YOLO26 и YOLOv5#

Выбор правильной архитектуры крайне важен для успеха любого проекта в области компьютерного зрения. В этом руководстве сравниваются два крупных релиза Ultralytics: широко распространённая YOLOv5 и актуальная YOLO26. Обе повлияли на развитие обнаружения объектов в реальном времени, однако их архитектуры отражают более чем пятилетний прогресс в обработке визуальных данных нейронными сетями.

Обзор моделей#

Ключевые характеристики обеих моделей кратко представлены ниже.

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#

За более чем пять лет между выходом YOLOv5 и YOLO26 в исследованиях глубокого обучения произошёл значительный прогресс. YOLOv5 помогла популяризировать обучение YOLO на основе PyTorch, предложив оптимизированный механизм обнаружения с якорями, который стал отраслевым стандартом. Однако при постобработке модель использовала Non-Maximum Suppression (NMS), что могло создавать узкие места из-за задержек на устройствах с ограниченными ресурсами.

YOLO26 перерабатывает конвейер инференса, используя сквозную архитектуру без NMS. Опциональная голова один-к-одному (nms=False) избавляет от необходимости в постобработке с помощью NMS, ускоряя развертывание и упрощая его логику; эту концепцию в модели YOLO внедрила YOLOv10. В YOLO26 также реализовано удаление DFL (Distribution Focal Loss), упрощающее выходную голову. Благодаря этому модель проще экспортировать в такие форматы, как ONNX и TensorRT, а совместимость с периферийными устройствами и устройствами с низким энергопотреблением улучшается.

При обучении YOLO26 использует оптимизатор MuSGD — гибрид SGD и Muon, вдохновлённый Kimi K2 от Moonshot AI. Он переносит идеи обучения LLM в компьютерное зрение и обеспечивает более стабильное обучение и быструю сходимость по сравнению со стандартным оптимизатором SGD, который YOLOv5 использует по умолчанию.

Производительность и метрики#

При оценке моделей баланс между средней точностью (mAP) и скоростью инференса определяет их пригодность для практического применения. YOLO26 оптимизирована и для мощных GPU, и для периферийных CPU.

Результаты тестов показывают значительный прирост точности. Например, YOLO26n достигает mAP 40,9 против 28,0 у YOLOv5n, а инференс YOLO26n на CPU выполняется до 43% быстрее, чем у YOLO11n. Поэтому YOLO26 лучше подходит для встраиваемых систем, таких как Raspberry Pi, и мобильных устройств. YOLOv5 быстрее на T4 с TensorRT в масштабах n, s и m, однако компромисс в точности явно в пользу YOLO26 (например, 53,1 против 45,4 mAP для моделей масштаба m).

Экосистема обучения и удобство использования#

Обе модели используют хорошо поддерживаемую экосистему Ultralytics с простым API Python, подробной документацией и активной поддержкой сообщества. В YOLO26 появились дополнительные улучшения обучения.

Для обучения моделей Ultralytics обычно требуется меньше памяти CUDA, чем для альтернатив на основе массивных Transformer. В YOLO26 добавлены ProgLoss + STAL (Progressive Loss и Small-Target-Aware Label Assignment), улучшающие распознавание небольших объектов без увеличения затрат памяти.

from ultralytics import YOLO

# Инициализируй модель YOLO26 Nano
model = YOLO("yolo26n.pt")

# Обучение модели (при длительном обучении optimizer='auto' выбирает MuSGD)
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, batch=16, device=0)

# Быстрый инференс без NMS на тестовом изображении
predictions = model("https://ultralytics.com/images/bus.jpg", nms=False)
predictions[0].show()

Этот скрипт позволяет разработчикам быстро выполнять итерации на пользовательских наборах данных, переходя от загрузки данных к готовой к промышленному использованию модели.

Универсальность и подходящие сценарии применения#

Когда использовать YOLOv5#

YOLOv5 остаётся надёжной рабочей моделью для устаревших систем. Если существующий промышленный конвейер тесно связан с выходными данными архитектуры с якорями или инференс выполняется на старых устройствах NVIDIA Jetson со стабильными, зафиксированными версиями TensorRT, YOLOv5 станет надёжным и хорошо документированным решением.

Когда использовать YOLO26#

Для новых проектов компьютерного зрения рекомендуется YOLO26, поддерживающая больше задач, чем её предшественница. YOLOv5 в основном предназначена для обнаружения объектов, а сегментацию и классификацию добавили позднее. YOLO26 изначально поддерживает сегментацию экземпляров, семантическую сегментацию, оценку глубины, классификацию изображений, оценку позы и обнаружение ориентированных ограничивающих рамок (OBB).

В YOLO26 появились улучшения для конкретных задач: специализированная функция потерь для семантической сегментации, Residual Log-Likelihood Estimation (RLE) для более точного определения ключевых точек позы и специализированная функция потерь для угла OBB, решающая проблемы на границах.

• Периферийный IoT и робототехника: Опциональный инференс без NMS и скорость инференса на CPU до 43% выше (YOLO26n против YOLO11n) делают YOLO26 подходящей для навигации роботов в реальном времени и умных домашних камер.
• Аэрофотоснимки: Улучшения ProgLoss + STAL повышают надёжность обнаружения крошечных объектов с дронов — например, автомобилей на парковках или сельскохозяйственных культур на полях.
• Аналитика видео в реальном времени: YOLO26 сочетает точность и скорость для видео в реальном времени — будь то отслеживание спортсменов в трансляциях или мониторинг дорожного движения.

Поскольку обе модели входят в экосистему Ultralytics, перейти с YOLOv5 на YOLO26 просто. При этом исследователи и разработчики получают доступ к новейшим возможностям Ultralytics.