YOLOv8 YOLOv5：包括的な技術比較
コンピュータビジョンの急速に進化する環境において、適切な物体検出モデルを選択することはプロジェクトの成功に極めて重要です。この歴史における二つの最も重要なマイルストーンは YOLOv5 と YOLOv8であり、いずれも Ultralyticsによって開発されました。YOLOv5 リリース時に使いやすさと信頼性において業界標準をYOLOv5 、YOLOv8 最先端（SOTA）性能を再定義するアーキテクチャ上の画期的な進歩YOLOv8
このガイドでは、両アーキテクチャの性能指標、トレーニング手法、および最適なユースケースを比較し、開発者が情報に基づいた判断を下せるよう、詳細な技術分析を提供します。
Ultralytics YOLOv8: 現代の標準
2023年1月にリリースされた、 YOLOv8 は、 YOLO シリーズの飛躍的な進化を遂げた。従来版の成功を基盤としつつ、物体検出・インスタンスセグメンテーション ・姿勢推定を統合したフレームワークを導入している。
主要なアーキテクチャ革新
YOLOv8 、先行モデルが採用していたアンカーベースの設計からYOLOv8 、アンカーフリー検出メカニズムを採用している。この変更により、物体の中心を直接予測することでモデルの複雑さが簡素化され、ボックス予測の数が削減され、非最大抑制（NMS）が高速化される。
- C2fモジュール：バックボーンは新たなC2fモジュールを採用し、YOLOv5されていたYOLOv5モジュールに取って代わります。この新設計により勾配の流れが強化され、計算コストを大幅に増加させることなく、モデルがより豊かな特徴表現を捕捉できるようになります。
- 分離型ヘッド：従来版の結合型ヘッドとは異なり、YOLOv8 分類タスクと回帰タスクを独立したブランチYOLOv8 。この分離により各タスクを個別に最適化でき、収束速度の向上と精度向上につながる。
- モザイク拡張:両モデルともモザイク拡張を使用するが、YOLOv8 精度向上のため、トレーニングの最終エポックにおいてYOLOv8 これを無効化する。
パフォーマンスと汎用性
YOLOv8 汎用性をYOLOv8 。単純な境界ボックス検出を超えた幅広いタスクをネイティブにサポートするため、自動運転車や スマート小売分析といった複雑なアプリケーションにおいても堅牢な選択肢となります。
YOLOv8 :
著者:Glenn Jocher, Ayush Chaurasia, Jing Qiu
組織:Ultralytics
日付:2023-01-10
GitHub:ultralytics
ドキュメント:YOLOv8
Ultralytics YOLOv5: 信頼できる主力モデル
2020年6月のリリース以来、 YOLOv5 は、比類のない安定性とPyTorch 簡便さから、世界中の開発者にとって定番モデルとなっています。強力なビジョンAIへのアクセスを民主化し、最小限の設定でカスタムデータセットを用いたモデル訓練を容易にしました。
建築と遺産
YOLOv5 CSPDarknetバックボーンとアンカーベースの検出ヘッドYOLOv5 。その焦点層（後に6x6畳ぎみに置き換えられた）は、情報を保持しながら画像のダウンサンプリングを効率的に行うことができた。
- 使いやすさ: YOLOv5 「箱から出してすぐ使える」体験でYOLOv5 。リポジトリ構造は直感的で、MLOpsツールとのシームレスな連携が可能です。 Comet や ClearMLなどのMLOpsツールとシームレスに連携します。
- 広範なデプロイメントサポート： YOLOv5 歴史が長いことから、モバイルプロセッサから TFLite からエッジデバイス（NVIDIA など）まで、ほぼすべてのデプロイメント対象で広範なサポートを提供しています。
YOLOv5 :
著者:Glenn Jocher
組織:Ultralytics
日付:2020-06-26
GitHub:yolov5
ドキュメント:YOLOv5
パフォーマンス比較
両モデルを比較すると、YOLOv8 特に最新のGPU において、精度（mAP）YOLOv5 推論速度YOLOv5 YOLOv8 YOLOv5 を上回っている。以下の表はCOCO における性能差を示している。
| モデル | サイズ (ピクセル) | mAPval 50-95 | 速度 CPU ONNX (ms) | 速度 T4 TensorRT10 (ms) | params (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| 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 |
| 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 |
メトリクス分析
- 精度： YOLOv8 は平均精度（mAP）において顕著なYOLOv8 。例えば、YOLOv8 （n）モデルmAP YOLOv8 、小型モデルでの高精度が重要な用途においてはるかに優れている。
- 速度：FLOPsが低いため、一部のCPU YOLOv5 わずかにYOLOv5 YOLOv8 より優れたパフォーマンスバランス YOLOv8 。精度向上の恩恵と比較すると、このトレードオフは往々にして無視できる程度であり、YOLOv8 GPU 向けに高度にYOLOv8 TensorRTによってGPU推論向けに高度に最適化されている。
- モデルサイズ： YOLOv8 一般的にコンパクトですが、学習能力を高めるため、NanoおよびSmallアーキテクチャではより多くのパラメータを詰め込んでいます。
トレーニング方法論とエコシステム
両モデルとも堅牢Ultralytics 恩恵を受けていますが、ワークフローはYYOLOv8v8によって大幅に進化しました。
トレーニング効率
Ultralytics トレーニング効率の高さで知られています。Transformerベースのアーキテクチャと比較して、CUDA 大幅に少なくて済みます。 RT-DETRなどのトランスフォーマーベースのアーキテクチャと比較して大幅に少ないCUDAメモリを必要とするため、ユーザーは標準的なコンシューマー向けGPUでより大きなバッチをトレーニングできます。
- YOLOv5 スタンドアロンのリポジトリ構造を使用し、トレーニングは次のようなスクリプトによって開始されます：
train.py. - YOLOv8 導入した
ultralyticsPython 。この統一されたCLI Python 、タスク間の切り替えやモデルのエクスポートが容易になります。
Ultralyticsによる効率化されたトレーニング
The ultralytics このパッケージは、YOLOv8 新モデルに対するトレーニングプロセスを簡素化します。モデルを読み込み、トレーニングし、検証する作業をわずか3行のコードで実行できます。
from ultralytics import YOLO
# Load a pretrained YOLOv8 model
model = YOLO("yolov8n.pt")
# Train on a custom dataset with efficient memory usage
model.train(data="coco8.yaml", epochs=100, imgsz=640)
Ultralytics
両モデルのユーザーUltralytics （旧称HUB）を活用できます。このウェブベースのツールはデータセット管理、ラベリング、トレーニング可視化を簡素化します。ワンクリックでのモデルエクスポートをサポートし、 ONNX や OpenVINOなどの形式へのワンクリックモデルエクスポートをサポートし、プロトタイプから本番環境への移行を効率化します。
理想的なユースケース
YOLOv8を選択すべき時
2026年において、最新のYOLO26が要求する特定のエッジ最適化を必要としない新規プロジェクトの大半では、YOLOv8 推奨される選択肢YOLOv8 。
- マルチタスクアプリケーション：プロジェクトで航空画像のOBB検出やスポーツ分析のための姿勢推定が必要な場合、YOLOv8 これらをネイティブにYOLOv8 。
- 高精度要件： 欠陥検出などの安全上重要なタスクにおいて、YOLOv8 mAP 偽陰性のYOLOv8 。
YOLOv5を選択すべき時
- レガシーシステム：特定のYOLOv5 構造と深く統合されたプロジェクトは、移行するよりもメンテナンスを継続する方が容易である場合があります。
- 極限のエッジ制約： CPU 1CPU すら重要な、極めてリソース制約の厳しいハードウェア環境では、YOLOv5nのわずかに低いFLOPsがわずかな優位性をもたらす可能性がある。ただし、YOLO26のような新世代モデルはこの差を効果的に埋めている。
展望：未来はYOLO26
YOLOv8 YOLOv5 優れたYOLOv5 、コンピュータビジョン分野は急速に進化しています。新規プロジェクトを開始する開発者には、Ultralytics 採用を強く推奨します。
YOLO26にアップグレードする理由 YOLO26は先行モデルの強みを継承しつつ、 ネイティブなエンドツーエンドNMSを導入。これにより後処理が不要となり、導入が大幅に簡素化されます。
- 43%高速CPU ：エッジデバイス向けに最適化され、CPUYOLOv8 YOLOv5 YOLOv8 よりも高速です。
- MuSGDオプティマイザ：LLMトレーニングに着想を得たハイブリッドオプティマイザによる安定した高速収束を実現。
- 精度向上：改良された損失関数（ProgLoss + STAL）により、微小物体の検出精度が向上しました。
結論
両方 YOLOv8 と YOLOv5 は、Ultralyticsアクセスしやすく高性能なAIへの取り組みを証明するものです。YOLOv5 、特にレガシーな展開において、信頼性が高く広くサポートされている選択肢YOLOv5 。しかし、YOLOv8 優れたパフォーマンスバランス、最新のアーキテクチャ、そしてより幅広いタスクサポートYOLOv8 、ほとんどの標準的なアプリケーションにおいてより優れた選択肢となります。
速度と精度において究極の先端技術を求める方々、特にモバイルおよびエッジ展開向けに、新たにリリースされたYOLO26が新たな基準を打ち立てました。どの選択肢を選んでも、豊富なUltralytics と活発なコミュニティが、成功に必要なリソースを確実に提供します。
さらに探求するには、他の専門モデルについて読むことを検討してください。例えば YOLO11 や YOLOv10などの他の特殊モデルについて読むことを検討してください。