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.
- Авторы: Glenn Jocher
- Организация: Ultralytics
- Дата: 2020-06-26
- GitHub: https://github.com/ultralytics/yolov5
- Документация: Документация YOLOv5
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).
- Авторы: Glenn Jocher и Jing Qiu
- Организация: Ultralytics
- Дата: 2026-01-14
- GitHub: https://github.com/ultralytics/ultralytics
- Документация: Документация YOLO26
YOLO26 обеспечивает удачный баланс точности и скорости и специально разработана для сценариев периферийных вычислений.
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.
- 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. - 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.
- 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.
- 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.
| Модель | размер (пиксели) | mAPval50-95 | Скорость CPU ONNX (мс) | Скорость T4 TensorRT10 (мс) | параметры (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| 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 |
| 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 |
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.
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.mp4Оптимальные 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.
Комментарии
Задай вопрос, поделись результатами или помоги кому-нибудь.