YOLO26 与 YOLOv5 对比
为任何计算机视觉项目选择合适的架构都至关重要。本指南对比了 Ultralytics 的两个重要版本:广泛采用的 YOLOv5 和当前的 YOLO26。两者都推动了实时目标检测的发展,但其底层设计反映出五年多来神经网络处理视觉数据方式的进步。
模型概述#
下面总结了两种模型的主要信息。
YOLO26 详情:
- 作者: Glenn Jocher 和 Jing Qiu
- 组织: Ultralytics
- 日期: 2026-01-14
- GitHub: https://github.com/ultralytics/ultralytics
- 文档:YOLO26 文档
YOLOv5 详情:
- 作者: Glenn Jocher
- 组织: Ultralytics
- 日期: 2020-06-26
- GitHub: https://github.com/ultralytics/yolov5
- 文档: YOLOv5 文档
架构创新#
YOLOv5 与 YOLO26 相隔五年多,其间深度学习研究取得了重大进展。YOLOv5 帮助普及了基于 PyTorch 的 YOLO 训练,并提供经过优化的基于锚框的检测机制,后来成为行业标准。然而,它在后处理中依赖非极大值抑制(NMS),这可能会在资源受限设备上造成延迟瓶颈。
YOLO26 通过端到端、无需 NMS 的设计重新设计了推理流程。其可选的一对一检测头(nms=False)无需进行 NMS 后处理,从而带来更快、更简单的部署逻辑;这一概念由 YOLOv10 引入 YOLO 模型。YOLO26 还支持移除 DFL(Distribution Focal Loss),从而简化输出头。这使模型更容易导出为 ONNX 和 TensorRT 等格式,并提升了与边缘设备和低功耗设备的兼容性。
训练期间,YOLO26 使用 MuSGD 优化器,这是受 Moonshot AI 的 Kimi K2 启发、结合 SGD 与 Muon 的混合方案。它将 LLM 训练理念引入计算机视觉,比 YOLOv5 默认使用的普通 SGD 优化器带来更稳定的训练和更快的收敛。
性能与指标#
评估模型时,平均精度均值(mAP)与推理速度之间的平衡决定了模型在现实场景中的可用性。YOLO26 针对高端 GPU 和边缘 CPU 都进行了优化。
| 模型 | 尺寸 (像素) | mAPval50-95 | 速度 CPU ONNX (毫秒) | 速度 T4 TensorRT10 (ms) | 参数 (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| 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 |
| 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 |
基准测试显示,准确率有了显著提升。例如,YOLO26n 的 mAP 达到 40.9,而 YOLOv5n 为 28.0;YOLO26n 的 CPU 推理速度最高比 YOLO11n 快 43%。因此,YOLO26 更适合部署在 Raspberry Pi 或移动设备等嵌入式平台上。YOLOv5 在 n、s 和 m 尺寸下的 T4 TensorRT 速度更快,但准确率上的取舍明显有利于 YOLO26(例如,m 模型的 mAP 为 53.1 对比 45.4)。
训练生态与易用性#
这两种模型都受益于维护良好的 Ultralytics 生态系统,包括简单的 Python API、详尽的文档和活跃的社区支持。YOLO26 还进一步改进了训练方式。
与以 Transformer 为主的替代方案相比,Ultralytics 模型在训练期间通常需要更少的 CUDA 内存。YOLO26 还加入了 ProgLoss + STAL(渐进式损失与小目标感知标签分配),在不增加内存开销的情况下改进小目标识别。
from ultralytics import YOLO
# 初始化 YOLO26 Nano 模型
model = YOLO("yolo26n.pt")
# 训练模型(optimizer='auto' 会在较长的训练过程中选择 MuSGD)
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, batch=16, device=0)
# 在测试图像上执行快速的无 NMS 推理
predictions = model("https://ultralytics.com/images/bus.jpg", nms=False)
predictions[0].show()该脚本可帮助开发者快速迭代自定义数据集,从数据导入一路推进到可用于生产的模型。
使用 Ultralytics Platform,你可以将训练好的 YOLO26 模型导出为 CoreML 或 LiteRT 等格式,无需编写任何转换代码。
通用性与理想应用场景#
何时使用 YOLOv5#
对于旧系统,YOLOv5 仍是可靠的主力模型。如果你现有的工业流水线与基于锚框的输出紧密耦合,或者你在较旧的 NVIDIA Jetson 设备上运行推理,且使用成熟、固定的 TensorRT 技术栈,那么 YOLOv5 能提供稳定且文档完善的解决方案。
何时使用 YOLO26#
YOLO26 是新建计算机视觉项目的推荐选择,支持的任务也比前代更多。YOLOv5 主要侧重检测(之后才加入分割和分类),而 YOLO26 原生支持实例分割、语义分割、深度估计、图像分类、姿态估计和有向边界框(OBB)。
YOLO26 引入了特定任务改进,例如专用语义分割损失、用于提升姿态关键点精度的残差对数似然估计(RLE),以及能够解决边界问题的 OBB 专用角度损失。
- 边缘 IoT 和机器人: 可选的无 NMS 推理和最高 43% 的 CPU 推理速度提升(YOLO26n 对比 YOLO11n),使 YOLO26 非常适合实时机器人导航和智能家居摄像头。
- 航拍图像: ProgLoss + STAL 改进了从无人机拍摄的微小目标检测效果,例如停车场中的车辆或农田中的农作物,让检测更加可靠。
- 实时视频分析: 无论是跟踪体育赛事直播中的运动员,还是监控交通流量,YOLO26 都能在实时视频中兼顾准确率和速度。
由于两种模型都使用 Ultralytics 生态系统,从 YOLOv5 迁移到 YOLO26 非常简单,并能让研究人员和开发者使用最新的 Ultralytics 功能。
评论
提出问题、分享结果,或帮助其他人。