Начать

YOLOv5 и YOLO26

Развитие компьютерного зрения определялось постоянным стремлением создавать более быстрые, точные и доступные модели. Ultralytics YOLOv5 и Ultralytics YOLO26 — два этапа этого развития: широко используемая устаревшая модель и актуальная рекомендованная модель Ultralytics.

В этом руководстве подробно разбираются обе архитектуры, их метрики производительности, структурные различия и оптимальные сценарии развертывания.

Обзор моделей#

YOLOv5: рабочая лошадка индустрии#

Выпущенная в 2020 году YOLOv5 сделала детекцию объектов гораздо доступнее. Благодаря нативной реализации архитектуры во фреймворке PyTorch разработчики получили простой путь от установки до обучения и развёртывания.

YOLOv5 заложила основу активно развиваемой экосистемы Ultralytics. В ней появились эффективные методы аугментации данных, оптимизированные циклы обучения и экспорт в форматы для периферийных устройств, такие как CoreML и ONNX. Простота использования и низкие требования к памяти при обучении сделали модель популярной среди стартапов и исследователей по всему миру.

YOLO26: новое поколение стандарта визуального ИИ#

Выпущенная в январе 2026 года, Ultralytics YOLO26 — это новое поколение Ultralytics YOLO. Она объединяет опыт, полученный при разработке промежуточных поколений, таких как YOLOv8 и YOLO11, и при этом внедряет методы обучения, вдохновлённые обучением больших языковых моделей (LLM).

YOLO26 обеспечивает удачный баланс точности и скорости и специально разработана для сценариев периферийных вычислений.

Другие модели Ultralytics

Если ты переносишь старую кодовую базу, тебе может быть полезно сравнение YOLOv5 и YOLO11 — модели предыдущего поколения с поддержкой различных задач, например оценки позы и ориентированных ограничивающих рамок (OBB).

Архитектурные инновации YOLO26#

В YOLOv5 используются головы детекции на основе якорей и стандартные функции потерь, а YOLO26 перерабатывает голову, функции потерь и оптимизатор, чтобы устранить узкие места при развёртывании.

  1. Сквозная архитектура без NMS: Самое существенное отличие — встроенная возможность сквозного инференса в YOLO26. В отличие от YOLOv5, для которой метод подавления немаксимумов (NMS) необходим, чтобы отфильтровывать избыточные ограничивающие рамки, опциональная голова YOLO26 с назначением один-к-одному (nms=False) пропускает этот этап постобработки. Это делает задержку инференса более предсказуемой и упрощает интеграцию с C++ и встраиваемым оборудованием.
  2. Удаление DFL: В YOLO26 удалена Distribution Focal Loss (DFL). Это архитектурное решение упрощает экспорт модели и повышает совместимость с маломощными периферийными устройствами и ускорителями, которым часто сложно работать со сложными операторами.
  3. Оптимизатор MuSGD: Вдохновлённая Kimi K2 от Moonshot AI, YOLO26 использует оптимизатор MuSGD — гибрид SGD и Muon. Благодаря ему стабильность и быстрая сходимость, характерные для обучения LLM, переносятся в компьютерное зрение.
  4. ProgLoss + STAL: В YOLO26 используются ProgLoss и STAL для улучшения детекции небольших и плотно расположенных объектов — задачи, с которой YOLOv5 исторически справлялась хуже.

Сравнение производительности#

При сравнении моделей на датасете COCO YOLO26 демонстрирует более высокую точность (mAP) на каждом масштабе, начиная со среднего варианта используя меньше параметров.

Модельразмер
(пиксели)
mAPval50-95Скорость
CPU ONNX
(мс)
Скорость
T4 TensorRT10
(мс)
параметры
(M)
FLOPs
(B)
YOLOv5n64028.0-1.121.94.5
YOLOv5s64037.4-1.927.216.5
YOLOv5m64045.4-4.0321.249.0
YOLOv5l64049.0-6.6146.5109.1
YOLOv5x64050.7-11.8986.7205.7
YOLO26n64040.938.91.72.45.5
YOLO26s64048.687.22.59.520.9
YOLO26m64053.1220.04.720.468.4
YOLO26l64055.0286.26.224.886.8
YOLO26x64057.5525.811.855.7194.4

Примечание: компактная YOLO26 (YOLO26n) достигает 40.9 mAP против 28.0 mAP у YOLOv5n — прирост составляет 12.9 пункта при всего 0.5M дополнительных параметров, а удаление DFL и голова без NMS упрощают развёртывание на CPU и периферийных устройствах.

Универсальность и поддержка задач#

YOLOv5 прежде всего известна как модель для детекции объектов. Хотя в более поздних обновлениях появилась базовая сегментация, YOLO26 с самого начала создавалась как единая система для решения нескольких задач.

YOLO26 изначально поддерживает:

  • Сегментация экземпляров: специализированные многомасштабные прототипы и функция потерь для семантической сегментации.
  • Семантическая сегментация: плотная разметка классов для каждого пикселя.
  • Оценка глубины: предсказание глубины каждого пикселя по одному изображению.
  • Классификация изображений: стандартная классификация целого изображения.
  • Оценка позы: Для более точной локализации ключевых точек используется оценка остаточного логарифмического правдоподобия (RLE).
  • Ориентированные ограничивающие рамки (OBB): специальная функция потерь по углу устраняет проблемы разрывов на границах, что особенно важно для анализа спутниковых изображений.
Интеграция в экосистему

Обе модели поддерживаются платформой Ultralytics, которая предоставляет инструменты для аннотирования данных, облачного обучения и развёртывания в один клик.

Использование и примеры кода#

API Ultralytics для Python упрощает переключение между моделями. Поскольку обе модели входят в одну хорошо сопровождаемую экосистему, для перехода с YOLOv5u на YOLO26 в конвейере из пакета ultralytics достаточно заменить файл весов.

Пример на Python#

from ultralytics import YOLO

# # Чтобы использовать YOLOv5, загрузи файл весов v5
# model = YOLO("yolov5su.pt")

# # Перейди на рекомендуемую модель YOLO26
model = YOLO("yolo26n.pt")

# # Обучи модель на наборе данных COCO8; optimizer="auto" выбирает MuSGD для длительных запусков (>10k итераций)
results = model.train(
    data="coco8.yaml",
    epochs=100,
    imgsz=640,
    batch=32,  # # Небольшой объём памяти, необходимый YOLO26, позволяет увеличить размер пакета
)

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

Пример CLI#

Ты можешь развернуть YOLO26 прямо из командной строки с интеграцией TensorRT, чтобы добиться максимальной пропускной способности GPU:

# Export the model to TensorRT format
yolo export model=yolo26n.pt format=engine

# Run inference with the compiled engine
yolo predict model=yolo26n.engine source=path/to/video.mp4

Оптимальные сценарии применения#

Когда стоит выбрать YOLO26#

Для новых проектов в области компьютерного зрения рекомендуется YOLO26.

  • Периферийный ИИ и IoT: Благодаря инференсу на CPU до 43% быстрее (YOLO26n по сравнению с YOLO11n) и удалению DFL модель отлично подходит для развёртывания на Raspberry Pi и мобильных устройствах.
  • Высокоскоростные конвейеры: Опциональная голова без NMS обеспечивает более предсказуемую задержку, что важно для автономной робототехники и систем охранной сигнализации в реальном времени.
  • Сложные сценарии: Если приложению необходимо обнаруживать небольшие объекты, например при наблюдении с помощью дронов, или повёрнутые объекты (OBB), улучшения обучения YOLO26 (ProgLoss + STAL и специальная функция потерь угла для OBB) повышают точность.

Когда стоит выбрать YOLOv5#

  • Устаревшие системы: если в производственной среде жёстко заданы зависимости от конкретной логики генерации якорей YOLOv5 или разбора результатов NMS, для перехода может потребоваться небольшой этап рефакторинга.
  • Академические базовые модели: исследователи часто используют YOLOv5 как классическую базовую модель, чтобы показать историю развития архитектур обнаружения объектов.

Итоги#

Переход с YOLOv5 на YOLO26 — это не просто очередное обновление: он меняет подход к обучению и развёртыванию моделей для детекции объектов. Благодаря оптимизатору MuSGD, опциональной голове без NMS, исключающей постобработку, и более быстрому инференсу на CPU Ultralytics YOLO26 обеспечивает удачный баланс скорости и точности.

YOLOv5 остаётся моделью, которая сделала ИИ для компьютерного зрения доступным широкому кругу разработчиков, но разработчикам новых промышленных приложений стоит начинать с YOLO26.

Участники

Комментарии

Задай вопрос, поделись результатами или помоги кому-нибудь.