Link to this sectionYOLO26 против YOLOv5: поколенческий скачок в детекции объектов#

Эволюция компьютерного зрения определяется неустанным стремлением к скорости, точности и доступности. Выбор правильной архитектуры имеет решающее значение для успеха любого ИИ-проекта. В этом подробном руководстве мы сравниваем два монументальных релиза от Ultralytics: первопроходца YOLOv5 и инновационную модель YOLO26. Хотя обе они оказали огромное влияние на ландшафт детекции объектов в реальном времени, их базовые технологии отражают серьезный сдвиг парадигмы в том, как нейронные сети обрабатывают визуальные данные.

Link to this sectionОбзор моделей#

Прежде чем погружаться в архитектурные нюансы, давай определим основополагающие детали обеих моделей.

Детали YOLO26:

• Авторы: Гленн Джочер и Цзин Цю
• Организация: Ultralytics
• Дата: 2026-01-14
• GitHub: https://github.com/ultralytics/ultralytics
• Документация: Документация YOLO26

Узнай больше о YOLO26

Детали YOLOv5:

• Автор: Гленн Джочер
• Организация: Ultralytics
• Дата: 26.06.2020
• GitHub: https://github.com/ultralytics/yolov5
• Документация: Документация YOLOv5

Узнай больше о YOLOv5

Link to this sectionАрхитектурные инновации#

Шестилетний разрыв между YOLOv5 и YOLO26 представляет собой огромный скачок в исследованиях глубокого обучения. YOLOv5 популяризировала широкое использование PyTorch для моделей компьютерного зрения, предложив высокооптимизированный механизм детекции на основе якорей (anchors), который стал отраслевым стандартом. Однако она сильно зависела от Non-Maximum Suppression (NMS) во время постобработки, что могло приводить к задержкам на устройствах с ограниченными ресурсами.

YOLO26 полностью переосмысливает процесс инференса благодаря сквозному дизайну без NMS (End-to-End NMS-Free Design). Устраняя необходимость в постобработке NMS, YOLO26 обеспечивает более быструю и гораздо более простую логику развертывания — концепцию, впервые опробованную в YOLOv10, но доведенную здесь до совершенства. Кроме того, YOLO26 включает удаление DFL (Distribution Focal Loss), что значительно упрощает выходную голову (output head). Это делает экспорт модели в такие форматы, как ONNX и TensorRT, невероятно плавным, обеспечивая отличную совместимость с периферийными устройствами и устройствами с низким энергопотреблением.

Во время обучения YOLO26 использует передовой оптимизатор MuSGD, гибрид SGD и Muon, вдохновленный Kimi K2 от Moonshot AI. Это привносит инновации обучения LLM в сферу компьютерного зрения, гарантируя высокую стабильность обучения и значительно более быструю сходимость по сравнению с традиционными оптимизаторами SGD или AdamW, используемыми в YOLOv5.

Link to this sectionПроизводительность и метрики#

При оценке моделей баланс между средней точностью (mAP) и скоростью инференса определяет жизнеспособность в реальных условиях. YOLO26 нативно оптимизирована как для мощных GPU, так и для CPU на периферийных устройствах.

Бенчмарки демонстрируют ошеломляющее улучшение. Например, YOLO26n достигает mAP 40.9 по сравнению с 28.0 у YOLOv5n, одновременно обеспечивая до 43% более быстрый инференс на CPU. Это делает YOLO26 значительно более эффективной для встраиваемых решений, таких как Raspberry Pi или мобильные устройства. Хотя YOLOv5 имеет небольшое преимущество в скорости TensorRT GPU на уровне Nano, компромисс в точности сильно склоняется в пользу YOLO26.

Link to this sectionЭкосистема обучения и простота использования#

Обе модели получают огромную пользу от хорошо поддерживаемой экосистемы Ultralytics. Они предлагают опыт «от нуля до героя» с оптимизированным Python API, 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 аналоги с тяжелыми трансформерами. YOLO26 усиливает это с помощью функций потерь ProgLoss + STAL. Эти достижения приносят заметные улучшения в распознавании мелких объектов без увеличения нагрузки на память.

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 тебе быстро итерировать пользовательские наборы данных, бесшовно переходя от загрузки данных к модели, готовой к работе в продакшене.

Link to this sectionУниверсальность и идеальные варианты использования#

Link to this sectionКогда использовать YOLOv5#

YOLOv5 остается надежной «рабочей лошадкой» для устаревших систем. Если у тебя есть существующий промышленный конвейер, сильно привязанный к выводам на основе якорей (anchor-based), или если ты выполняешь инференс на старых устройствах NVIDIA Jetson со зрелыми, замороженными стеками TensorRT, YOLOv5 предоставляет стабильное и хорошо задокументированное решение.

Link to this sectionКогда использовать YOLO26#

YOLO26 — это окончательный выбор для современных проектов компьютерного зрения. Ее универсальность намного превосходит предшественницу. В то время как YOLOv5 в первую очередь фокусируется на детекции (с более поздними добавлениями сегментации), YOLO26 предлагает глубокую, нативную поддержку сегментации экземпляров, оценки позы, классификации изображений и ориентированных ограничивающих рамок (OBB).

YOLO26 представляет улучшения для конкретных задач, такие как специализированная функция потерь для семантической сегментации, оценка остаточного логарифмического правдоподобия (RLE) для сверхточных ключевых точек позы и продвинутая функция потерь угла для OBB, чтобы решать сложные пограничные проблемы.

• Edge IoT и робототехника: Архитектура без NMS и инференс на CPU, ускоренный на 43%, делают YOLO26 идеальной для навигации роботов в реальном времени и камер «умного дома».
• Аэросъемка: Улучшения ProgLoss + STAL делают обнаружение крошечных объектов с дронов — например, транспортных средств на парковках или посевов на сельскохозяйственных полях — значительно более надежным.
• Видеоаналитика в реальном времени: Будь то отслеживание спортсменов в спортивных трансляциях или мониторинг транспортных потоков, баланс производительности YOLO26 гарантирует высокий показатель полноты (recall) без пропуска кадров.

В конечном итоге, приверженность Ultralytics доступной высокопроизводительной экосистеме гарантирует, что переход с YOLOv5 на YOLO26 происходит беспрепятственно, открывая передовые возможности как для исследователей, так и для разработчиков.