YOLOv5 vs YOLO26#

L’évolution de la vision par ordinateur se caractérise par une quête constante 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 le fossé entre les systèmes éprouvés et les technologies d’IA les plus récentes.

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#

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 « du débutant à l’expert » sans précédent.

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

YOLOv5 a posé les bases de l’écosystème Ultralytics, activement maintenu. Il a introduit des techniques d’augmentation des données poussées, des boucles d’entraînement efficaces et des processus d’export hautement optimisés vers des formats pour appareils périphériques comme CoreML et ONNX. Sa simplicité d’utilisation et ses faibles besoins en 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#

En janvier 2026, Ultralytics YOLO26 représente le summum de l’IA visuelle en temps réel. Il intègre nativement les enseignements tirés des générations intermédiaires, comme YOLOv8 et YOLO11, tout en apportant 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 YOLO26

YOLO26 établit une nouvelle référence en matière d’équilibre des performances : il offre une précision de pointe et a été spécialement conçu pour exceller dans les scénarios d’informatique en périphérie.

Les avancées architecturales de YOLO26#

Alors que YOLOv5 s’appuie sur des têtes de détection avec ancres et des fonctions de perte standard, YOLO26 remanie complètement ses mécanismes internes pour éliminer les goulots d’étranglement du déploiement.

1. 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 optionnelle un-à-un de YOLO26 (nms=False) ignore complètement 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 des modèles et améliore la compatibilité avec les appareils périphériques à faible consommation et les microcontrôleurs, qui ont souvent du mal à gérer des opérateurs complexes.
3. 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 grands modèles de langage (LLM), tout en réduisant l’utilisation de mémoire et en accélérant les cycles d’entraînement par rapport aux modèles riches en Transformer.
4. ProgLoss + STAL : YOLO26 utilise les fonctions avancées ProgLoss et STAL, qui améliorent considérablement sa capacité à détecter les objets petits et rapprochés — un défi historique pour YOLOv5.

Comparaison des performances#

En comparant les modèles sur le jeu de données COCO, YOLO26 affiche des gains majeurs de précision (mAP) à toutes les échelles, tout en utilisant moins de paramètres à partir de la variante moyenne.

Remarque : YOLO26 Nano (YOLO26n) atteint un impressionnant score de 40.9 mAP, contre 28.0 mAP pour YOLOv5n, soit un gain de 12.9 points pour seulement 0.5M de paramètres supplémentaires. La suppression de DFL et la tête sans NMS simplifient également le déploiement sur CPU et en périphérie.

Polyvalence et prise en charge des tâches#

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

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 du log-vraisemblance (RLE) pour détecter les points clés avec une grande 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.

Utilisation et exemples de code#

L’API Python d’Ultralytics facilite considérablement le passage d’un modèle à l’autre. Comme les deux modèles partagent le même écosystème bien maintenu, il suffit de modifier le fichier de poids pour mettre à jour un pipeline YOLOv5 existant vers YOLO26.

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.mp4

Cas d’utilisation idéaux#

Quand choisir YOLO26#

Pour tout projet moderne de vision par ordinateur, YOLO26 est le choix incontestable.

• IA en périphérie et IoT : son inférence sur CPU jusqu’à 43 % plus rapide que celle de YOLO11n et la suppression de DFL en font un choix idéal pour un déploiement sur un Raspberry Pi ou des appareils mobiles.
• Pipelines à grande 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, 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 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 n’est pas une simple mise à jour itérative : c’est un bond fondamental dans la manière d’entraîner et de déployer les modèles de détection d’objets. En tirant parti de l’optimiseur MuSGD, en éliminant le post-traitement complexe grâce à une conception sans NMS et en accélérant considérablement les performances sur CPU, Ultralytics YOLO26 offre un équilibre sans compromis entre vitesse et précision.

YOLOv5 restera dans les mémoires comme le modèle qui a démocratisé l’IA visuelle, mais les développeurs qui souhaitent créer des applications robustes, prêtes pour la production et pérennes devraient sans hésiter s’appuyer sur YOLO26.