YOLO26 vs YOLOv5#

L'évolution de la vision par ordinateur a été définie par la poursuite incessante de la vitesse, de la précision et de l'accessibilité. Choisir la bonne architecture est essentiel pour 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 paysage de la détection d'objets en temps réel, leurs technologies sous-jacentes reflètent un changement de paradigme massif dans la façon dont les réseaux de neurones traitent les données visuelles.

Présentation du modèle#

Avant de plonger dans les nuances architecturales, établissons les détails fondamentaux des deux modèles.

Détails de YOLO26 :

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

En savoir plus sur YOLO26

Détails de YOLOv5 :

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

En savoir plus sur YOLOv5

Innovations architecturales#

L'écart de six ans entre YOLOv5 et YOLO26 représente un bond en avant massif dans la recherche en apprentissage profond. YOLOv5 a popularisé l'utilisation généralisée de PyTorch pour les modèles de vision, offrant un mécanisme de détection hautement optimisé basé sur des ancres qui est devenu la norme de l'industrie. Cependant, il s'appuyait fortement sur la Non-Maximum Suppression (NMS) lors du post-traitement, ce qui pouvait introduire des goulots d'étranglement de latence sur les appareils aux ressources limitées.

YOLO26 réinvente complètement le pipeline d'inférence avec un design de bout en bout sans NMS (End-to-End NMS-Free Design). En éliminant le besoin de post-traitement NMS, YOLO26 offre une logique de déploiement plus rapide et beaucoup plus simple, un concept d'abord introduit dans YOLOv10 mais perfectionné ici. De plus, YOLO26 intègre la suppression de DFL (Distribution Focal Loss), ce qui simplifie considérablement la tête de sortie. Cela rend l'exportation du modèle vers des formats tels que ONNX et TensorRT incroyablement fluide, garantissant une excellente compatibilité avec les appareils de périphérie et à faible consommation.

Pendant l'entraînement, YOLO26 utilise l'optimiseur de pointe MuSGD Optimizer, un hybride de SGD et de Muon inspiré par Kimi K2 de Moonshot AI. Cela apporte des innovations d'entraînement des LLM dans la sphère de la vision par ordinateur, garantissant un entraînement hautement stable et une convergence nettement plus rapide par rapport aux optimiseurs traditionnels SGD ou AdamW utilisés dans YOLOv5.

Performances et mesures#

Lors de l'évaluation des modèles, l'équilibre entre la précision moyenne (mAP) et la vitesse d'inférence dicte la viabilité dans le monde réel. YOLO26 est optimisé nativement pour les GPU haut de gamme et les CPU de périphérie.

Les benchmarks révèlent une amélioration fulgurante. Par exemple, YOLO26n atteint un mAP de 40,9 par rapport aux 28,0 de YOLOv5n, tout en offrant jusqu'à 43 % de vitesse d'inférence CPU en plus. Cela rend YOLO26 largement supérieur pour les déploiements embarqués comme Raspberry Pi ou les appareils mobiles. Bien que YOLOv5 conserve un léger avantage en matière de vitesse GPU TensorRT à l'échelle Nano, le compromis sur la précision favorise largement YOLO26.

Écosystème d'entraînement et facilité d'utilisation#

Les deux modèles bénéficient immensément de l'écosystème bien entretenu d'Ultralytics. Ils offrent une expérience "zero-to-hero" avec une API Python rationalisée, une documentation complète et un soutien communautaire actif. Cependant, YOLO26 porte l'efficacité de l'entraînement à un nouveau niveau.

Les modèles Ultralytics exigent systématiquement une mémoire CUDA nettement inférieure pendant l'entraînement par rapport aux alternatives lourdes en Transformers. YOLO26 amplifie cela avec ses fonctions de perte ProgLoss + STAL. Ces avancées apportent des améliorations notables dans la reconnaissance des petits objets sans alourdir la surcharge de 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, passant de manière fluide de l'ingestion de données à un modèle prêt pour la production.

Polyvalence et cas d'utilisation idéaux#

Quand utiliser YOLOv5#

YOLOv5 reste une valeur sûre et fiable pour les systèmes existants. Si tu disposes d'un pipeline industriel actuel fortement couplé à des sorties basées sur des ancres, ou si tu exécutes des inférences sur des appareils NVIDIA Jetson plus anciens dotés de piles TensorRT matures et figées, YOLOv5 offre une solution stable et hautement documentée.

Quand utiliser YOLO26#

YOLO26 est le choix incontournable pour les projets modernes de vision par ordinateur. Sa polyvalence surpasse de loin son prédécesseur. Alors que YOLOv5 se concentre principalement sur la détection (avec des ajouts ultérieurs de segmentation), YOLO26 offre un support profond et natif pour la segmentation d'instances, l'estimation de pose, la classification d'images et les boîtes englobantes orientées (OBB).

YOLO26 introduit des améliorations spécifiques aux tâches, telles qu'une perte de segmentation sémantique spécialisée, l'estimation de log-vraisemblance résiduelle (RLE) pour des points clés de pose ultra-précis, et une perte d'angle avancée pour les OBB afin de résoudre les problèmes complexes de limites.

• Edge IoT 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 domestiques intelligentes.
• 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—beaucoup plus fiable.
• Analytique vidéo en temps réel : Qu'il s'agisse de suivre des athlètes dans des retransmissions sportives ou de surveiller les flux de trafic, l'équilibre des performances de YOLO26 garantit un rappel élevé sans perdre d'images.

En fin de compte, l'engagement d'Ultralytics envers un écosystème accessible et performant garantit que la transition de YOLOv5 vers YOLO26 se fait sans friction, débloquant des capacités de pointe pour les chercheurs comme pour les développeurs.