YOLOv5 So với YOLO26: Một bước tiến vượt bậc trong phát hiện đối tượng thời gian thực

Sự phát triển của thị giác máy tính được định hình bởi nỗ lực không ngừng nhằm tạo ra các mô hình nhanh hơn, chính xác hơn và dễ tiếp cận hơn. Khi so sánh Ultralytics YOLOv5 với Ultralytics YOLO26 tiên tiến nhất, chúng ta đang chứng kiến ​​một sự thay đổi mang tính đột phá, thu hẹp khoảng cách giữa các hệ thống kế thừa mạnh mẽ và công nghệ AI hiện đại tiên tiến nhất.

Hướng dẫn này cung cấp phân tích kỹ thuật toàn diện về cả hai kiến ​​trúc, nêu bật các chỉ số hiệu năng, sự khác biệt về cấu trúc và các kịch bản triển khai lý tưởng.

Tổng quan về mô hình

YOLOv5: Ngựa chiến của ngành

Ra mắt năm 2020, YOLOv5 Nó đã cách mạng hóa khả năng tiếp cận của việc phát hiện đối tượng. Bằng cách chuyển đổi kiến ​​trúc một cách tự nhiên sang khung PyTorch , nó đã cung cấp cho các nhà phát triển trải nghiệm "từ con số không đến chuyên gia" chưa từng có.

• Tác giả: Glenn Jocher
• Tổ chức:Ultralytics
• Ngày: 2020-06-26
• GitHub:https://github.com/ultralytics/yolov5
• Tài liệu:Tài liệu YOLOv5

YOLOv5 đã đặt nền móng cho việc bảo trì thường xuyên. Ultralytics Nó là một hệ sinh thái. Nó giới thiệu các kỹ thuật tăng cường dữ liệu mạnh mẽ, các vòng lặp huấn luyện hiệu quả và các đường dẫn xuất được tối ưu hóa cao sang các định dạng biên như CoreML và ONNX . Tính dễ sử dụng và yêu cầu bộ nhớ thấp trong quá trình huấn luyện đã khiến nó trở thành công cụ thiết yếu cho các công ty khởi nghiệp và các nhà nghiên cứu trên toàn thế giới.

Tìm hiểu thêm về YOLOv5

YOLO26: Tiêu chuẩn AI thị giác thế hệ tiếp theo

Đến tháng 1 năm 2026, Ultralytics YOLO26 đại diện cho đỉnh cao của trí tuệ nhân tạo thị giác thời gian thực. Nó tích hợp một cách tự nhiên những bài học kinh nghiệm từ các thế hệ trước như YOLOv8 và YOLO11 , đồng thời giới thiệu những đột phá lớn được lấy cảm hứng từ quá trình huấn luyện Mô hình Ngôn ngữ Lớn (LLM).

• Tác giả: Glenn Jocher và Jing Qiu
• Tổ chức:Ultralytics
• Ngày: 2026-01-14
• GitHub:https://github.com/ultralytics/ultralytics
• Tài liệu:Tài liệu YOLO26

YOLO26 thiết lập một chuẩn mực mới về sự cân bằng hiệu năng, cung cấp độ chính xác hàng đầu đồng thời được thiết kế đặc biệt để thống trị các kịch bản điện toán biên.

Tìm hiểu thêm về YOLO26

Những đột phá kiến ​​trúc tại YOLO26

Trong khi YOLOv5 Dựa trên các đầu dò gắn neo và các hàm mất dữ liệu tiêu chuẩn, YOLO26 đã cải tiến hoàn toàn cơ chế bên trong để loại bỏ các điểm nghẽn trong quá trình triển khai.

1. Thiết kế không cần NMS từ đầu đến cuối: Điểm khác biệt đáng kể nhất là kiến ​​trúc từ đầu đến cuối vốn có của YOLO26. Không giống như... YOLOv5 , điều này đòi hỏi phải sử dụng phương pháp triệt tiêu không tối đa thủ công ( NMS Thay vì lọc bỏ các hộp giới hạn dư thừa, YOLO26 loại bỏ hoàn toàn bước xử lý hậu kỳ này. Điều này đảm bảo độ trễ suy luận xác định và đơn giản hóa đáng kể việc tích hợp vào C++ hoặc phần cứng nhúng.
2. Loại bỏ DFL: YOLO26 loại bỏ hiện tượng suy hao tiêu điểm phân tán (DFL). Lựa chọn kiến ​​trúc này giúp đơn giản hóa đáng kể việc xuất mô hình và tăng cường khả năng tương thích với các thiết bị biên và vi điều khiển công suất thấp, vốn thường gặp khó khăn với các toán tử phức tạp.
3. Bộ tối ưu hóa MuSGD: Lấy cảm hứng từ Kimi K2 của Moonshot AI, YOLO26 sử dụng Bộ tối ưu hóa MuSGD , một sự kết hợp giữa... SGD và Muon. Điều này mang lại sự ổn định và khả năng hội tụ nhanh chóng được thấy trong quá trình huấn luyện LLM cho thị giác máy tính, dẫn đến việc sử dụng bộ nhớ thấp hơn và chu kỳ huấn luyện nhanh hơn so với các mô hình nặng về transformer.
4. ProgLoss + STAL: YOLO26 sử dụng các chức năng ProgLoss và STAL tiên tiến, giúp cải thiện đáng kể khả năng của nó trong việc... detect Các vật thể nhỏ và đặc — một thách thức lịch sử đối với YOLOv5 .

So sánh hiệu suất

Khi so sánh các mô hình trên tập dữ liệu COCO , YOLO26 cho thấy sự cải thiện vượt bậc về độ chính xác ( mAP ) đồng thời giảm số lượng tham số và CPU tốc độ suy luận.

Lưu ý: YOLO26 Nano (YOLO26n) đạt được tốc độ đáng kinh ngạc 40,9 km/h. mAP so với 28.0 của YOLOv5n mAP Đồng thời, nó cung cấp khả năng suy luận CPU nhanh hơn tới 43% nhờ việc loại bỏ DFL và... NMS - Đầu tự do.

Tính linh hoạt và hỗ trợ tác vụ

YOLOv5 YOLO26 chủ yếu nổi tiếng với khả năng phát hiện đối tượng . Mặc dù các bản cập nhật sau này đã giới thiệu thêm tính năng phân đoạn cơ bản, nhưng YOLO26 được xây dựng từ đầu để trở thành một công cụ đa nhiệm thống nhất.

YOLO26 vốn dĩ hỗ trợ:

• Phân đoạn đối tượng: Bao gồm các nguyên mẫu đa tỷ lệ dành riêng cho nhiệm vụ và tổn thất phân đoạn ngữ nghĩa.
• Ước lượng tư thế: Sử dụng ước lượng logarit xác suất dư (RLE) để phát hiện điểm mấu chốt với độ chính xác cao.
• Hộp giới hạn định hướng (OBB): Bao gồm việc xử lý mất góc chuyên biệt để giải quyết các vấn đề gián đoạn ranh giới, rất quan trọng đối với phân tích ảnh vệ tinh .
• Phân loại hình ảnh: Phân loại toàn bộ hình ảnh theo tiêu chuẩn.

Ví dụ về cách sử dụng và mã

Cái Ultralytics Python API giúp việc chuyển đổi giữa các mô hình trở nên vô cùng đơn giản. Vì cả hai mô hình đều chia sẻ cùng một hệ sinh thái được bảo trì tốt, nên việc cập nhật một mô hình cũ rất dễ dàng. YOLOv5 Việc chuyển đổi sang YOLO26 chỉ cần thay đổi tệp trọng số.

Ví dụ 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()

Ví dụ CLI

Bạn có thể triển khai YOLO26 trực tiếp thông qua dòng lệnh bằng cách sử dụng tích hợp TensorRT để đạt hiệu quả tối đa. GPU thông lượng:

# 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

Các trường hợp sử dụng lý tưởng

Khi nào nên chọn YOLO26

Đối với bất kỳ dự án thị giác máy tính hiện đại nào, YOLO26 là sự lựa chọn được đề xuất không thể bàn cãi .

• AI và IoT tại biên: Nhanh hơn 43% CPU Khả năng suy luận và loại bỏ DFL (Domain-Level Function) khiến nó trở nên hoàn hảo để triển khai trên Raspberry Pi hoặc các thiết bị di động.
• Đường ống tốc độ cao: NMS Kiến trúc không phụ thuộc vào bộ nhớ đảm bảo độ trễ ổn định và có thể dự đoán được, điều này rất quan trọng đối với robot tự hành và hệ thống báo động an ninh thời gian thực.
• Các trường hợp phức tạp: Nếu ứng dụng của bạn yêu cầu theo dõi các vật thể nhỏ (ví dụ: giám sát máy bay không người lái ) hoặc các vật thể quay (OBB), các chức năng giảm thiểu mất dữ liệu tiên tiến của YOLO26 (ProgLoss + STAL) sẽ mang lại lợi thế về độ chính xác vượt trội.

Khi nào nên chọn YOLOv5

• Hệ thống cũ: Nếu môi trường sản xuất của bạn có các phụ thuộc được mã hóa cứng vào... YOLOv5 thế hệ neo cụ thể của 's hoặc NMS Việc phân tích cú pháp logic và chuyển đổi có thể yêu cầu một giai đoạn tái cấu trúc ngắn.
• Tiêu chuẩn học thuật cụ thể: Các nhà nghiên cứu thường sử dụng YOLOv5 như một ví dụ kinh điển để minh họa sự tiến triển lịch sử của các kiến ​​trúc phát hiện đối tượng .

Tóm tắt

Sự chuyển đổi từ YOLOv5 Việc nâng cấp lên YOLO26 không chỉ là một bản cập nhật nhỏ; đó là một bước tiến vượt bậc trong cách huấn luyện và triển khai các mô hình phát hiện đối tượng. Bằng cách tận dụng trình tối ưu hóa MuSGD, loại bỏ các bước xử lý hậu kỳ phức tạp thông qua một... NMS - thiết kế miễn phí và khả năng tăng tốc mạnh mẽ CPU Với tốc độ cao, Ultralytics YOLO26 mang đến sự cân bằng hoàn hảo giữa tốc độ và độ chính xác.

Trong khi YOLOv5 YOLO26 sẽ luôn được nhớ đến như một mô hình đã dân chủ hóa trí tuệ nhân tạo thị giác, các nhà phát triển muốn xây dựng các ứng dụng mạnh mẽ, sẵn sàng cho sản xuất và có khả năng đáp ứng nhu cầu trong tương lai nên tự tin xây dựng dựa trên YOLO26.

Bình luận