Commencer

YOLO26 et YOLOv5

Choisir la bonne architecture est essentiel à la réussite de tout projet de vision par ordinateur. Ce guide compare deux versions majeures d'Ultralytics : YOLOv5, largement adopté, et le modèle actuel YOLO26. Tous deux ont marqué l'histoire de la détection d'objets en temps réel, mais leurs architectures reflètent plus de cinq ans de progrès dans le traitement des données visuelles par les réseaux neuronaux.

Présentation du modèle#

Les principales caractéristiques des deux modèles sont résumées ci-dessous.

Détails de YOLO26 :

Détails sur YOLOv5 :

Explorer d’autres options

Bien que ce guide porte sur YOLO26 et YOLOv5, les développeurs qui migrent des systèmes existants pourraient aussi vouloir comparer YOLO11 ou l’architecture sans NMS de YOLOv10. Les deux constituent d’excellents points de départ pour certains environnements de déploiement.

Innovations architecturales#

L'écart de plus de cinq ans entre YOLOv5 et YOLO26 couvre des avancées majeures en recherche sur l'apprentissage profond. YOLOv5 a contribué à populariser l'entraînement YOLO basé sur PyTorch, en proposant un mécanisme de détection optimisé fondé sur des ancres, devenu une norme du secteur. Cependant, il dépendait de la suppression non maximale (NMS) pendant le post-traitement, ce qui pouvait créer des goulots d'étranglement de latence sur les appareils aux ressources limitées.

YOLO26 repense le pipeline d’inférence avec une conception de bout en bout sans NMS. Sa tête one-to-one facultative (nms=False) élimine le besoin de post-traitement par NMS, pour un déploiement plus rapide et une logique simplifiée. Ce concept a été introduit dans les modèles YOLO par YOLOv10. YOLO26 intègre également la suppression de la DFL (perte focale de distribution), qui simplifie la tête de sortie. L’exportation du modèle vers des formats comme ONNX et TensorRT devient ainsi plus simple, et la compatibilité avec les appareils edge et basse consommation s’améliore.

Pendant l'entraînement, YOLO26 utilise l'optimiseur MuSGD, un hybride de SGD et de Muon inspiré par Kimi K2 de Moonshot AI. Il transpose les idées d'entraînement des LLM à la vision par ordinateur, offrant un entraînement plus stable et une convergence plus rapide que l'optimiseur SGD standard utilisé par défaut dans YOLOv5.

Performances et métriques#

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

Modèletaille
(pixels)
mAPval50-95Vitesse
CPU ONNX
(ms)
Vitesse
T4 TensorRT10
(ms)
paramètres
(M)
FLOPs
(B)
YOLO26n64040.938.91.72.45.5
YOLO26s64048.687.22.59.520.9
YOLO26m64053.1220.04.720.468.4
YOLO26l64055.0286.26.224.886.8
YOLO26x64057.5525.811.855.7194.4
YOLOv5n64028.0-1.121.94.5
YOLOv5s64037.4-1.927.216.5
YOLOv5m64045.4-4.0321.249.0
YOLOv5l64049.0-6.6146.5109.1
YOLOv5x64050.7-11.8986.7205.7

Les benchmarks montrent un important gain de précision. Par exemple, YOLO26n atteint une mAP de 40.9 contre 28.0 pour YOLOv5n, et YOLO26n offre une inférence CPU jusqu'à 43 % plus rapide que YOLO11n. YOLO26 est ainsi mieux adapté aux déploiements embarqués comme sur Raspberry Pi ou sur des appareils mobiles. YOLOv5 est plus rapide sur T4 TensorRT aux échelles n, s et m, mais le compromis en précision favorise nettement YOLO26 (par exemple, 53.1 contre 45.4 de mAP pour les modèles m).

Écosystème d’entraînement et facilité d’utilisation#

Les deux modèles tirent parti de l'écosystème Ultralytics bien entretenu, avec une API Python simple, une documentation complète et le soutien actif de la communauté. YOLO26 apporte en plus des améliorations à l'entraînement.

Les modèles Ultralytics nécessitent généralement moins de mémoire CUDA pendant l'entraînement que les solutions fortement basées sur Transformer. YOLO26 ajoute ProgLoss + STAL (Progressive Loss et Small-Target-Aware Label Assignment), qui améliorent la reconnaissance des petits objets sans augmenter la consommation mémoire.

from ultralytics import YOLO

# Initialiser le modèle YOLO26 Nano
model = YOLO("yolo26n.pt")

# Entraîne le modèle (optimizer='auto' sélectionne MuSGD pour les entraînements plus longs)
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, batch=16, device=0)

# Lance une inférence rapide sans NMS sur une image de test
predictions = model("https://ultralytics.com/images/bus.jpg", nms=False)
predictions[0].show()

Ce script permet aux développeurs d'itérer rapidement sur des jeux de données personnalisés, de l'ingestion des données jusqu'à l'obtention d'un modèle prêt pour la production.

Simplifier le déploiement

Avec Ultralytics Platform, tu peux exporter les modèles YOLO26 entraînés vers des formats comme CoreML ou LiteRT sans écrire une seule ligne de code de conversion.

Polyvalence et cas d’utilisation idéaux#

Quand utiliser YOLOv5#

YOLOv5 reste un outil fiable pour les systèmes existants. Si tu as un pipeline industriel existant étroitement lié à des sorties basées sur des ancres, ou si tu exécutes l'inférence sur d'anciens appareils NVIDIA Jetson dotés de piles TensorRT éprouvées et figées, YOLOv5 offre une solution stable et bien documentée.

Quand utiliser YOLO26#

YOLO26 est le choix recommandé pour les nouveaux projets de vision par ordinateur et couvre plus de tâches que son prédécesseur. Alors que YOLOv5 se concentre principalement sur la détection (la segmentation et la classification ayant été ajoutées plus tard), YOLO26 prend nativement en charge la segmentation d'instances, la segmentation sémantique, l'estimation de profondeur, la classification d'images, l'estimation de pose et les boîtes englobantes orientées (OBB).

YOLO26 introduit des améliorations spécifiques aux tâches, notamment une fonction de perte spécialisée pour la segmentation sémantique, Residual Log-Likelihood Estimation (RLE) pour des points clés de pose plus précis et une fonction de perte d'angle spécialisée pour les OBB, qui résout les problèmes de bordure.

  • IoT en périphérie et robotique : L'inférence sans NMS facultative et une inférence CPU jusqu'à 43 % plus rapide (YOLO26n par rapport à YOLO11n) rendent YOLO26 bien adapté à la navigation robotique en temps réel et aux caméras domestiques intelligentes.
  • Images aériennes : Les améliorations ProgLoss + STAL rendent plus fiable la détection de minuscules objets depuis des drones, comme les véhicules dans les parkings ou les cultures dans les champs agricoles.
  • Analyse vidéo en temps réel : Qu'il s'agisse de suivre des athlètes lors de retransmissions sportives ou de surveiller la circulation, YOLO26 équilibre précision et vitesse pour la vidéo en temps réel.

Comme les deux modèles partagent l'écosystème Ultralytics, passer de YOLOv5 à YOLO26 est simple et donne aux chercheurs et aux développeurs accès aux dernières capacités d'Ultralytics.

Commentaires

Pose une question, partage tes résultats ou aide quelqu’un d’autre.