YOLO26 и YOLOv5#
История компьютерного зрения — это постоянное стремление повысить скорость, точность и доступность. Выбор правильной архитектуры критически важен для успеха любого проекта в области ИИ. В этом подробном руководстве мы сравним два знаковых релиза Ultralytics: новаторскую YOLOv5 и революционную YOLO26. Обе модели существенно повлияли на развитие детекции объектов в реальном времени, однако лежащие в их основе технологии отражают радикальные изменения в подходах к обработке визуальных данных нейронными сетями.
Обзор моделей#
Прежде чем углубиться в особенности архитектуры, давай 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, стали периодом огромного прогресса в исследованиях глубокого обучения. YOLOv5 популяризировала широкое применение PyTorch для моделей компьютерного зрения и предложила высокооптимизированный механизм обнаружения на основе якорей, ставший отраслевым стандартом. Однако при постобработке модель активно использовала подавление немаксимумов (NMS), которое могло создавать узкие места и увеличивать задержку на устройствах с ограниченными ресурсами.
YOLO26 полностью переосмысливает конвейер инференса благодаря сквозной архитектуре без NMS. Опциональная голова «один к одному» (nms=False) устраняет необходимость в постобработке с помощью NMS, упрощая логику развертывания и ускоряя её. Эта концепция впервые была реализована в YOLOv10, но получила завершённое воплощение в YOLO26. Кроме того, в YOLO26 реализовано удаление DFL (Distribution Focal Loss), что значительно упрощает выходную голову. Благодаря этому экспорт модели в такие форматы, как ONNX и TensorRT, проходит особенно гладко, обеспечивая отличную совместимость с периферийными устройствами и устройствами с низким энергопотреблением.
При обучении YOLO26 использует передовой оптимизатор MuSGD — комбинацию SGD и Muon, созданную под влиянием Kimi K2 от Moonshot AI. Это переносит инновации из обучения LLM в компьютерное зрение, обеспечивая высокую стабильность обучения и значительно более быструю сходимость по сравнению с традиционными оптимизаторами SGD и AdamW, применяемыми в YOLOv5.
Производительность и метрики#
При оценке моделей баланс между средней точностью (mAP) и скоростью инференса определяет их пригодность для реального применения. YOLO26 изначально оптимизирована как для мощных GPU, так и для периферийных CPU.
| Модель | размер (пиксели) | mAPval 50-95 | Скорость CPU ONNX (мс) | Скорость T4 TensorRT10 (мс) | параметры (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLO26n | 640 | 40.9 | 38.9 | 1.7 | 2.4 | 5.5 |
| YOLO26s | 640 | 48.6 | 87.2 | 2.5 | 9.5 | 20.9 |
| YOLO26m | 640 | 53.1 | 220.0 | 4.7 | 20.4 | 68.4 |
| YOLO26l | 640 | 55.0 | 286.2 | 6.2 | 24.8 | 86.8 |
| YOLO26x | 640 | 57.5 | 525.8 | 11.8 | 55.7 | 194.4 |
| YOLOv5n | 640 | 28.0 | - | 1.12 | 1.9 | 4.5 |
| YOLOv5s | 640 | 37.4 | - | 1.92 | 7.2 | 16.5 |
| YOLOv5m | 640 | 45.4 | - | 4.03 | 21.2 | 49.0 |
| YOLOv5l | 640 | 49.0 | - | 6.61 | 46.5 | 109.1 |
| YOLOv5x | 640 | 50.7 | - | 11.89 | 86.7 | 205.7 |
Результаты бенчмарков показывают впечатляющий прогресс. Например, YOLO26n достигает mAP 40.9 против 28.0 у YOLOv5n, а инференс YOLO26 на CPU до 43% быстрее, чем у YOLO11n. Это делает YOLO26 значительно более подходящей для встроенных систем, например Raspberry Pi, и мобильных устройств. На Nano YOLOv5 немного быстрее на GPU с TensorRT, но компромисс между скоростью и точностью явно выгоднее для YOLO26.
Экосистема обучения и удобство использования#
Обе модели выигрывают от отлично поддерживаемой экосистемы Ultralytics. Они обеспечивают путь «от нуля до героя» благодаря лаконичному Python API, подробной документации и активной поддержке сообщества. Однако YOLO26 выводит эффективность обучения на новый уровень.
Для обучения моделям Ultralytics требуется значительно меньше памяти CUDA, чем альтернативам с большим числом трансформерных блоков. YOLO26 усиливает это преимущество благодаря функциям потерь ProgLoss + STAL. Эти усовершенствования заметно повышают качество распознавания мелких объектов без увеличения потребления памяти.
from ultralytics import YOLO
# Инициализация передовой модели 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 простой скрипт позволяет разработчикам быстро итерировать по пользовательским наборам данных, легко переходя от загрузки данных к готовой к производству модели.
С помощью платформы Ultralytics ты можешь автоматически экспортировать обученные модели YOLO26 в такие форматы, как CoreML или LiteRT, не написав ни строчки кода для конвертации.
Универсальность и подходящие сценарии применения#
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 если инференс выполняется на старых устройствах NVIDIA Jetson с проверенными, зафиксированными стеками TensorRT, YOLOv5 станет стабильным и подробно документированным решением.
Когда использовать YOLO26#
YOLO26 — однозначный выбор для современных проектов в области компьютерного зрения. По универсальности она значительно превосходит предшественницу. Если YOLOv5 в первую очередь ориентирована на обнаружение объектов (с последующим добавлением сегментации), то YOLO26 изначально обеспечивает широкую поддержку сегментации экземпляров, оценки позы, классификации изображений и ориентированных ограничивающих рамок (OBB).
В YOLO26 реализованы улучшения для конкретных задач, например специализированная функция потерь для семантической сегментации, оценка остаточного логарифмического правдоподобия (RLE) для сверхточного определения ключевых точек позы и усовершенствованная функция потерь угла для OBB, которая помогает решать сложные проблемы на границах.
- Периферийные устройства IoT и робототехника: Опциональный инференс без NMS и скорость инференса на CPU до 43% выше, чем у YOLO11n, делают YOLO26 идеальным решением для навигации роботов в реальном времени и умных домашних камер.
- Аэрофотосъёмка: Улучшения ProgLoss + STAL значительно повышают надёжность обнаружения мелких объектов с дронов — например, автомобилей на парковках или посевов на сельскохозяйственных полях.
- Видеоаналитика в реальном времени: От отслеживания спортсменов во время трансляций до мониторинга транспортных потоков — баланс производительности YOLO26 обеспечивает высокий полноту обнаружения без пропуска кадров.
В конечном счёте приверженность Ultralytics созданию доступной высокопроизводительной экосистемы позволяет легко перейти с YOLOv5 на YOLO26 и открывает исследователям и разработчикам доступ к передовым возможностям.