YOLO26 vs YOLOv10: l'évolution de la détection d'objets de bout en bout

Le paysage de la détection d'objets en temps réel évolue rapidement. En 2024, YOLOv10 a fait la une des journaux en lançant une approche d'entraînement sans suppression non maximale (NMS), éliminant ainsi efficacement un goulot d'étranglement important dans les pipelines d'inférence. En 2026, Ultralytics a affiné et développé ces concepts, offrant une architecture native de bout en bout plus rapide, plus précise et profondément intégrée à Ultralytics .

Ce guide propose une comparaison technique entre ces deux modèles influents, aidant ainsi les développeurs, chercheurs et ingénieurs à choisir l'outil adapté à leurs applications de vision par ordinateur.

Comparaison des métriques de performance

Lors de l'évaluation des détecteurs modernes, le compromis entre vitesse et précision est primordial. YOLO26 introduit des optimisations significatives ciblant spécifiquement les appareils périphériques et CPU , permettant d'atteindre une augmentation de vitesse pouvant atteindre 43 % sur les CPU par rapport aux générations précédentes. Alors que YOLOv10 reste un modèle très efficace, YOLO26 repousse les limites du possible avec des ressources informatiques plus légères.

Innovations architecturales

Ultralytics : la nouvelle norme

Auteurs : Glenn Jocher, Jing Qiu
Organisation :Ultralytics
Date : 14 janvier 2026

YOLO26 représente l'aboutissement de recherches axées sur l'efficacité et la facilité d'utilisation. Il adopte une conception de bout en bout NMS, similaire à YOLOv10, mais l'améliore grâce à plusieurs changements architecturaux clés conçus pour offrir robustesse et flexibilité de déploiement.

1. Suppression du DFL : la suppression du Distribution Focal Loss (DFL) simplifie l'architecture du modèle. Cette modification est cruciale pour la compatibilité à l'exportation, car elle facilite le déploiement du modèle sur du matériel périphérique restreint, tel que le Raspberry Pi ou les appareils mobiles, où les couches de sortie complexes peuvent entraîner une latence.
2. Optimiseur MuSGD : inspiré par la stabilité de l'entraînement des grands modèles linguistiques (LLM), YOLO26 utilise un optimiseur hybride combinant SGD Muon. Cette innovation, adaptée du Kimi K2 de Moonshot AI, garantit une convergence plus rapide et des cycles d'entraînement stables, réduisant ainsi le coût de calcul.
3. ProgLoss + STAL : l'introduction des pertes progressives (ProgLoss) et des pertes d'ancrage à cible souple (STAL) améliore considérablement les performances sur les petits objets. Cela rend YOLO26 particulièrement adapté à des tâches telles que l'analyse d'images aériennes ou la détection de défauts dans la fabrication.

En savoir plus sur YOLO26

YOLOv10: le pionnier NMS

Auteurs : Ao Wang et al.
Organisation : Université Tsinghua
Date : 23 mai 2024

YOLOv10 une version marquante qui a remédié à la redondance du NMS . Sa principale innovation a été l'utilisation d'attributions doubles cohérentes pour un entraînement NMS.

• Attributions doubles : pendant l'entraînement, le modèle utilise à la fois des attributions d'étiquettes un-à-plusieurs et un-à-un. Cela permet au modèle d'apprendre des représentations riches tout en garantissant que, pendant l'inférence, une seule prédiction est effectuée par objet, éliminant ainsi le besoin de NMS.
• Conception holistique efficace : les auteurs ont introduit des têtes de classification légères et un sous-échantillonnage découplé spatialement et par canal afin de réduire la charge de calcul, ce qui se traduit par un faible nombre de FLOP.

En savoir plus sur YOLOv10

Intégration et écosystème

L'une des différences les plus significatives réside dans l'écosystème environnant. Ultralytics est le modèle phare de la Ultralytics , garantissant une prise en charge immédiate de toutes les tâches et tous les modes.

L'avantage Ultralytics

• Polyvalence : alors que YOLOv10 principalement sur la détection, YOLO26 offre une prise en charge native de la segmentation d'instances, de l'estimation de pose, de l'OBB et de la classification.
• Ultralytics : YOLO26 est entièrement intégré à la Ultralytics (anciennement HUB), ce qui permet une gestion transparente des ensembles de données, une formation dans le cloud en un seul clic et un déploiement vers des formats tels que TFLite et OpenVINO.
• Maintenance : en tant que produit phare, YOLO26 bénéficie de mises à jour fréquentes, de corrections de bogues et du soutien de la communauté via GitHub et Discord.

Comparaison de code

Les deux modèles peuvent être exécutés à l'aide du ultralytics Python , soulignant la flexibilité de la bibliothèque. Cependant, YOLO26 bénéficie des dernières fonctions utilitaires et optimisations.

from ultralytics import YOLO

# ----------------- YOLO26 -----------------
# Load the latest YOLO26 model (NMS-free, optimized for CPU)
model_26 = YOLO("yolo26n.pt")

# Train on a custom dataset with MuSGD optimizer enabled automatically
model_26.train(data="coco8.yaml", epochs=100, imgsz=640)

# Run inference with simplified output (no NMS overhead)
results_26 = model_26("path/to/image.jpg")


# ----------------- YOLOv10 -----------------
# Load the YOLOv10 model (Historical academic checkpoint)
model_10 = YOLO("yolov10n.pt")

# Train using standard settings
model_10.train(data="coco8.yaml", epochs=100, imgsz=640)

# Run inference
results_10 = model_10("path/to/image.jpg")

Cas d'utilisation et recommandations

Le choix entre ces modèles dépend de vos contraintes de déploiement spécifiques et des objectifs de votre projet.

Scénarios Idéaux pour YOLO26

• IA de pointe sur CPU: si votre application fonctionne sur du matériel sans GPU dédié GPU par exemple, ordinateurs portables standard, passerelles IoT à faible consommation), CPU 43 % plus rapide de YOLO26 en fait le choix incontestable.
• Solutions commerciales : pour les applications d'entreprise nécessitant une maintenabilité à long terme, une clarté stricte en matière de licences (licence d'entreprise) et une assistance fiable, YOLO26 est conçu pour la production.
• Tâches complexes : les projets nécessitant des cadres de sélection orientés pour les levés aériens ou l'estimation de la posture pour l'analyse sportive bénéficieront des capacités multitâches de YOLO26.

Scénarios idéaux pour YOLOv10

• Recherche universitaire : les chercheurs qui étudient les fondements théoriques de l'entraînement NMS ou des stratégies d'attribution d'étiquettes trouveront dans l'article arXiv et l'architecture YOLOv10 une référence précieuse.
• Benchmarking hérité : pour comparer avec les références de 2024, YOLOv10 une excellente norme pour les architectures axées sur l'efficacité.

Conclusion

Ces deux architectures ont joué un rôle essentiel dans l'avancement de la vision par ordinateur. YOLOv10 a remis en question avec succès la nécessité du NMS, prouvant que la détection de bout en bout était viable pour les applications en temps réel.

Ultralytics reprend cette avancée révolutionnaire et la perfectionne. En combinant une conception NMS avec la stabilité de l'optimiseur MuSGD, la suppression du DFL adaptée à la périphérie et la prise en charge polyvalente de Ultralytics , YOLO26 offre aujourd'hui la solution la plus équilibrée et la plus performante pour les développeurs. Que vous construisiez un système de circulation intelligent pour une ville ou un scanner de documents mobile, YOLO26 vous offre la vitesse et la précision nécessaires à votre réussite.

Lectures complémentaires

• Documentation YOLO26
• Guide des tâches de détection d'objets
• Explication des métriques de performance YOLO
• Ultralytics pour la formation de modèles
• Guide des modes d'exportation des modèles

Commentaires