Ultralytics YOLO27 :
Get Started

Comparaison des modèles#

Choisir la bonne architecture de réseau neuronal est la pierre angulaire de tout projet réussi de vision par ordinateur. Bienvenue dans le centre de comparaison des modèles Ultralytics ! Cette page rassemble des analyses techniques détaillées et des évaluations comparatives des performances, en examinant les compromis entre le dernier-né Ultralytics YOLO26 et d’autres architectures de premier plan comme YOLO11, YOLOv10, RT-DETR et EfficientDet.

Que ton application exige la latence de l’ordre de la milliseconde de l’IA en périphérie ou la précision haute fidélité nécessaire à l’imagerie médicale, ce guide fournit les informations fondées sur des données dont tu as besoin pour faire un choix éclairé. Nous évaluons les modèles en fonction de la précision moyenne moyenne (mAP), de la vitesse d’inférence, de l’efficacité en nombre de paramètres et de 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 visualise les principales métriques de performance et te permet d’évaluer rapidement les compromis entre différents modèles. Comprendre ces métriques est essentiel pour sélectionner un modèle adapté à tes contraintes de déploiement spécifiques.

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#

Le domaine de la détection d’objets évolue rapidement. Les anciens modèles restent pertinents pour assurer la prise en charge des systèmes existants, mais les nouvelles architectures repoussent les limites du possible.

Ultralytics YOLO26#

Sorti en janvier 2026, YOLO26 est le modèle de pointe le plus récent et le point de départ recommandé pour tous les nouveaux projets. Il introduit des innovations architecturales majeures, notamment une architecture optionnelle de bout en bout sans NMS (nms=False) qui élimine le besoin du post-traitement par suppression non maximale, ce qui se traduit par des temps d’inférence plus rapides et plus prévisibles. YOLO26 est jusqu’à 43 % plus rapide sur les CPU que les générations précédentes, ce qui le rend idéal pour le 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 représente le summum de l’ingénierie d’Ultralytics, en associant l’efficacité des CNN aux capacités de bout en bout des Transformers. Il prend en charge toutes les tâches — détection, segmentation d’instances et sémantique, estimation de la profondeur, classification, estimation de pose et OBB — tout en étant plus petit, plus rapide et plus facile à déployer que jamais.

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 ont besoin d’une stabilité éprouvée ou qui disposent déjà de 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 nos comparaisons techniques approfondies pour comprendre les différences architecturales précises, comme le choix du backbone, la conception de la tête et les fonctions de perte. Nous les avons organisées par modèle pour en faciliter l’accès :

YOLO26 contre#

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

YOLO11 contre#

YOLO11 s’appuie sur les succès de ses prédécesseurs en intégrant des avancées de pointe en matière de recherche. Il présente une architecture de backbone et de neck améliorée pour une meilleure extraction des caractéristiques et une efficacité optimisée.

YOLOv10 contre#

Développé par l’université Tsinghua, YOLOv10 vise à supprimer l’étape de suppression non maximale (NMS) afin de réduire la variance de latence, et offre des performances de pointe avec une charge de calcul réduite.

YOLOv9 contre#

YOLOv9 introduit l’information de gradient programmable (PGI) et le réseau d’agrégation de couches efficace généralisé (GELAN) pour remédier à la perte d’information dans les réseaux neuronaux profonds.

YOLOv8 contre#

Ultralytics YOLOv8 reste un choix très populaire. Il propose des architectures de backbone et de neck avancées ainsi qu’une tête découplée sans ancres, pour un compromis optimal entre précision et vitesse.

YOLOv7 contre#

YOLOv7 a introduit le « sac de bonus entraînables » et la reparamétrisation du modèle, en mettant l’accent sur l’optimisation du processus d’entraînement sans augmenter les coûts d’inférence.

YOLOv6 contre#

YOLOv6 de Meituan est conçu pour les applications industrielles et intègre des modules de concaténation bidirectionnelle (BiC) ainsi que des stratégies d'entraînement assistées par ancres.

YOLOv5 contre#

Ultralytics YOLOv5 est réputé pour sa facilité d'utilisation, sa stabilité et sa rapidité. Il reste un choix fiable pour les projets nécessitant une large compatibilité avec les appareils.

RT-DETR contre#

RT-DETR (transformeur de détection en temps réel) s'appuie sur les transformeurs visuels pour atteindre une grande précision en temps réel et excelle dans la 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#

Développé par Alibaba Group, DAMO-YOLO utilise la recherche d'architecture neuronale (NAS) et RepGFPN, une architecture efficace, pour maximiser la précision sur des benchmarks statiques.

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 continuellement mis à jour à mesure que de nouveaux modèles sont publiés et que les benchmarks sont affinés. Nous t’encourageons à explorer ces ressources pour trouver le modèle idéal pour ton prochain projet de vision par ordinateur. Si tu cherches des solutions de niveau entreprise avec une licence privée, consulte notre page des licences. Bonne comparaison !

Contributeurs
GLglenn-jocher17PDpderrenger1RIRizwanMunawar1

Commentaires