Comparaison entre YOLOv5 et YOLO26#

L'évolution de la vision par ordinateur a été marquée par la recherche continue de modèles plus rapides, plus précis et plus accessibles. En comparant Ultralytics YOLOv5 à Ultralytics YOLO26, à la pointe de la technologie, on observe un changement de paradigme qui comble l'écart entre les systèmes hérités robustes et les technologies les plus avancées du déploiement moderne de l'IA.

Ce guide propose une analyse technique complète des deux architectures, en mettant en évidence leurs métriques de performance, leurs différences structurelles et leurs scénarios de déploiement idéaux.

Présentation des modèles#

YOLOv5 : le modèle de référence du secteur#

Lancé en 2020, YOLOv5 a révolutionné l'accessibilité de la détection d'objets. En migrant nativement l'architecture vers le framework PyTorch, il a offert aux développeurs une expérience inédite, de « zéro à expert ».

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

YOLOv5 a posé les bases de l'écosystème Ultralytics, activement maintenu. Il a introduit des techniques d'augmentation des données agressives, des boucles d'entraînement efficaces et des chemins d'export hautement optimisés vers des formats edge comme CoreML et ONNX. Sa facilité d'utilisation et ses faibles besoins en mémoire pendant l'entraînement en ont fait un outil incontournable pour les startups et les chercheurs du monde entier.

YOLO26 : le nouveau standard de l'IA pour la vision#

En janvier 2026, Ultralytics YOLO26 représente le summum de l'IA de vision en temps réel. Il intègre nativement les enseignements tirés des générations intermédiaires comme YOLOv8 et YOLO11, tout en introduisant des avancées majeures 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 de YOLO26

YOLO26 établit une nouvelle référence en matière d'équilibre des performances, en offrant une précision de pointe tout en étant explicitement conçu pour exceller dans les scénarios d'edge computing.

Avancées architecturales de YOLO26#

Alors que YOLOv5 repose sur des têtes de détection fondées sur des ancres et des fonctions de perte standard, YOLO26 repense entièrement ses mécanismes internes afin d'éliminer les goulots d'étranglement du déploiement.

1. Conception de bout en bout sans NMS : La différence la plus importante réside dans l'architecture native de bout en bout de YOLO26. Contrairement à YOLOv5, qui nécessite une suppression manuelle des non-maxima (NMS) pour filtrer les boîtes englobantes redondantes, YOLO26 élimine entièrement cette étape de post-traitement. Cela garantit une latence d'inférence déterministe et simplifie considérablement l'intégration en C++ ou sur du matériel embarqué.
2. Suppression de DFL : YOLO26 supprime la perte focale de distribution (DFL). Ce choix architectural simplifie considérablement l'exportation du modèle et améliore la compatibilité avec les appareils edge basse consommation et les microcontrôleurs qui peinent souvent à gérer des opérateurs complexes.
3. Optimiseur MuSGD : S'inspirant de Kimi K2 de Moonshot AI, YOLO26 utilise l'optimiseur MuSGD, un hybride de SGD et de Muon. Il transpose à la vision par ordinateur la stabilité et la convergence rapide observées lors de l'entraînement des grands modèles de langage, ce qui se traduit par une utilisation réduite de la mémoire et des cycles d'entraînement plus rapides que ceux des modèles fortement fondés sur des Transformer.
4. ProgLoss + STAL : YOLO26 utilise les fonctions sophistiquées ProgLoss et STAL, améliorant considérablement sa capacité à détecter les objets petits et denses, un défi historique pour YOLOv5.

Comparaison des performances#

En comparant les modèles sur le jeu de données COCO, YOLO26 affiche d'importantes améliorations de précision (mAP), tout en réduisant le nombre de paramètres et les temps d'inférence sur CPU.

Remarque : le YOLO26 Nano (YOLO26n) atteint un impressionnant score de 40.9 mAP, contre 28.0 mAP pour YOLOv5n, tout en offrant une inférence sur CPU jusqu'à 43 % plus rapide grâce à la suppression de DFL et à sa tête sans NMS.

Polyvalence et prise en charge des tâches#

YOLOv5 est principalement réputé pour la détection d'objets. Bien que des mises à jour ultérieures aient introduit la segmentation de base, YOLO26 a été conçu dès le départ comme un moteur unifié multitâche.

YOLO26 prend nativement en charge :

• Segmentation d'instances : avec des prototypes mult échelles spécifiques à la tâche et une fonction de perte de segmentation sémantique.
• Estimation de pose : utilisant l'estimation résiduelle de log-vraisemblance (RLE) pour une détection très précise des points clés.
• Boîtes englobantes orientées (OBB) : avec une fonction de perte angulaire spécialisée pour résoudre les problèmes de discontinuité des limites, ce qui est essentiel pour l'analyse d'images satellites.
• Classification d'images : catégorisation standard de l'image entière.

Exemples d'utilisation et de code#

L'API Python d'Ultralytics rend le passage d'un modèle à l'autre extrêmement simple. Comme les deux modèles partagent le même écosystème bien maintenu, la mise à jour d'un pipeline YOLOv5 hérité vers YOLO26 nécessite uniquement de modifier le fichier de poids.

Exemple Python#

from ultralytics import YOLO

# To use YOLOv5, load a v5 weights file
# model = YOLO("yolov5su.pt")

# Migrate to the recommended YOLO26 model
model = YOLO("yolo26n.pt")

# Train on the COCO8 dataset using the efficient MuSGD optimizer
results = model.train(
    data="coco8.yaml",
    epochs=100,
    imgsz=640,
    batch=32,  # YOLO26's low memory footprint allows larger batch sizes
)

# Run an NMS-free inference
predictions = model("https://ultralytics.com/images/bus.jpg")
predictions[0].show()

Exemple CLI#

Tu peux déployer YOLO26 directement via la ligne de commande en utilisant 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.mp4

Cas d’utilisation idéaux#

Quand choisir YOLO26#

Pour tout projet moderne de vision par ordinateur, YOLO26 est le choix recommandé sans conteste.

• IA edge et IoT : son inférence sur CPU 43 % plus rapide et la suppression de DFL le rendent idéal pour un déploiement sur un Raspberry Pi ou des appareils mobiles.
• Pipelines haute vitesse : l'architecture sans NMS garantit une latence stable et prévisible, essentielle pour la robotique autonome et les systèmes d'alarme de sécurité en temps réel.
• Scénarios complexes : si ton application doit suivre de petits objets, par exemple lors de la surveillance par drone, ou des objets en rotation (OBB), les fonctions de perte avancées de YOLO26 (ProgLoss + STAL) offrent un avantage considérable en matière de précision.

Quand choisir YOLOv5#

• Systèmes hérités : si ton environnement de production comporte des dépendances codées en dur envers la génération spécifique d'ancres ou la logique d'analyse NMS de YOLOv5, la migration peut nécessiter une brève phase de refactorisation.
• Références académiques spécifiques : les chercheurs utilisent souvent YOLOv5 comme référence classique pour illustrer l'évolution historique des architectures de détection d'objets.

Résumé#

La transition de YOLOv5 à YOLO26 n'est pas une simple mise à jour itérative ; c'est un bond en avant fondamental dans la façon dont les modèles de détection d'objets sont entraînés et déployés. En tirant parti de l'optimiseur MuSGD, en supprimant le post-traitement complexe grâce à une conception sans NMS et en accélérant considérablement les vitesses sur CPU, Ultralytics YOLO26 offre un équilibre sans compromis entre vitesse et précision.

Même si YOLOv5 restera dans les mémoires comme le modèle ayant démocratisé l'IA pour la vision, les développeurs qui souhaitent créer des applications robustes, prêtes pour la production et conçues pour durer devraient choisir YOLO26 en toute confiance.