Commencer

Comparaison des modèles

Choisir la bonne architecture de réseau neuronal est la pierre angulaire de tout projet réussi de vision par ordinateur. Le Hub de comparaison des modèles Ultralytics rassemble des analyses techniques détaillées et des benchmarks de performances qui examinent les compromis entre le dernier modèle Ultralytics YOLO26 et d’autres architectures de pointe comme YOLO11, YOLOv10, RT-DETR et EfficientDet.

Que ton application exige la latence de quelques millisecondes de l’IA en périphérie ou la haute précision requise en imagerie médicale, ce guide fournit les données nécessaires pour faire un choix éclairé. Les modèles sont évalués selon la précision moyenne (mAP), la vitesse d’inférence, l’efficacité des paramètres et la facilité de déploiement.

Évaluations comparatives interactives des performances#

Visualiser la relation entre vitesse et précision est essentiel pour identifier la « frontière de Pareto » de la détection d’objets — les modèles qui offrent la meilleure précision pour une contrainte de vitesse donnée. Le graphique ci-dessous compare les principales métriques sur des jeux de données standards comme COCO.

Ce graphique représente les principales métriques de performance pour que tu puisses rapidement évaluer les compromis entre différents modèles. Comprendre ces métriques est essentiel pour choisir un modèle adapté à tes contraintes de déploiement.

Guide de décision rapide#

Tu ne sais pas par où commencer ? Utilise cet arbre de décision pour déterminer l’architecture qui répond le mieux à tes exigences matérielles et de performance.

Panorama actuel : YOLO26 et au-delà#

La détection d’objets évolue rapidement. Même si les anciens modèles restent pertinents pour les déploiements existants, les nouvelles architectures continuent d’améliorer la vitesse et la précision.

Ultralytics YOLO26#

Lancé en janvier 2026, YOLO26 est le dernier modèle Ultralytics et le point de départ recommandé pour tout nouveau projet. Il introduit des innovations architecturales, notamment une conception de bout en bout sans NMS (nms=False) facultative qui élimine le post-traitement par suppression des non-maxima (NMS), pour des temps d’inférence plus courts et plus prévisibles. YOLO26n est jusqu’à 43 % plus rapide sur CPU que YOLO11n, ce qui rend YOLO26 particulièrement adapté au déploiement en périphérie.

Principales innovations :

  • De bout en bout sans NMS : Déploiement simplifié sans post-traitement NMS requis (nms=False)
  • Suppression de DFL : exports simplifiés vers ONNX, TensorRT et CoreML
  • Optimiseur MuSGD : optimiseur hybride SGD/Muon inspiré de l’entraînement des LLM, pour une convergence stable
  • ProgLoss + STAL : performances améliorées pour la détection des petits objets
Pourquoi choisir YOLO26 ?

YOLO26 combine l’efficacité des CNN avec des capacités de bout en bout semblables à celles des Transformers. Il prend en charge toutes les tâches Ultralytics (détection, segmentation d’instances et sémantique, estimation de profondeur, classification, estimation de pose et OBB), tout en étant plus petit, plus rapide et plus facile à déployer que les générations précédentes.

Ultralytics YOLO11#

YOLO11 reste un modèle très performant : YOLO11m utilise 22 % de paramètres en moins que YOLOv8m tout en offrant une meilleure précision de détection. Il est entièrement pris en charge et recommandé aux utilisateurs qui recherchent une stabilité éprouvée ou qui ont déjà des pipelines YOLO11.

Modèles communautaires : quelques remarques sur YOLO12 et YOLO13#

Tu peux rencontrer des références à YOLO12 ou YOLO13 dans les discussions ou dépôts de la communauté.

Prudence en production

Pour l’instant, nous ne recommandons pas YOLO12 ni YOLO13 pour une utilisation en production.

  • YOLO12 : utilise des couches d’attention qui provoquent souvent une instabilité de l’entraînement, une consommation mémoire excessive et une inférence sur CPU nettement plus lente.
  • YOLO13 : les benchmarks indiquent des gains de précision seulement marginaux par rapport à YOLO11, alors que le modèle est plus volumineux et plus lent. Les résultats publiés ont révélé des problèmes de reproductibilité.


Regarder : Comparaison des modèles YOLO : Ultralytics YOLO11 vs YOLOv10 vs YOLOv9 vs Ultralytics YOLOv8

Comparaisons détaillées des modèles#

Explore les comparaisons techniques ci-dessous pour comprendre les différences architecturales précises, comme le choix du backbone, la conception de la tête et les fonctions de perte. Elles sont organisées par modèle :

YOLO26 face à#

YOLO26 est le dernier modèle Ultralytics. Il propose une détection de bout en bout sans NMS, l’optimiseur MuSGD et une inférence CPU jusqu’à 43 % plus rapide pour YOLO26n par rapport à YOLO11n. Il est optimisé pour le déploiement en périphérie tout en offrant une grande précision.

YOLO11 face à#

YOLO11 s’appuie sur les réussites de ses prédécesseurs. Il intègre une architecture de backbone et de neck améliorée pour une extraction des caractéristiques et une efficacité accrues.

YOLOv10 face à#

Développé par l’Université Tsinghua, YOLOv10 vise à supprimer l’étape NMS pour réduire les variations de latence, tout en offrant de solides performances avec une charge de calcul moindre.

YOLOv9 face à#

YOLOv9 introduit les informations de gradient programmables (PGI) et le réseau d’agrégation de couches généralisé et efficace (GELAN) pour limiter la perte d’information dans les réseaux neuronaux profonds.

YOLOv8 face à#

Ultralytics YOLOv8 reste un modèle très populaire. Son architecture associe un backbone et un neck avancés à une tête découplée sans ancres, pour un excellent compromis entre précision et vitesse.

YOLOv7 face à#

YOLOv7 a introduit les « bonus gratuits entraînables » et la reparamétrisation du modèle, en visant à optimiser l’entraînement sans augmenter le coût de l’inférence.

YOLOv6 face à#

Le YOLOv6 de Meituan est conçu pour les applications industrielles. Il comprend des modules de concaténation bidirectionnelle (BiC) et des stratégies d’entraînement assistées par ancres.

YOLOv5 face à#

Ultralytics YOLOv5 est réputé pour sa simplicité d’utilisation, sa stabilité et sa vitesse. Il reste un choix robuste pour les projets qui nécessitent une large compatibilité avec les appareils.

RT-DETR face à#

RT-DETR (Transformer de détection en temps réel) associe un backbone CNN à un encodeur-décodeur Transformer pour offrir une grande précision en temps réel, avec d’excellentes capacités de compréhension du contexte global.

PP-YOLOE+ contre#

PP-YOLOE+, développé par Baidu, utilise l'apprentissage de l'alignement des tâches (TAL) et une tête découplée pour équilibrer efficacité et précision.

DAMO-YOLO contre#

DAMO-YOLO, développé par Alibaba Group, utilise la recherche d’architectures neuronales (NAS) et un neck RepGFPN efficace pour trouver un équilibre entre latence et précision.

YOLOX contre#

YOLOX, développé par Megvii, est une évolution sans ancres, connue pour sa tête découplée et sa stratégie d'attribution des étiquettes SimOTA.

EfficientDet contre#

EfficientDet de Google Brain utilise la mise à l'échelle composée et BiFPN pour optimiser l'efficacité en paramètres, et propose une gamme de modèles (D0-D7) adaptés à différentes contraintes.

Cet index est actualisé à mesure que de nouveaux modèles sortent et que les benchmarks sont affinés. Pour les déploiements en entreprise qui nécessitent une licence privée, consulte la page des licences Ultralytics.

Commentaires

Pose une question, partage tes résultats ou aide quelqu’un d’autre.