YOLOv5 vs YOLO26
L’évolution de la vision par ordinateur a été marquée par la recherche constante de modèles plus rapides, plus précis et plus accessibles. Ultralytics YOLOv5 et Ultralytics YOLO26 représentent deux étapes de cette évolution : un ancien modèle largement déployé et le modèle Ultralytics actuellement recommandé.
Ce guide propose une analyse technique complète des deux architectures, en mettant en évidence leurs indicateurs de performance, leurs différences structurelles et leurs scénarios de déploiement idéaux.
Présentation des modèles#
YOLOv5 : le pilier du secteur#
Sorti en 2020, YOLOv5 a rendu la détection d’objets beaucoup plus accessible. En implémentant nativement l’architecture dans le framework PyTorch, il a offert aux développeurs un chemin simple, de l’installation à l’entraînement et au déploiement.
- Auteurs : Glenn Jocher
- Organisation : Ultralytics
- Date : 2020-06-26
- GitHub : https://github.com/ultralytics/yolov5
- Docs : Documentation de YOLOv5
YOLOv5 a posé les fondations de l’écosystème Ultralytics, activement maintenu. Il a introduit de solides techniques d’augmentation des données, des boucles d’entraînement efficaces et des voies d’export hautement optimisées vers des formats pour appareils périphériques comme CoreML et ONNX. Sa facilité d’utilisation et ses faibles besoins mémoire pendant l’entraînement en ont fait un incontournable pour les startups et les chercheurs du monde entier.
YOLO26 : la nouvelle référence en IA visuelle#
Sorti en janvier 2026, Ultralytics YOLO26 est la dernière génération d’Ultralytics YOLO. Il intègre les enseignements tirés des générations intermédiaires comme YOLOv8 et YOLO11, tout en introduisant des techniques d’entraînement inspirées de l’entraînement des grands modèles de langage (LLM).
- Auteurs : Glenn Jocher et Jing Qiu
- Organisation : Ultralytics
- Date : 2026-01-14
- GitHub : https://github.com/ultralytics/ultralytics
- Documentation : Documentation YOLO26
YOLO26 offre un bon équilibre entre précision et vitesse et a été conçu spécifiquement pour les scénarios d’informatique en périphérie.
Si tu migres une ancienne base de code, tu peux aussi consulter la comparaison entre YOLOv5 et YOLO11, le modèle de génération précédente qui prend en charge diverses tâches comme l’estimation de pose et les boîtes englobantes orientées (OBB).
Innovations architecturales de YOLO26#
Alors que YOLOv5 repose sur des têtes de détection basées sur des ancres et des fonctions de perte standard, YOLO26 repense la tête, les fonctions de perte et l’optimiseur afin d’éliminer les goulots d’étranglement du déploiement.
- Conception de bout en bout sans NMS : La différence la plus importante est l’option d’inférence native de bout en bout de YOLO26. Contrairement à YOLOv5, qui nécessite la suppression non maximale (NMS) pour filtrer les boîtes englobantes redondantes, la tête facultative un-à-un de YOLO26 (
nms=False) ignore cette étape de post-traitement. La latence d’inférence est ainsi plus prévisible et l’intégration au matériel C++ ou embarqué est simplifiée. - Suppression de DFL : YOLO26 supprime Distribution Focal Loss (DFL). Ce choix architectural simplifie l’exportation du modèle et améliore la compatibilité avec les appareils périphériques et les accélérateurs basse consommation, qui ont souvent du mal à gérer les opérateurs complexes.
- Optimiseur MuSGD : En s’inspirant de Kimi K2 de Moonshot AI, YOLO26 utilise l’optimiseur MuSGD, un hybride de SGD et de Muon. Il apporte à la vision par ordinateur la stabilité et la convergence rapide observées lors de l’entraînement des LLM.
- ProgLoss + STAL : YOLO26 utilise ProgLoss et STAL pour améliorer la détection des objets petits et denses, un défi historique pour YOLOv5.
Comparaison des performances#
Lorsqu’on compare les modèles sur le jeu de données COCO, YOLO26 affiche une précision (mAP) supérieure à toutes les échelles, tout en utilisant moins de paramètres à partir de la variante moyenne.
| Modèle | taille (pixels) | mAPval50-95 | Vitesse CPU ONNX (ms) | Vitesse T4 TensorRT10 (ms) | paramètres (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv5n | 640 | 28.0 | - | 1.12 | 1.9 | 4.5 |
| YOLOv5s | 640 | 37.4 | - | 1.92 | 7.2 | 16.5 |
| YOLOv5m | 640 | 45.4 | - | 4.03 | 21.2 | 49.0 |
| YOLOv5l | 640 | 49.0 | - | 6.61 | 46.5 | 109.1 |
| YOLOv5x | 640 | 50.7 | - | 11.89 | 86.7 | 205.7 |
| YOLO26n | 640 | 40.9 | 38.9 | 1.7 | 2.4 | 5.5 |
| YOLO26s | 640 | 48.6 | 87.2 | 2.5 | 9.5 | 20.9 |
| YOLO26m | 640 | 53.1 | 220.0 | 4.7 | 20.4 | 68.4 |
| YOLO26l | 640 | 55.0 | 286.2 | 6.2 | 24.8 | 86.8 |
| YOLO26x | 640 | 57.5 | 525.8 | 11.8 | 55.7 | 194.4 |
Remarque : YOLO26 Nano (YOLO26n) atteint une mAP de 40,9 contre 28,0 pour YOLOv5n, soit un gain de 12,9 points pour seulement 0,5 M de paramètres supplémentaires, tandis que la suppression de DFL et la tête sans NMS simplifient le déploiement sur CPU et appareils périphériques.
Polyvalence et prise en charge des tâches#
YOLOv5 est surtout connu pour la détection d’objets. Même si des mises à jour ultérieures ont introduit une segmentation de base, YOLO26 a été conçu dès le départ comme un moteur multi-tâche unifié.
YOLO26 prend en charge nativement :
- Segmentation d’instances : avec des prototypes multi-échelles propres à la tâche et une fonction de perte de segmentation sémantique.
- Segmentation sémantique : attribution dense d’une classe à chaque pixel.
- Estimation de profondeur : prédiction de la profondeur pour chaque pixel à partir d’une seule image.
- Classification d’images : catégorisation standard de l’image entière.
- Estimation de pose : Utilisation de l’estimation résiduelle de la log-vraisemblance (RLE) pour localiser les points clés avec plus de précision.
- Boîtes englobantes orientées (OBB) : avec une fonction de perte d’angle spécialisée pour résoudre les problèmes de discontinuité aux limites, essentiels à l’analyse d’images satellites.
Les deux modèles tirent parti de la plateforme Ultralytics, qui fournit l’annotation des données, l’entraînement dans le cloud et le déploiement en un clic.
Utilisation et exemples de code#
L’API Python Ultralytics facilite le passage d’un modèle à l’autre. Comme les deux modèles partagent le même écosystème bien maintenu, la mise à jour d’un pipeline YOLOv5u vers YOLO26 dans le package ultralytics nécessite uniquement de changer le fichier de poids.
Exemple Python#
from ultralytics import YOLO
# Charger un fichier de poids v5 pour utiliser YOLOv5
# model = YOLO("yolov5su.pt")
# Migrer vers le modèle YOLO26 recommandé
model = YOLO("yolo26n.pt")
# Entraîner sur le jeu de données COCO8 ; optimizer="auto" sélectionne MuSGD pour les entraînements longs (>10k itérations)
results = model.train(
data="coco8.yaml",
epochs=100,
imgsz=640,
batch=32, # La faible empreinte mémoire de YOLO26 permet d’utiliser des tailles de lot plus grandes
)
# Exécuter une inférence sans NMS
predictions = model("https://ultralytics.com/images/bus.jpg", nms=False)
predictions[0].show()Exemple CLI#
Tu peux déployer YOLO26 directement en ligne de commande grâce à l’intégration TensorRT, pour maximiser le débit du GPU :
# Export the model to TensorRT format
yolo export model=yolo26n.pt format=engine
# Run inference with the compiled engine
yolo predict model=yolo26n.engine source=path/to/video.mp4Cas d’utilisation idéaux#
Quand choisir YOLO26#
Pour les nouveaux projets de vision par ordinateur, YOLO26 est le choix recommandé.
- IA périphérique et IoT : Son inférence sur CPU jusqu’à 43 % plus rapide (YOLO26n par rapport à YOLO11n) et la suppression de DFL le rendent bien adapté au déploiement sur un Raspberry Pi ou des appareils mobiles.
- Pipelines à grande vitesse : La tête facultative sans NMS offre une latence plus prévisible, un aspect important pour la robotique autonome et les systèmes d’alarme de sécurité en temps réel.
- Scénarios complexes : Si ton application doit détecter de petits objets (par exemple, la surveillance par drone) ou des objets pivotés (OBB), les améliorations de l’entraînement de YOLO26 (ProgLoss + STAL, ainsi qu’une fonction de perte angulaire dédiée aux OBB) améliorent la précision.
Quand choisir YOLOv5#
- Systèmes existants : si ton environnement de production comporte des dépendances codées en dur à la génération spécifique d’ancres de YOLOv5 ou à sa logique d’analyse NMS, la migration peut nécessiter une courte période de refactorisation.
- Références universitaires spécifiques : les chercheurs utilisent souvent YOLOv5 comme référence classique pour illustrer l’évolution historique des architectures de détection d’objets.
Résumé#
Le passage de YOLOv5 à YOLO26 va au-delà d’une simple mise à jour itérative : il change la manière d’entraîner et de déployer les modèles de détection d’objets. Avec l’optimiseur MuSGD, une tête facultative sans NMS qui élimine le post-traitement et une inférence plus rapide sur CPU, Ultralytics YOLO26 offre un excellent équilibre entre vitesse et précision.
YOLOv5 reste le modèle qui a rendu l’IA visuelle accessible à une vaste communauté de développeurs, mais ceux qui créent de nouvelles applications de production devraient commencer avec YOLO26.
Commentaires
Pose une question, partage tes résultats ou aide quelqu’un d’autre.