマンス指標を示します。異なる環境において、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） | パラメーター数 （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 | 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 |
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、ONNX、CoreML、TFLiteなど複数の形式への即時エクスポートをサポートする、非常によく整備されたエコシステムを備えています。このパフォーマンスのバランスにより、YOLOv5は専用サーバーだけでなく、モバイルデバイスやRaspberry Piのような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によるシームレスなトレーニング#
Ultralyticsエコシステムの最大の利点の1つは、合理化されたユーザーエクスペリエンスです。モデルのトレーニング、評価、エクスポートに必要なPythonコードは数行 בלבדです。
from ultralytics import YOLO
# Load a pre-trained YOLOv5 small model
model = YOLO("yolov5s.pt")
# Train the model on the COCO8 dataset
# The API automatically handles dataset downloads and hyperparameter configuration
results = model.train(data="coco8.yaml", epochs=50, imgsz=640)
# Run inference on an image
predictions = model("https://ultralytics.com/images/bus.jpg")
# Export the model to ONNX format for flexible deployment
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のどちらを選択するかは、多くの場合、具体的なインフラストラクチャの制約によって決まります。
- YOLOv6-3.0をデプロイする場合: 専用の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製造ラインや高スループットのサーバー分析に適しています。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性能を発揮します。
- YOLOv5をデプロイする場合: 高速なプロトタイピング、クロスプラットフォームデプロイ、統合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、エッジデバイスでの小売分析、農業用ドローンの監視、フィットネスアプリケーションにおける姿勢推定に適しています。
物体検出の未来：YOLO26の登場#
YOLOv5とYOLOv6は重要なマイルストーンとなっていますが、コンピュータ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開始する開発者や、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推奨します。
YOLO26は、画期的なエンドツーエンドNMSフリーデザインを導入することで、エッジファーストのVision AIを再定義します。非最大抑制の後処理が不要になるため、デプロイロジックが簡素化され、レイテンシの変動が大幅に抑えられます。
YOLO26の主なイノベーションには、次のものがあります。
- MuSGD Optimizer: SGDとMuonを組み合わせたハイブリッドであり、高速で信頼性の高い収束を実現するために、高度なLLMトレーニングの安定性をコンピュータビジョンにもたらします。
- 最大43%高速なCPU推論: 専用アクセラレータのない環境向けに高度に最適化されています。
- DFLの除去: Distribution Focal Lossを除去することで、エクスポートプロセスを簡素化し、低消費電力のエッジデバイスとの互換性を高めます。
- ProgLoss + STAL: 小さな物体の認識を大幅に向上させる高度な損失関数であり、航空画像やスマートシティのIoTセンサーにとって重要です。
汎用タスクでは、YOLO11もUltralyticsファミリーで完全にサポートされている優れた選択肢です。
まとめ#
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する一方、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、他に類を見ない開発者エクスペリエンスを提供します。
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ることで、デプロイパイプラインが速度、精度、アルゴリズムの簡素化における最新のブレークスルーの恩恵を受けられるようになります。