YOLO26 与 YOLOv5：目标检测领域的一代跨越
计算机视觉的发展历程是由对速度、精度和易用性的不懈追求所定义的。选择正确的架构对于任何 AI 项目的成功都至关重要。在这份详尽的指南中，我们将对比来自 Ultralytics 的两个里程碑式版本：开创性的 YOLOv5 和突破性的 YOLO26。虽然两者都对实时 object detection 领域产生了深远影响，但它们底层的技术反映了神经网络处理视觉数据方式的巨大范式转移。
模型概述
在深入探讨架构细节之前，让我们先了解这两个模型的基础信息。
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 Documentation
YOLOv5 详情：
- 作者：Glenn Jocher
- 组织：Ultralytics
- 日期：2020-06-26
- GitHub: https://github.com/ultralytics/yolov5
- 文档: YOLOv5 Documentation
架构创新
YOLOv5 与 YOLO26 之间的六年跨度代表了深度学习研究的巨大飞跃。YOLOv5 在视觉模型中普及了 PyTorch 的广泛应用，提供了一种高度优化、基于锚框（anchor-based）的检测机制，并成为了行业标准。然而，它在后处理阶段严重依赖 Non-Maximum Suppression (NMS)，这在资源受限的设备上可能会引入延迟瓶颈。
YOLO26 通过端到端无 NMS 设计彻底重构了推理流水线。通过消除对 NMS 后处理的需求，YOLO26 提供了更快、更简单的部署逻辑，这一概念最早在 YOLOv10 中提出，并在此得到了完善。此外，YOLO26 采用了 DFL Removal（分布焦点损失移除），极大地简化了输出头。这使得将模型导出为 ONNX 和 TensorRT 等格式变得异常顺滑，从而确保了与边缘设备和低功耗设备的出色兼容性。
在训练期间，YOLO26 使用了尖端的 MuSGD Optimizer，这是一种受 Moonshot AI's Kimi K2 启发、结合了 SGD 和 Muon 的混合优化器。它将大语言模型训练的创新引入了计算机视觉领域，相较于 YOLOv5 中使用的传统 SGD 或 AdamW 优化器，它保证了高度稳定的训练并显著加快了收敛速度。
性能与指标
在评估模型时，mean Average Precision (mAP) 与推理速度之间的平衡决定了实际应用的可行性。YOLO26 针对高端 GPU 和边缘 CPU 进行了原生优化。
| 模型 | 尺寸 (像素) | mAPval 50-95 | 速度 CPU ONNX (ms) | 速度 T4 TensorRT10 (ms) | 参数 (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLO26n | 640 | 40.9 | 38.9 | 1.7 | 2.4 | 5.4 |
| YOLO26s | 640 | 48.6 | 87.2 | 2.5 | 9.5 | 20.7 |
| YOLO26m | 640 | 53.1 | 220.0 | 4.7 | 20.4 | 68.2 |
| YOLO26l | 640 | 55.0 | 286.2 | 6.2 | 24.8 | 86.4 |
| YOLO26x | 640 | 57.5 | 525.8 | 11.8 | 55.7 | 193.9 |
| YOLOv5n | 640 | 28.0 | 73.6 | 1.12 | 2.6 | 7.7 |
| YOLOv5s | 640 | 37.4 | 120.7 | 1.92 | 9.1 | 24.0 |
| YOLOv5m | 640 | 45.4 | 233.9 | 4.03 | 25.1 | 64.2 |
| YOLOv5l | 640 | 49.0 | 408.4 | 6.61 | 53.2 | 135.0 |
| YOLOv5x | 640 | 50.7 | 763.2 | 11.89 | 97.2 | 246.4 |
基准测试揭示了惊人的改进。例如，YOLO26n 的 mAP 达到了 40.9，而 YOLOv5n 为 28.0，同时它还提供了高达 43% 的 CPU 推理加速。这使得 YOLO26 在 Raspberry Pi 等嵌入式部署或移动设备上具有压倒性优势。虽然 YOLOv5 在 Nano 尺度的 TensorRT GPU 速度上略有领先，但精度方面的权衡显然更有利于 YOLO26。
训练生态系统与易用性
两个模型都极大地受益于维护良好的 Ultralytics 生态系统。它们提供了“从零到英雄”的体验，包括简化的 Python API、详尽的文档和活跃的社区支持。然而，YOLO26 将训练效率提升到了一个新的高度。
Ultralytics 模型在训练时对 CUDA memory 的需求始终显著低于基于 Transformer 的替代方案。YOLO26 通过其 ProgLoss + STAL 损失函数进一步增强了这一点。这些进展在不增加内存开销的前提下，显著提升了小物体识别的能力。
from ultralytics import YOLO
# Initialize the cutting-edge YOLO26 Nano model
model = YOLO("yolo26n.pt")
# Train the model with the MuSGD optimizer (default for YOLO26)
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, batch=16, device=0)
# Run fast, NMS-free inference on a test image
predictions = model("https://ultralytics.com/images/bus.jpg")
predictions[0].show()此脚本让开发人员能够快速迭代 custom datasets，并无缝地从数据采集过渡到生产就绪模型。
使用 Ultralytics Platform，你可以自动将训练好的 YOLO26 模型导出为 CoreML 或 TensorFlow Lite 等格式，而无需编写任何转换代码。
多功能性与理想用例
何时使用 YOLOv5
YOLOv5 仍然是旧系统的可靠主力。如果你现有的工业流水线严重依赖基于锚框的输出，或者你正在运行基于陈旧且稳定的 TensorRT 堆栈的 NVIDIA Jetson 设备，YOLOv5 提供了一个稳定且文档完善的解决方案。
何时使用 YOLO26
YOLO26 是现代计算机视觉项目的最终选择。它的多功能性远超其前身。虽然 YOLOv5 主要专注于检测（后期添加了分割功能），但 YOLO26 为 Instance Segmentation、Pose Estimation、Image Classification 和 Oriented Bounding Boxes (OBB) 提供了深入且原生的支持。
YOLO26 引入了针对特定任务的改进，例如专门的语义分割损失、用于超精确姿态关键点的残差对数似然估计（RLE），以及用于 OBB 以解决棘手边界问题的先进角度损失。
- 边缘 IoT 与机器人技术： 无 NMS 架构和 43% 的 CPU 推理加速使得 YOLO26 成为实时机器人导航和智能家居摄像头的理想选择。
- 航空影像： ProgLoss + STAL 的增强使得从无人机检测微小物体（如停车场内的车辆或农田里的作物）变得更加可靠。
- 实时视频分析： 无论是体育转播中追踪运动员还是监控交通流量，YOLO26 的性能平衡确保了在不掉帧的情况下保持高召回率。
归根结底，Ultralytics 对可访问、高性能生态系统的承诺，确保了从 YOLOv5 到 YOLO26 的过渡是顺畅的，从而为研究人员和开发人员解锁了最先进的能力。