YOLOv5 и YOLO26#

Развитие компьютерного зрения определяется постоянным стремлением создавать более быстрые, точные и доступные модели. Сравнивая Ultralytics YOLOv5 с передовой Ultralytics YOLO26, мы наблюдаем смену парадигмы, которая устраняет разрыв между проверенными временем системами и передовыми решениями для современного развертывания ИИ.

В этом руководстве представлен подробный технический разбор обеих архитектур с анализом их показателей производительности, структурных различий и оптимальных сценариев развертывания.

Обзор моделей#

YOLOv5: рабочая лошадка отрасли#

Выпущенная в 2020 году, YOLOv5 произвела революцию в доступности обнаружения объектов. Благодаря нативному переносу архитектуры на фреймворк PyTorch разработчики получили беспрецедентный путь от «нуля до героя».

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

YOLOv5 заложила основу для активно развиваемой экосистемы Ultralytics. Она представила агрессивные методы аугментации данных, эффективные циклы обучения и высокооптимизированные пути экспорта в периферийные форматы, такие как CoreML и ONNX. Простота использования и низкие требования к памяти во время обучения сделали ее стандартным выбором для стартапов и исследователей по всему миру.

YOLO26: стандарт компьютерного зрения нового поколения#

Перенесемся в январь 2026 года: Ultralytics YOLO26 представляет собой вершину развития ИИ для компьютерного зрения в реальном времени. Она нативно интегрирует наработки, полученные в промежуточных поколениях, таких как YOLOv8 и YOLO11, одновременно внедряя 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 эталон сбалансированной производительности, обеспечивая точность на уровне передовых решений и будучи специально спроектированной для превосходной работы в сценариях периферийных вычислений.

Архитектурные прорывы в YOLO26#

В то время как YOLOv5 использует головы обнаружения на основе якорей и стандартные функции потерь, YOLO26 полностью перерабатывает внутреннюю механику, устраняя узкие места при развертывании.

1. Дизайн без NMS от начала до конца: Самое существенное различие — нативная сквозная архитектура YOLO26. В отличие от YOLOv5, которой требуется ручное подавление немаксимумов (NMS) для фильтрации дублирующихся ограничивающих рамок, YOLO26 полностью устраняет этот этап постобработки. Это обеспечивает детерминированную задержку инференса и значительно упрощает интеграцию с C++ или встраиваемым оборудованием.
2. Удаление DFL: YOLO26 удаляет Distribution Focal Loss (DFL). Это архитектурное решение значительно упрощает экспорт модели и повышает совместимость с маломощными периферийными устройствами и микроконтроллерами, которым часто сложно обрабатывать сложные операторы.
3. Оптимизатор MuSGD: Следуя идеям Moonshot AI Kimi K2, YOLO26 использует оптимизатор MuSGD — гибрид SGD и Muon. Он переносит стабильность и быструю сходимость, характерные для обучения больших языковых моделей, в компьютерное зрение, обеспечивая меньшее потребление памяти и более быстрые циклы обучения по сравнению с моделями на основе Transformer.
4. ProgLoss + STAL: YOLO26 использует сложные функции ProgLoss и STAL, значительно повышая способность обнаруживать мелкие и плотно расположенные объекты — исторически сложную задачу для YOLOv5.

Сравнение производительности#

При сравнении моделей на датасете COCO YOLO26 демонстрирует значительный прирост точности (mAP), одновременно уменьшая количество параметров и ускоряя инференс на CPU.

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

Универсальность и поддержка задач#

YOLOv5 в первую очередь известна благодаря обнаружению объектов. Хотя более поздние обновления добавили базовую сегментацию, YOLO26 с нуля создавалась как унифицированный движок для решения нескольких задач.

YOLO26 изначально поддерживает:

• Сегментация экземпляров: специализированные многошкальные прототипы и функция потерь семантической сегментации.
• Оценка позы: использование Residual Log-Likelihood Estimation (RLE) для высокоточного обнаружения ключевых точек.
• Ориентированные ограничивающие рамки (OBB): специализированная функция потерь для углов устраняет проблемы разрывов границ, что особенно важно для анализа спутниковых изображений.
• Классификация изображений: стандартная категоризация всего изображения.

Примеры использования и кода#

API Ultralytics для Python делает переход между моделями невероятно простым. Поскольку обе модели используют одну хорошо поддерживаемую экосистему, для обновления устаревшего конвейера YOLOv5 до YOLO26 достаточно изменить файл весов.

Пример для 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 сценарии использования#

Когда выбирать YOLO26#

Для любого современного проекта в области компьютерного зрения YOLO26 — однозначно рекомендуемый выбор.

• Периферийный ИИ и IoT: инференс на CPU на 43% быстрее и удаление DFL делают ее идеальной для развертывания на Raspberry Pi или мобильных устройствах.
• Высокоскоростные конвейеры: архитектура без NMS обеспечивает стабильную и предсказуемую задержку, что крайне важно для автономной робототехники и систем охранной сигнализации в реальном времени.
• Сложные сценарии: если твоему приложению требуется отслеживать мелкие объекты, например при мониторинге с дронов, или вращающиеся объекты (OBB), продвинутые функции потерь YOLO26 (ProgLoss + STAL) обеспечивают значительное преимущество в точности.

Когда выбирать YOLOv5#

• Устаревшие системы: если в твоей рабочей среде жестко заданны зависимости от конкретной генерации якорей YOLOv5 или логики разбора NMS, миграция может потребовать непродолжительного рефакторинга.
• Конкретные академические базовые модели: исследователи часто используют YOLOv5 в качестве классической базовой модели для демонстрации исторического развития архитектур обнаружения объектов.

Итоги#

Переход от YOLOv5 к YOLO26 — это не просто итеративное обновление, а фундаментальный скачок в подходе к обучению и развертыванию моделей обнаружения объектов. Благодаря использованию оптимизатора MuSGD, отказу от сложной постобработки в пользу дизайна без NMS и значительному ускорению работы на CPU Ultralytics YOLO26 обеспечивает бескомпромиссный баланс скорости и точности.

YOLOv5 навсегда останется в памяти как модель, сделавшая ИИ для компьютерного зрения доступным широкому кругу пользователей, однако разработчикам, которые хотят создавать надежные, готовые к эксплуатации и рассчитанные на будущее приложения, стоит уверенно основывать их на YOLO26.