YOLOv5 против YOLO26#

Эволюция компьютерного зрения определялась непрерывным стремлением к более быстрым, точным и доступным моделям. Сравнивая Ultralytics YOLOv5 с передовой Ultralytics YOLO26, мы видим смену парадигмы, которая стирает грань между надежными устаревшими системами и передовым краем современного внедрения ИИ.

Это руководство содержит подробный технический разбор обеих архитектур, освещая их показатели производительности, структурные различия и оптимальные сценарии развертывания.

Обзор моделей#

YOLOv5: Рабочая лошадка индустрии#

Выпущенная в 2020 году, YOLOv5 произвела революцию в доступности детекции объектов. Перенеся архитектуру нативно в фреймворк PyTorch, она предоставила разработчикам беспрецедентный опыт «от новичка до профи».

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

YOLOv5 заложила фундамент для активно поддерживаемой экосистемы Ultralytics. Она представила агрессивные методы аугментации данных, эффективные циклы обучения и высоко оптимизированные пути экспорта в граничные форматы, такие как CoreML и ONNX. Простота использования и низкие требования к памяти при обучении сделали её основой для стартапов и исследователей по всему миру.

Узнай больше о YOLOv5

YOLO26: Стандарт Vision AI нового поколения#

Перенесемся в январь 2026 года: Ultralytics YOLO26 представляет собой вершину развития систем визуального ИИ реального времени. Она нативно объединяет уроки, извлеченные из промежуточных поколений вроде YOLOv8 и YOLO11, одновременно привнося масштабные прорывы, вдохновленные 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 устанавливает новый стандарт баланса производительности, предлагая точность современного уровня и будучи специально разработанной для доминирования в сценариях граничных вычислений.

Узнай больше о YOLO26

Архитектурные прорывы в YOLO26#

В то время как YOLOv5 полагается на детекторы на основе якорей (anchor-based) и стандартные функции потерь, YOLO26 полностью перерабатывает внутреннюю механику, чтобы устранить узкие места при развертывании.

1. Дизайн без NMS (End-to-End): Самое существенное различие — это изначально end-to-end архитектура YOLO26. В отличие от YOLOv5, которая требует ручного подавления немаксимумов (NMS) для фильтрации избыточных ограничивающих рамок, YOLO26 полностью исключает этот этап постпроцессинга. Это обеспечивает детерминированную задержку вывода и значительно упрощает интеграцию в C++ или встраиваемое оборудование.
2. Удаление DFL: YOLO26 удаляет Distribution Focal Loss (DFL). Этот архитектурный выбор кардинально упрощает экспорт модели и повышает совместимость с маломощными пограничными устройствами и микроконтроллерами, которые часто испытывают трудности со сложными операторами.
3. Оптимизатор MuSGD: Используя наработки Kimi K2 от Moonshot AI, YOLO26 использует MuSGD Optimizer, гибрид SGD и Muon. Это привносит стабильность и быструю сходимость, наблюдаемую при обучении LLM, в компьютерное зрение, что приводит к меньшему потреблению памяти и более быстрым циклам обучения по сравнению с моделями на базе Transformer.
4. ProgLoss + STAL: YOLO26 использует сложные функции ProgLoss и STAL, значительно улучшая способность обнаруживать мелкие и плотные объекты — что было исторической проблемой для YOLOv5.

Сравнение производительности#

Сравнивая модели на наборе данных COCO, YOLO26 демонстрирует колоссальные улучшения точности (mAP) при одновременном сокращении количества параметров и времени вывода на CPU.

Примечание: YOLO26 Nano (YOLO26n) достигает поразительных 40.9 mAP по сравнению с 28.0 mAP у YOLOv5n, при этом обеспечивая на 43% более быстрый вывод на CPU благодаря удалению DFL и голове без NMS.

Универсальность и поддержка задач#

YOLOv5 в первую очередь известна благодаря детекции объектов. Хотя более поздние обновления добавили базовую сегментацию, YOLOv26 была создана с нуля как универсальный многозадачный движок.

YOLO26 изначально поддерживает:

• Сегментация экземпляров: С использованием специализированных многомасштабных прототипов и функции потерь для семантической сегментации.
• Оценка позы: Использует оценку остаточного логарифмического правдоподобия (RLE) для высокоточного обнаружения ключевых точек.
• Ориентированные ограничивающие рамки (OBB): Включают специализированную потерю по углам для решения проблем разрыва границ, что критически важно для анализа спутниковых снимков.
• Классификация изображений: Стандартная классификация всего изображения.

Использование и примеры кода#

Python API от Ultralytics делает переключение между моделями невероятно простым. Поскольку обе модели разделяют одну и ту же хорошо поддерживаемую экосистему, обновление старого пайплайна YOLOv5 до YOLO26 требует только замены файла весов.

Пример на Python#

from ultralytics import YOLO

# To use YOLOv5, load a v5 weights file
# model = YOLO("yolov5su.pt")

# Migrate to the recommended YOLO26 model
model = YOLO("yolo26n.pt")

# Train on the COCO8 dataset using the efficient MuSGD optimizer
results = model.train(
    data="coco8.yaml",
    epochs=100,
    imgsz=640,
    batch=32,  # YOLO26's low memory footprint allows larger batch sizes
)

# Run an NMS-free inference
predictions = model("https://ultralytics.com/images/bus.jpg")
predictions[0].show()

Пример CLI#

Ты можешь развернуть YOLO26 напрямую через командную строку, используя интеграцию с TensorRT для 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

Идеальные варианты использования#

Когда выбирать YOLO26#

Для любого современного проекта в области компьютерного зрения YOLO26 является бесспорной рекомендацией.

• Граничный ИИ и IoT: На 43% более быстрый вывод на CPU и удаление DFL делают её идеальной для развертывания на Raspberry Pi или мобильных устройствах.
• Высокоскоростные конвейеры: Архитектура без использования NMS обеспечивает стабильную, предсказуемую задержку, что крайне важно для автономной робототехники и охранных систем сигнализации реального времени.
• Сложные сценарии: Если твоему приложению требуется отслеживание мелких объектов (например, мониторинг с дронов) или вращающихся объектов (OBB), продвинутые функции потерь YOLO26 (ProgLoss + സ്റ്റAL / ProgLoss + STAL) обеспечивают колоссальное преимущество в точности.

Когда выбирать YOLOv5#

• Устаревшие системы: Если твоя производственная среда имеет жестко закодированные зависимости от специфической логики генерации якорей или парсинга NMS в YOLOv5, миграция может потребовать непродолжительного периода рефакторинга.
• Конкретные академические базисы: Исследователи часто используют YOLOv5 в качестве классического базового уровня для демонстрации исторического развития архитектур детекции объектов.

Резюме#

Переход от YOLOv5 к YOLO26 — это не просто итеративное обновление; это фундаментальный скачок в том, как обучаются и развертываются модели обнаружения объектов. Используя оптимизатор MuSGD, отказываясь от сложного постпроцессинга благодаря дизайну без NMS и массово ускоряя скорость работы CPU, Ultralytics YOLO26 обеспечивает бескомпромиссный баланс скорости и точности.

Хотя YOLOv5 всегда будут помнить как модель, которая демократизировала Vision AI, разработчикам, стремящимся создавать надежные, готовые к производству и перспективные приложения, следует уверенно переходить на YOLO26.