Link to this sectionYOLOv5 vs YOLO26#

L'évolution de la vision par ordinateur a été définie par la recherche constante de modèles plus rapides, plus précis et plus accessibles. En comparant Ultralytics YOLOv5 au modèle de pointe Ultralytics YOLO26, nous observons un changement de paradigme qui comble le fossé entre les systèmes hérités robustes et le summum du déploiement de l'IA moderne.

Ce guide fournit une analyse technique complète des deux architectures, en soulignant leurs mesures de performance, leurs différences structurelles et leurs scénarios de déploiement idéaux.

Link to this sectionAperçus des modèles#

Link to this sectionYOLOv5 : Le pilier de l'industrie#

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

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

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

En savoir plus sur YOLOv5

Link to this sectionYOLO26 : Le standard de l'IA de vision de nouvelle génération#

Avance rapide jusqu'en janvier 2026, Ultralytics YOLO26 représente le summum de l'IA de vision en temps réel. Il intègre nativement les leçons apprises des générations intermédiaires comme YOLOv8 et YOLO11, tout en introduisant des avancées majeures inspirées par l'entraînement des grands modèles de langage (LLM).

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

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

En savoir plus sur YOLO26

Link to this sectionPercées architecturales dans YOLO26#

Alors que YOLOv5 repose sur des têtes de détection basées sur des ancres et des fonctions de perte standard, YOLO26 remanie complètement les mécanismes internes pour éliminer les goulots d'étranglement du déploiement.

1. Conception end-to-end sans NMS : La différence la plus significative est l'architecture nativement end-to-end de YOLO26. Contrairement à YOLOv5, qui nécessite une suppression non-maximale (NMS) manuelle 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 dans du C++ ou du matériel embarqué.
2. Suppression du DFL : YOLO26 supprime la perte focale de distribution (DFL). Ce choix architectural simplifie radicalement l'exportation du modèle et améliore la compatibilité avec les appareils Edge à faible consommation et les microcontrôleurs qui peinent souvent avec des opérateurs complexes.
3. Optimiseur MuSGD : S'inspirant de Kimi K2 de Moonshot AI, YOLO26 utilise l'optimiseur MuSGD, un hybride de SGD et Muon. Cela apporte la stabilité et la convergence rapide observées dans l'entraînement des LLM à la vision par ordinateur, résultant en une utilisation de mémoire plus faible et des cycles d'entraînement plus rapides par rapport aux modèles basés sur les Transformer.
4. ProgLoss + STAL : YOLO26 utilise des fonctions ProgLoss et STAL sophistiquées, améliorant considérablement sa capacité à détecter des objets petits et denses — un défi historique pour YOLOv5.

Link to this sectionComparaison des performances#

Lors de la comparaison des modèles sur le dataset COCO, YOLO26 affiche des améliorations massives en précision (mAP) tout en réduisant simultanément le nombre de paramètres et les vitesses d'inférence CPU.

Note : Le YOLO26 Nano (YOLO26n) atteint un impressionnant 40,9 mAP contre 28,0 mAP pour YOLOv5n, tout en offrant jusqu'à 43 % d'inférence CPU plus rapide grâce à la suppression du DFL et à la tête sans NMS.

Link to this sectionPolyvalence et prise en charge des tâches#

YOLOv5 est principalement renommé 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 pour être un moteur multi-tâches unifié.

YOLO26 prend intrinsèquement en charge :

• Segmentation d'instance : Avec des protos multi-échelles spécifiques à la tâche et une perte de segmentation sémantique.
• Estimation de pose : Utilisant l'estimation de log-vraisemblance résiduelle (RLE) pour une détection très précise des points clés.
• Boîtes englobantes orientées (OBB) : Incluant une perte d'angle spécialisée pour résoudre les problèmes de discontinuité aux frontières, critique pour l'analyse d'images satellites.
• Classification d'images : Catégorisation standard de l'image complète.

Link to this sectionUtilisation et exemples de code#

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

Link to this sectionExemple 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()

Link to this sectionExemple CLI#

Tu peux déployer YOLO26 directement via la ligne de commande en utilisant l'intégration TensorRT pour un débit GPU maximal :

# 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

Link to this sectionCas d'utilisation idéaux#

Link to this sectionQuand choisir YOLO26#

Pour tout projet de vision par ordinateur moderne, YOLO26 est la recommandation incontestée.

• Edge AI et IoT : Son inférence CPU 43 % plus rapide et la suppression du DFL le rendent parfait pour un déploiement sur un Raspberry Pi ou des appareils mobiles.
• Pipelines haute vitesse : L'architecture sans NMS garantit une latence stable et prévisible, ce qui est crucial pour la robotique autonome et les systèmes d'alarme de sécurité en temps réel.
• Scénarios complexes : Si ton application nécessite de suivre de petits objets (ex: surveillance par drone) ou des objets en rotation (OBB), les fonctions de perte avancées de YOLO26 (ProgLoss + STAL) offrent un avantage de précision massif.

Link to this sectionQuand choisir YOLOv5#

• Systèmes hérités : Si ton environnement de production a des dépendances codées en dur sur la génération d'ancres spécifique de YOLOv5 ou sur la logique d'analyse NMS, la migration pourrait nécessiter une brève période de refactorisation.
• Bases de référence académiques spécifiques : Les chercheurs utilisent souvent YOLOv5 comme référence classique pour démontrer la progression historique des architectures de détection d'objets.

Link to this sectionRésumé#

La transition de YOLOv5 à YOLO26 n'est pas juste une mise à jour itérative ; c'est un saut fondamental dans la façon dont les modèles de détection d'objets sont entraînés et déployés. En exploitant l'optimiseur MuSGD, en abandonnant le post-traitement complexe via une conception sans NMS et en accélérant massivement les vitesses CPU, Ultralytics YOLO26 offre un équilibre sans compromis entre vitesse et précision.

Bien que YOLOv5 restera toujours dans les mémoires comme le modèle qui a démocratisé l'IA de vision, les développeurs cherchant à construire des applications robustes, prêtes pour la production et évolutives devraient construire avec confiance sur YOLO26.