YOLO26 vs YOLOv5#

L’évolution de la vision par ordinateur est définie par une quête incessante de vitesse, de précision et d’accessibilité. Choisir la bonne architecture est essentiel à la réussite de tout projet d’IA. Dans ce guide complet, nous comparons deux versions monumentales d’Ultralytics : le pionnier YOLOv5 et le révolutionnaire YOLO26. Bien que tous deux aient fortement influencé le domaine de la détection d’objets en temps réel, leurs technologies sous-jacentes reflètent un changement de paradigme majeur dans la manière dont les réseaux neuronaux traitent les données visuelles.

Présentation des modèles#

Avant d’examiner les nuances architecturales, établissons les informations fondamentales concernant les deux modèles.

Détails de YOLO26 :

• Auteurs : Glenn Jocher et Jing Qiu
• Organisation : Ultralytics
• Date : 2026-01-14
• GitHub : https://github.com/ultralytics/ultralytics
• Documentation : Documentation de YOLO26

Détails de YOLOv5 :

• Auteurs : Glenn Jocher
• Organisation : Ultralytics
• Date : 2020-06-26
• GitHub : https://github.com/ultralytics/yolov5
• Documentation : Documentation de YOLOv5

Innovations architecturales#

L’écart de six ans entre YOLOv5 et YOLO26 représente une avancée majeure de la recherche en apprentissage profond. YOLOv5 a popularisé l’utilisation généralisée de PyTorch pour les modèles de vision, en proposant un mécanisme de détection hautement optimisé fondé sur des ancres, devenu la norme du secteur. Cependant, il dépendait fortement de la suppression non maximale (NMS) lors du post-traitement, ce qui pouvait introduire des goulots d’étranglement au niveau de la latence sur les appareils aux ressources limitées.

YOLO26 réinvente complètement le pipeline d’inférence avec une conception de bout en bout sans NMS. En supprimant la nécessité du post-traitement NMS, YOLO26 permet un déploiement plus rapide et une logique de déploiement beaucoup plus simple, un concept introduit pour la première fois dans YOLOv10, mais perfectionné ici. De plus, YOLO26 intègre la suppression de DFL (perte focale de distribution), ce qui simplifie considérablement la tête de sortie. L’exportation du modèle vers des formats comme ONNX et TensorRT devient ainsi extrêmement fluide, ce qui garantit une excellente compatibilité avec les appareils edge et basse consommation.

Lors de l’entraînement, YOLO26 utilise l’optimiseur MuSGD de pointe, un hybride de SGD et de Muon inspiré par Kimi K2 de Moonshot AI. Cette approche introduit les innovations de l’entraînement des LLM dans le domaine de la vision par ordinateur, en garantissant un entraînement très stable et une convergence nettement plus rapide que les optimiseurs SGD ou AdamW traditionnels utilisés dans YOLOv5.

Performances et métriques#

Lors de l’évaluation des modèles, l’équilibre entre la précision moyenne (mAP) et la vitesse d’inférence détermine la viabilité en conditions réelles. YOLO26 est optimisé nativement pour les GPU haut de gamme comme pour les CPU edge.

Les benchmarks révèlent une amélioration spectaculaire. Par exemple, YOLO26n atteint une mAP de 40.9 contre 28.0 pour YOLOv5n, tout en offrant jusqu’à 43 % d’inférence CPU plus rapide. Cela rend YOLO26 nettement supérieur pour les déploiements embarqués, comme sur Raspberry Pi ou les appareils mobiles. Bien que YOLOv5 conserve un léger avantage en vitesse GPU TensorRT à l’échelle Nano, le compromis en matière de précision favorise largement YOLO26.

Écosystème d’entraînement et facilité d’utilisation#

Les deux modèles bénéficient pleinement de l’écosystème Ultralytics, activement maintenu. Ils offrent une expérience « de zéro à héros » grâce à une API Python simplifiée, une documentation complète et le soutien actif de la communauté. Cependant, YOLO26 porte l’efficacité de l’entraînement à un niveau supérieur.

Les modèles Ultralytics nécessitent systématiquement beaucoup moins de mémoire CUDA lors de l’entraînement que les alternatives fortement basées sur les transformers. YOLO26 amplifie cet avantage grâce à ses fonctions de perte ProgLoss + STAL. Ces avancées améliorent notablement la reconnaissance des petits objets sans alourdir la consommation mémoire.

from ultralytics import YOLO

# Initialize the cutting-edge YOLO26 Nano model
model = YOLO("yolo26n.pt")

# Train the model with the MuSGD optimizer (default for YOLO26)
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, batch=16, device=0)

# Run fast, NMS-free inference on a test image
predictions = model("https://ultralytics.com/images/bus.jpg")
predictions[0].show()

Ce script simple permet aux développeurs d’itérer rapidement sur des jeux de données personnalisés, en passant facilement de l’ingestion des données à un modèle prêt pour la production.

Polyvalence et cas d’utilisation idéaux#

Quand utiliser YOLOv5#

YOLOv5 reste une solution fiable pour les systèmes hérités. Si tu disposes d’un pipeline industriel existant fortement associé à des sorties fondées sur des ancres, ou si tu exécutes l’inférence sur d’anciens appareils NVIDIA Jetson équipés de piles TensorRT matures et figées, YOLOv5 fournit une solution stable et très bien documentée.

Quand utiliser YOLO26#

YOLO26 est le choix définitif pour les projets modernes de vision par ordinateur. Sa polyvalence dépasse largement celle de son prédécesseur. Alors que YOLOv5 se concentre principalement sur la détection (avec l’ajout ultérieur de la segmentation), YOLO26 offre une prise en charge native complète de la segmentation d’instances, de l’estimation de pose, de la classification d’images et des boîtes englobantes orientées (OBB).

YOLO26 introduit des améliorations spécifiques aux tâches, comme une fonction de perte spécialisée pour la segmentation sémantique, l’estimation de log-vraisemblance résiduelle (RLE) pour des points clés de pose d’une précision extrême, ainsi qu’une fonction de perte angulaire avancée pour les OBB afin de résoudre les problèmes complexes de limites.

• IoT edge et robotique : l’architecture sans NMS et l’inférence CPU 43 % plus rapide rendent YOLO26 idéal pour la navigation robotique en temps réel et les caméras intelligentes domestiques.
• Imagerie aérienne : les améliorations ProgLoss + STAL rendent la détection de minuscules objets depuis des drones — comme des véhicules sur des parkings ou des cultures dans des champs agricoles — nettement plus fiable.
• Analyse vidéo en temps réel : qu’il s’agisse de suivre des athlètes lors de retransmissions sportives ou de surveiller les flux de circulation, l’équilibre des performances de YOLO26 garantit un rappel élevé sans perte d’images.

En définitive, l’engagement d’Ultralytics en faveur d’un écosystème accessible et hautement performant garantit une transition fluide de YOLOv5 vers YOLO26, offrant aux chercheurs comme aux développeurs des capacités à la pointe de la technologie.