YOLO26 и YOLOv5#

Эволюция компьютерного зрения определяется непрерывным стремлением к скорости, точности и доступности. Выбор правильной архитектуры критически важен для успеха любого проекта в области ИИ. В этом подробном руководстве мы сравним два знаковых релиза Ultralytics: новаторский YOLOv5 и революционный YOLO26. Хотя обе модели оказали значительное влияние на развитие обнаружения объектов в реальном времени, лежащие в их основе технологии отражают масштабный сдвиг парадигмы в обработке визуальных данных нейронными сетями.

Обзор моделей#

Прежде чем перейти к архитектурным особенностям, рассмотрим основные сведения об обеих моделях.

Сведения о YOLO26:

• Авторы: Glenn Jocher и Jing Qiu
• Организация: Ultralytics
• Дата: 2026-01-14
• GitHub: https://github.com/ultralytics/ultralytics
• Документация: Документация YOLO26

Сведения о YOLOv5:

• Авторы: Glenn Jocher
• Организация: Ultralytics
• Дата: 2020-06-26
• GitHub: https://github.com/ultralytics/yolov5
• Документация: Документация YOLOv5

Архитектурные инновации#

Шесть лет, разделяющие YOLOv5 и YOLO26, отражают огромный скачок в исследованиях глубокого обучения. YOLOv5 популяризировала широкое применение PyTorch для моделей компьютерного зрения, предложив высокооптимизированный механизм обнаружения на основе якорей, ставший отраслевым стандартом. Однако модель сильно зависела от подавления немаксимумов (NMS) на этапе постобработки, что могло приводить к задержкам на устройствах с ограниченными ресурсами.

YOLO26 полностью переосмысливает конвейер инференса благодаря сквозной архитектуре без NMS. Устранение необходимости в постобработке с помощью NMS делает развертывание YOLO26 более быстрым и значительно упрощает логику, продолжая концепцию, впервые реализованную в YOLOv10, но доведённую здесь до совершенства. Кроме того, YOLO26 использует удаление DFL (фокальных потерь распределения), что значительно упрощает выходную голову. Благодаря этому экспорт модели в такие форматы, как ONNX и TensorRT, выполняется максимально гладко, обеспечивая отличную совместимость с периферийными устройствами и устройствами с низким энергопотреблением.

Во время обучения YOLO26 использует передовой оптимизатор MuSGD — гибрид SGD и Muon, созданный под влиянием Kimi K2 от Moonshot AI. Он переносит инновации обучения LLM в область компьютерного зрения, обеспечивая гораздо более стабильное обучение и значительно более быструю сходимость по сравнению с традиционными оптимизаторами SGD или AdamW, использовавшимися в YOLOv5.

Производительность и метрики#

При оценке моделей баланс между средней точностью (mAP) и скоростью инференса определяет их практическую применимость. YOLO26 изначально оптимизирована как для высокопроизводительных GPU, так и для периферийных CPU.

Результаты тестов демонстрируют впечатляющее улучшение. Например, YOLO26n достигает mAP 40.9 против 28.0 у YOLOv5n, одновременно обеспечивая до 43% более быстрый инференс на CPU. Это делает YOLO26 значительно более подходящей для встраиваемых систем, таких как Raspberry Pi, и мобильных устройств. Хотя YOLOv5 немного превосходит её по скорости TensorRT на GPU в масштабе Nano, компромисс между точностью явно складывается в пользу YOLO26.

Экосистема обучения и удобство использования#

Обе модели значительно выигрывают благодаря хорошо поддерживаемой экосистеме Ultralytics. Они обеспечивают путь от «нуля до героя» с удобным API Python, обширной документацией и активной поддержкой сообщества. Однако YOLO26 выводит эффективность обучения на новый уровень.

Модели Ultralytics стабильно требуют значительно меньше памяти CUDA во время обучения, чем альтернативы с большим количеством Transformer-компонентов. YOLO26 усиливает это преимущество благодаря своим функциям потерь ProgLoss + STAL. Эти усовершенствования заметно повышают качество распознавания небольших объектов без увеличения потребления памяти.

from ultralytics import YOLO

# Initialize the cutting-edge YOLO26 Nano model
model = YOLO("yolo26n.pt")

# Train the model with the MuSGD optimizer (default for YOLO26)
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, batch=16, device=0)

# Run fast, NMS-free inference on a test image
predictions = model("https://ultralytics.com/images/bus.jpg")
predictions[0].show()

Этот простой скрипт позволяет разработчикам быстро экспериментировать с пользовательскими наборами данных, плавно переходя от загрузки данных к готовой для производства модели.

Универсальность и подходящие сценарии использования#

Когда использовать YOLOv5#

YOLOv5 остаётся надёжной рабочей лошадкой для устаревших систем. Если у тебя уже есть промышленный конвейер, тесно связанный с выходными данными на основе якорей, или ты выполняешь инференс на старых устройствах [NVIDIA Jetson](https://ultralytics-translation-0.invalid со стабильными, зафиксированными стеками TensorRT, YOLOv5 станет стабильным и хорошо документированным решением.

Когда использовать YOLO26#

YOLO26 — оптимальный выбор для современных проектов в области компьютерного зрения. По универсальности она значительно превосходит предшественницу. В то время как YOLOv5 в основном ориентирована на обнаружение объектов (с последующим добавлением сегментации), YOLO26 обеспечивает глубокую встроенную поддержку сегментации экземпляров, оценки позы, классификации изображений и ориентированных ограничивающих прямоугольников (OBB).

YOLO26 предлагает улучшения для конкретных задач, включая специализированную функцию потерь для семантической сегментации, оценивание остаточного логарифма правдоподобия (RLE) для сверхточных ключевых точек позы и усовершенствованную функцию потерь угла для OBB, устраняющую сложные проблемы на границах.

• Периферийные IoT-устройства и робототехника: архитектура без NMS и инференс на CPU, который выполняется на 43% быстрее, делают YOLO26 идеальным выбором для навигации роботов в реальном времени и камер умного дома.
• Аэрофотосъёмка: улучшения ProgLoss + STAL значительно повышают надёжность обнаружения небольших объектов с дронов — например, автомобилей на парковках или посевов на сельскохозяйственных полях.
• Видеоаналитика в реальном времени: будь то отслеживание спортсменов в спортивных трансляциях или мониторинг транспортных потоков, баланс производительности YOLO26 обеспечивает высокий recall без потери кадров.

В конечном счёте приверженность Ultralytics доступной и высокопроизводительной экосистеме гарантирует беспроблемный переход с YOLOv5 на YOLO26, открывая исследователям и разработчикам передовые возможности.