YOLOv5 и YOLO26#

Эволюция компьютерного зрения определялась постоянным стремлением к более быстрым, точным и доступным моделям. Сравнивая Ultralytics YOLOv5 с передовой моделью Ultralytics YOLO26, мы видим смену парадигмы, которая сокращает разрыв между проверенными временем системами и передовыми решениями для современного развертывания ИИ.

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 обнаружение объектов гораздо доступнее. Перенос архитектуры на PyTorch позволил разработчикам пройти путь от первых шагов до экспертного уровня с беспрецедентной простотой.

• Авторы: Glenn Jocher
• Организация: Ultralytics
• Дата: 2020-06-26
• GitHub: https://github.com/ultralytics/yolov5
• Документация: Документация YOLOv5

YOLOv5 заложила основу активно развивающейся экосистемы Ultralytics. В ней появились интенсивные методы аугментации данных, эффективные циклы обучения и оптимизированные способы экспорта в форматы для периферийных устройств, например CoreML и ONNX. Простота использования и низкие требования к памяти во время обучения сделали эту модель популярной среди стартапов и исследователей по всему миру.

YOLO26: новое поколение стандарта визуального ИИ#

Перенесёмся в январь 2026 года: Ultralytics YOLO26 — вершина развития ИИ для компьютерного зрения в реальном времени. Модель органично сочетает опыт, полученный при разработке предыдущих поколений, таких как YOLOv8 и YOLO11, и предлагает масштабные прорывы, 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 задаёт новый стандарт баланса производительности: модель обеспечивает передовую точность и специально разработана для периферийных вычислений.

Архитектурные прорывы YOLO26#

YOLOv5 использует основанные на якорях головы обнаружения и стандартные функции потерь, а YOLO26 полностью перерабатывает внутренние механизмы, чтобы устранить узкие места при развертывании.

1. Сквозная архитектура без NMS: Главное отличие — встроенный в YOLO26 режим сквозного инференса. В отличие от YOLOv5, которой для фильтрации избыточных ограничивающих рамок требуется подавление немаксимумов (NMS), дополнительная голова один-к-одному в YOLO26 (nms=False) полностью пропускает этот этап постобработки. Это обеспечивает предсказуемую задержку инференса и значительно упрощает интеграцию с C++ и встраиваемым оборудованием.
2. Отказ от DFL: YOLO26 не использует Distribution Focal Loss (DFL). Такой архитектурный выбор значительно упрощает экспорт модели и повышает совместимость с маломощными периферийными устройствами и микроконтроллерами, которым часто сложно обрабатывать сложные операции.
3. Оптимизатор MuSGD: Вдохновлённая моделью Kimi K2 от Moonshot AI, YOLO26 использует оптимизатор MuSGD — гибрид SGD и Muon. Он переносит в компьютерное зрение стабильность и быструю сходимость, характерные для обучения больших языковых моделей, и снижает расход памяти и длительность циклов обучения по сравнению с моделями на основе Transformer.
4. ProgLoss + STAL: YOLO26 использует продвинутые функции ProgLoss и STAL, значительно улучшая обнаружение мелких и плотно расположенных объектов — задачи, которая исторически была сложной для YOLOv5.

Сравнение производительности#

При сравнении моделей на наборе данных COCO YOLO26 демонстрирует значительный прирост точности (mAP) на всех масштабах и при этом использует меньше параметров, начиная со средней версии.

Примечание: YOLO26 Nano (YOLO26n) достигает впечатляющих 40.9 mAP против 28.0 mAP у YOLOv5n — прирост на 12.9 пункта при увеличении числа параметров всего на 0.5M. При этом отказ от DFL и голова без NMS упрощают развертывание на CPU и периферийных устройствах.

Универсальность и поддержка задач#

YOLOv5 прежде всего известна благодаря обнаружению объектов. В более поздних обновлениях появилась базовая сегментация, а YOLO26 с самого начала создавалась как универсальный движок для решения множества 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: использование метода оценки остаточного логарифмического правдоподобия (RLE) для высокоточного обнаружения ключевых точек.
• Ориентированные ограничивающие рамки (OBB): специальная функция потерь по углу устраняет проблемы разрывов на границах, что особенно важно для анализа спутниковых изображений.

Использование и примеры кода#

Python API Ultralytics позволяет легко переключаться между моделями. Обе модели входят в одну хорошо поддерживаемую экосистему, поэтому для обновления старого конвейера YOLOv5 до YOLO26 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 любого современного проекта в области компьютерного зрения YOLO26 — однозначно рекомендуемый выбор.

• Периферийный ИИ и IoT: инференс на CPU до 43% быстрее, чем у YOLO11n, а отказ от DFL делает модель идеальной для развертывания на Raspberry Pi и мобильных устройствах.
• Высокоскоростные конвейеры: архитектура без NMS обеспечивает стабильную и предсказуемую задержку, что критически важно для автономной робототехники и систем охранной сигнализации реального времени.
• Сложные сценарии: если приложению нужно отслеживать мелкие объекты, например при наблюдении с дронов, или вращающиеся объекты (OBB), продвинутые функции потерь YOLO26 (ProgLoss + STAL) обеспечат значительный прирост точности.

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 — не просто очередное обновление, а фундаментальный скачок в подходах к обучению и развертыванию моделей обнаружения объектов. Используя оптимизатор MuSGD, отказываясь от сложной постобработки благодаря архитектуре без NMS и значительно ускоряя работу на CPU, Ultralytics YOLO26 обеспечивает бескомпромиссный баланс скорости и точности.

YOLOv5 навсегда останется моделью, которая сделала ИИ для компьютерного зрения доступным широкому кругу специалистов. Но разработчикам, которые создают надёжные, готовые к эксплуатации и рассчитанные на будущее приложения, стоит уверенно выбирать YOLO26.