YOLOv5 与 YOLO26
计算机视觉的发展由持续追求更快、更准确且更易用的模型所推动。Ultralytics YOLOv5 和 Ultralytics YOLO26 标志着这一发展历程中的两个节点:一个是广泛部署的旧款模型,另一个是当前推荐的 Ultralytics 模型。
本指南全面拆解这两种架构的技术细节,重点介绍它们的性能指标、结构差异和理想部署场景。
模型概述#
YOLOv5:行业主力模型#
YOLOv5 于 2020 年发布,让目标检测变得更加易用。它在 PyTorch 框架中原生实现架构,为开发者提供了从安装到训练和部署的简单路径。
- 作者: Glenn Jocher
- 组织: Ultralytics
- 日期: 2020-06-26
- GitHub: https://github.com/ultralytics/yolov5
- 文档: YOLOv5 文档
YOLOv5 奠定了积极维护的 Ultralytics 生态系统的基础。它引入了强大的数据增强技术、高效的训练循环,以及面向 CoreML 和 ONNX 等边缘端格式的高度优化导出流程。它易于使用,训练时内存需求低,因此成为全球初创公司和研究人员的常用模型。
YOLO26:新一代视觉 AI 标准#
Ultralytics YOLO26 于 2026 年 1 月发布,是最新一代 Ultralytics YOLO。它吸收了 YOLOv8 和 YOLO11 等过渡代模型积累的经验,并引入了受大语言模型(LLM)训练启发的训练技术。
- 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
YOLO26 在准确率和速度之间实现了出色的平衡,专为边缘计算场景打造。
如果你正在迁移较旧的代码库,还可以了解比较 YOLOv5 与 YOLO11的内容。YOLO11 是前一代模型,支持姿态估计和有向边界框(OBB)等多种任务。
YOLO26 的架构创新#
YOLOv5 依赖基于锚框的检测头和标准损失函数,而 YOLO26 重新设计了检测头、损失函数和优化器,以消除部署瓶颈。
- 端到端无 NMS 设计:最大的区别是 YOLO26 原生支持端到端推理。YOLOv5 需要通过非极大值抑制(NMS)筛除冗余边界框,而 YOLO26 的可选一对一检测头(
nms=False)会跳过这一后处理步骤。这能让推理延迟更加可预测,并简化与 C++ 或嵌入式硬件的集成。 - 移除 DFL:YOLO26 移除了分布焦点损失(DFL)。这一架构选择简化了模型导出,并提升了模型与低功耗边缘设备和加速器的兼容性,因为这些设备和加速器通常难以处理复杂算子。
- MuSGD 优化器:受 Moonshot AI 的 Kimi K2 启发,YOLO26 使用 MuSGD 优化器,这是 SGD 与 Muon 的混合优化器。它将大语言模型训练中展现出的稳定性和快速收敛能力带入计算机视觉。
- ProgLoss + STAL:YOLO26 使用 ProgLoss 和 STAL 改善小目标和密集目标的检测效果,这是 YOLOv5 长期以来面临的难题。
性能对比#
在COCO 数据集上比较这些模型时,YOLO26 在每个规模下都展现出更高的准确率(mAP),并且从中型版本开始使用的参数更少。
| 模型 | 尺寸 (像素) | mAPval50-95 | 速度 CPU ONNX (毫秒) | 速度 T4 TensorRT10 (ms) | 参数 (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| 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 |
| 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 |
注:YOLO26 Nano(YOLO26n)的 mAP 为 40.9,而 YOLOv5n 为 28.0;仅多出 0.5M 个参数,mAP 就提升了 12.9 个点。此外,移除 DFL 和采用无 NMS 检测头也简化了 CPU 和边缘端部署。
多功能性与任务支持#
YOLOv5 主要以目标检测闻名。虽然后续更新加入了基础分割功能,但 YOLO26 从一开始就被打造为统一的多任务引擎。
YOLO26 原生支持:
- 实例分割:采用针对具体任务的多尺度原型和语义分割损失。
- 语义分割:对每个像素进行密集类别标注。
- 深度估计:根据单张图像预测每个像素的深度。
- 图像分类:对整张图像进行标准分类。
- 姿态估计:采用残差对数似然估计(RLE),实现更准确的关键点定位。
- 有向边界框(OBB):采用专门的角度损失来解决边界不连续问题,这对卫星图像分析至关重要。
两种模型都能受益于 Ultralytics Platform,该平台提供数据标注、云端训练和一键部署功能。
用法与代码示例#
Ultralytics Python API 让你可以轻松切换模型。由于两种模型共用同一个维护良好的生态系统,要将 ultralytics 包中的 YOLOv5u 流程升级到 YOLO26,只需更换权重文件。
Python 示例#
from ultralytics import YOLO
# 使用 YOLOv5 时,加载 v5 权重文件
# model = YOLO("yolov5su.pt")
# 迁移到推荐的 YOLO26 模型
model = YOLO("yolo26n.pt")
# 使用 COCO8 数据集训练;较长训练任务(>10k 次迭代)中,optimizer="auto" 会自动选择 MuSGD
results = model.train(
data="coco8.yaml",
epochs=100,
imgsz=640,
batch=32, # YOLO26 的内存占用较低,因此可以使用更大的批次大小
)
# 执行无 NMS 推理
predictions = model("https://ultralytics.com/images/bus.jpg", nms=False)
predictions[0].show()CLI 示例#
你可以通过命令行直接部署 YOLO26,并使用 TensorRT 集成实现最高 GPU 吞吐量:
# 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理想应用场景#
何时选择 YOLO26#
对于新的计算机视觉项目,推荐选择 YOLO26。
- 边缘 AI 和 IoT:CPU 推理速度最高提升 43%(YOLO26n 对比 YOLO11n),且移除了 DFL,因此非常适合部署到 Raspberry Pi 或移动设备。
- 高速流程:可选的无 NMS 检测头能提供更可预测的延迟,这对于自主机器人和实时安全警报系统至关重要。
- 复杂场景:如果你的应用需要检测小目标(例如无人机监控)或旋转目标(OBB),YOLO26 的训练改进(ProgLoss + STAL,以及针对 OBB 的专用角度损失)能够提升准确率。
何时选择 YOLOv5#
- 旧版系统:如果你的生产环境硬编码依赖 YOLOv5 特定的锚框生成或 NMS 解析逻辑,迁移可能需要一段简短的重构时间。
- 特定学术基线:研究人员常使用 YOLOv5 作为经典基线,展示目标检测架构的发展历程。
总结#
从 YOLOv5 迁移到 YOLO26 不只是一次迭代更新:它改变了目标检测模型的训练和部署方式。凭借 MuSGD 优化器、可跳过后处理步骤的可选无 NMS 检测头以及更快的 CPU 推理,Ultralytics YOLO26 在速度和准确率之间实现了出色的平衡。
YOLOv5 仍是让广大开发者能够使用视觉 AI 的模型,但构建新生产应用的开发者应从 YOLO26 开始。
评论
提出问题、分享结果,或帮助其他人。