YOLO26 против YOLOv5#

Эволюция компьютерного зрения определялась неустанным стремлением к скорости, точности и доступности. Выбор правильной архитектуры имеет решающее значение для успеха любого проекта в области ИИ. В этом подробном руководстве мы сравниваем два монументальных релиза от Ultralytics: новаторский YOLOv5 и передовой YOLO26. Хотя оба релиза оказали огромное влияние на сферу обнаружения объектов в реальном времени, их базовые технологии отражают масштабный сдвиг парадигмы в том, как нейронные сети обрабатывают визуальные данные.

Обзор 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

Архитектурные 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 обнаружения на основе анкеров, который стал отраслевым стандартом. Однако она сильно зависела от подавления немаксимумов (NMS) на этапе постобработки, что могло вызывать задержки на устройствах с ограниченными ресурсами.

YOLO26 полностью переосмысляет конвейер инференса с помощью дизайна End-to-End без NMS. Устраняя необходимость в постобработке NMS, YOLO26 обеспечивает более быструю и простую логику развертывания — концепцию, впервые примененную в YOLOv10, но доведенную до совершенства здесь. Кроме того, YOLO26 включает функцию удаления DFL (Distribution Focal Loss), которая радикально упрощает выходной слой. Это делает экспорт модели в такие форматы, как ONNX и TensorRT, невероятно плавным, обеспечивая отличную совместимость с периферийными и маломощными устройствами.

Во время обучения YOLO26 использует передовой оптимизатор MuSGD, гибрид SGD и Muon, вдохновленный Kimi K2 от Moonshot AI. Это привносит инновации в обучении больших языковых моделей (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.

Производительность и метрики#

При оценке моделей баланс между средней точностью в распознавании (mAP) и скоростью инференса определяет применимость в реальных условиях. YOLO26 изначально оптимизирован как для мощных GPU, так и для периферийных CPU.

Бенчмарки демонстрируют потрясающее улучшение. Например, YOLO26n достигает mAP 40.9 по сравнению с 28.0 у YOLOv5n, одновременно предлагая увеличение скорости инференса на CPU до 43%. Это делает YOLO26 намного превосходящим решением для встроенных систем, таких как Raspberry Pi или мобильные устройства. Хотя YOLOv5 имеет небольшое преимущество в скорости TensorRT GPU в масштабе Nano, компромисс в точности сильно склоняется в пользу YOLO26.

Экосистема 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 неизменно требуют значительно меньше памяти CUDA во время обучения по сравнению с альтернативами на базе трансформеров. YOLO26 усиливает это с помощью функций потерь ProgLoss + STAL. Эти достижения дают заметные улучшения в распознавании мелких объектов без увеличения накладных расходов 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 разработчикам быстро итеративно работать с пользовательскими наборами данных, плавно переходя от загрузки данных к готовой к производству модели.

Универсальность и идеальные варианты использования#

Когда использовать YOLOv5#

YOLOv5 остается надежной рабочей лошадкой для устаревших систем. Если у тебя есть существующий промышленный конвейер, тесно связанный с выходами на основе анкеров, или если ты запускаешь инференс на старых устройствах NVIDIA Jetson со зрелыми замороженными стеками TensorRT, YOLOv5 предоставляет стабильное и хорошо документированное решение.

Когда использовать YOLO26#

YOLO26 — это окончательный выбор для современных проектов компьютерного зрения. Его универсальность намного превосходит предшественника. В то время как YOLOv5 в первую очередь ориентирована на обнаружение (с последующим добавлением сегментации), YOLO26 предлагает глубокую встроенную 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.