YOLOv9 vs YOLOv5#

コンピュータビジョンの分野は驚異的な成長を遂げており、オブジェクト検出は数多くの産業および研究アプリケーションの基盤として機能しています。適切なアーキテクチャを選択するには、mAP、推論速度、およびメモリオーバーヘッドを慎重に評価することがしばしば求められます。この比較では、勾配情報の保持におけるアーキテクチャの画期的な進歩で称賛される YOLOv9 と、驚異的な使いやすさと比類のないデプロイの汎用性で知られる実績のある業界標準である Ultralytics YOLOv5 という、非常に影響力のある2つのモデルを探索します。

アーキテクチャの革新と技術的背景#

これら2つのモデルの基礎となるメカニズムを理解することは、それぞれのパフォーマンスプロファイルを把握する上で重要な文脈となります。

YOLOv9: プログラマブル勾配情報#

YOLOv9は、台湾の中央研究院情報科学研究所の研究者であるChien-Yao Wang氏とHong-Yuan Mark Liao氏によって開発され、2024年2月21日にリリースされました。このモデルは、ディープニューラルネットワークで一般的に発生する情報のボトルネックに対処するため、プログラム可能な勾配情報（PGI: Programmable Gradient Information）と一般化効率レイヤー集約ネットワーク（GELAN: Generalized Efficient Layer Aggregation Network）という2つの画期的なコンセプトを導入しています。

YOLOv9はPGIを活用することで、順伝播プロセス全体を通じて重要な情報が保持されることを保証し、精度の高い勾配更新をもたらします。一方、GELANアーキテクチャはパラメータ効率を最大化し、驚くほど低い計算オーバーヘッドでモデルが最先端の精度を達成できるようにします。技術的な詳細については、公式の YOLOv9 Arxiv paper を探索するか、YOLOv9 GitHub repository をご覧ください。

YOLOv9の詳細はこちら

Ultralytics YOLOv5: 本番環境の標準#

Glenn Jocherによって作成され、2020年6月26日にUltralyticsによってリリースされたYOLOv5は、コンピュータビジョンのアクセシビリティを革新しました。PyTorch フレームワーク上でネイティブに構築された最初のオブジェクト検出モデルの1つとして、古いDarknet Cフレームワークの複雑さをバイパスしました。YOLOv5は、高度に最適化されたCSPNetバックボーンとPANetネックを活用し、速度と精度のシームレスなバランスを優先しています。

しかし、その最大の功績は、より広範なUltralyticsエコシステムへの統合です。YOLOv5は、高速な training efficiency と低メモリ環境向けに高度に最適化されており、エッジデプロイにおいて信じられないほど安定しています。

YOLOv5の詳細はこちら

パフォーマンス分析: 速度 vs 精度#

コンピュータビジョンパイプラインを設計する際、開発者は精度とレイテンシのトレードオフを比較検討する必要があります。次の表は、標準の COCO dataset におけるパフォーマンスの違いを示しています。

トレードオフの分析#

YOLOv9は、生の精度において絶対的な優位性を確立しています。YOLOv9e は、GELANレイヤーを活用してきめ細かな詳細を保持することにより、mAPの限界を55.6%に押し上げています。これにより、medical imaging や小さなオブジェクトに対する厳格な精度が要求されるシナリオにおいて、 excepcionally な例外的な選択肢となります。

対照的に、YOLOv5 は、生のデプロイ速度とハードウェアの柔軟性に優れています。YOLOv5n (Nano) は非常に軽量で、TensorRT を介してT4 GPU上でわずか1.12msで推論を実行します。制約のあるIoTデバイス、携帯電話、または Raspberry Pi にデプロイしている場合、YOLOv5のメモリフットプリントにより、非常に信頼性が高くなります。

Ultralyticsエコシステムの利点#

モデルを選択する際の主な考慮事項は、周辺のソフトウェアエコシステムです。YOLOv9は最高水準の研究ベンチマークを提供しますが、モダンな Ultralytics Python API を介して両方のモデルを利用することでギャップが埋まり、開発者に統一された合理化されたエクスペリエンスを提供します。

使いやすさとエクスポート#

Ultralyticsは複雑なエンジニアリングのハードルを抽象化します。自動 data augmentation や hyperparameter tuning などの機能は、デフォルトで処理されます。モデルを本番環境に移行することも同様に簡単で、モデルを ONNX、OpenVINO、または TFLite 形式に変換するための組み込みのエクスポートコマンドが用意されています。

タスクの汎用性#

両方のモデルは object detection に優れていますが、現代のUltralyticsモデルはさまざまなコンピュータビジョンの課題に取り組むように構築されています。より広範なフレームワークは、image classification、instance segmentation、pose estimation、および oriented bounding boxes (OBB) のネイティブサポートを提供し、開発者がコードベースを切り替えることなく複数のビジョン問題を解決できるようにします。

ユースケースと推奨事項#

YOLOv9とYOLOv5の選択は、特定のプロジェクト要件、デプロイメントの制約、およびエコシステムの優先順位によって決まります。

YOLOv9を選択すべき場合#

YOLOv9は以下の場合に強力な選択肢となります:

• 情報ボトルネック研究: Programmable Gradient Information (PGI)およびGeneralized Efficient Layer Aggregation Network (GELAN)アーキテクチャを研究する学術プロジェクト。
• 勾配フロー最適化の研究: トレーニング中の深層ネットワーク層における情報損失の理解と軽減に重点を置いた研究。
• 高精度検出ベンチマーク: アーキテクチャ比較の基準点として、YOLOv9の強力なCOCOベンチマークパフォーマンスが必要とされるシナリオ。

YOLOv5を選択すべき場合#

YOLOv5は以下のような場合に推奨されます：

• 実証済みの本番システム： YOLOv5の長期にわたる安定性の実績、広範なドキュメント、および膨大なコミュニティサポートが重視される既存のデプロイ環境。
• リソースが制限されたトレーニング： GPUリソースが限られており、YOLOv5の効率的なトレーニングパイプラインと低いメモリ要件が有利に働く環境。
• 豊富なエクスポートフォーマットのサポート: ONNX、TensorRT、CoreML、TFLiteを含む多くのフォーマットにわたるデプロイを必要とするプロジェクト。

Ultralytics (YOLO26) を選択すべき時#

ほとんどの新しいプロジェクトにおいて、Ultralytics YOLO26はパフォーマンスと開発者体験の最高の組み合わせを提供します。

• NMSフリーのエッジ展開： Non-Maximum Suppression後処理の複雑さを伴わずに、一貫した低レイテンシの推論が求められるアプリケーション。
• CPUのみの環境： GPUアクセラレーションを利用できないデバイスにおいて、YOLO26の最大43%高速なCPU推論が決定的な利点となる場合。
• 小物体検出: ProgLossとSTALにより極小オブジェクトの精度が大幅に向上する、空中ドローン画像やIoTセンサー分析などの困難なシナリオ。

実装例#

Ultralyticsエコシステムの利点は、ウェイト文字列を変更するだけで、YOLOv5モデルとYOLOv9モデルを簡単に切り替えられることです。

from ultralytics import YOLO

# Load a pretrained YOLOv9 model (swap to "yolov5s.pt" to use YOLOv5)
model = YOLO("yolov9c.pt")

# Train the model efficiently on a custom dataset
train_results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Run inference on new images
predictions = model.predict("https://ultralytics.com/images/zidane.jpg")

# Export to ONNX for seamless deployment
model.export(format="onnx")

新しいアーキテクチャの探求#

YOLOv5とYOLOv9は明確な利点を持つ優れたモデルですが、分野は進化し続けています。新しいプロジェクトを検討しているユーザーは、Ultralyticsの最新イテレーションも評価することをお勧めします。

• YOLO11: すべてのビジョンタスクにおいて優れた速度と精度のバランスを提供する、YOLOv8系統の強力で洗練された進化形。
• YOLO26: 2026年にリリースされたYOLO26は、モダンなパイプラインのための究極の推奨事項です。End-to-End NMS-Free Design を導入し、後処理のボトルネックを完全に排除しています。DFL Removal（簡素化されたエクスポートと優れたエッジ/低電力デバイスの互換性のためにDistribution Focal Lossを削除）により、最大 43%高速なCPU推論 を実現します。トレーニングの安定性は新しい MuSGD Optimizer によってスーパーチャージされ、ProgLoss + STAL は、IoT、ロボット工学、および航空画像に不可欠な小オブジェクト認識の顕著な改善を伴う改善された損失関数を提供し、エッジとクラウドの両方のデプロイメントで最も堅牢なアーキテクチャにします。

大規模なデータセットと複雑なデプロイパイプラインを管理するチームにとって、Ultralytics Platform の利用は、これらの最先端モデルを簡単にトレーニング、追跡、およびデプロイするためのノーコードソリューションを提供します。