Ultralytics YOLO27 :

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 hub de comparaison des modèles Ultralytics ! Cette page centralise des analyses techniques détaillées et des benchmarks de performance, en examinant les compromis entre le dernier modèle Ultralytics YOLO26 et d'autres architectures de premier plan comme YOLO11, YOLOv10, RT-DETR et EfficientDet.

Que ton application exige la latence de quelques millisecondes de l'IA en périphérie ou la précision haute fidélité requise pour l'imagerie médicale, ce guide fournit les informations fondées sur les données nécessaires pour faire un choix éclairé. Nous évaluons les modèles selon la précision moyenne (mAP), la vitesse d'inférence, l'efficacité en matière de paramètres et la facilité de déploiement.

Benchmarks de performance interactifs#

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, ce qui te permet d'évaluer rapidement les compromis entre différents modèles. Comprendre ces métriques est fondamental 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 correspond le mieux à tes exigences matérielles et de performance.

graph TD
    A[Start: Define Project Needs]:::start --> B{Deployment Hardware?}:::decide
    B -- "Edge / Mobile (CPU/NPU)" --> C{Latency Priority?}:::decide
    B -- "Cloud / GPU" --> D{Accuracy vs Speed?}:::decide

    C -- "Extreme Speed (Real-time)" --> E[YOLO26n / YOLO26s]:::out
    C -- "Balanced Legacy" --> F[YOLO11s / YOLOv8s]:::out

    D -- "Max Accuracy (SOTA)" --> G[YOLO26x / YOLO26l]:::out
    D -- "Balanced Performance" --> H[YOLO26m / YOLO11m]:::out

    A --> I{Specialized Features?}:::decide
    I -- "NMS-Free Inference" --> J[YOLO26 / YOLOv10]:::out
    I -- "Multitask (Seg/Pose/OBB)" --> K[YOLO26 / YOLO11]:::out
    I -- "Video Analytics" --> L[YOLO26 + Tracking]:::out

    classDef start fill:#4CAF50,color:#fff
    classDef decide fill:#FF9800,color:#fff
    classDef out fill:#9C27B0,color:#fff

Le paysage actuel : YOLO26 et au-delà#

Le domaine de la détection d'objets évolue rapidement. Même si les anciens modèles restent pertinents pour assurer la compatibilité avec les systèmes existants, les nouvelles architectures repoussent les limites du possible.

Ultralytics YOLO26#

Sorti en janvier 2026, YOLO26 est le dernier modèle de pointe et le point de départ recommandé pour tous les nouveaux projets. Il introduit des innovations architecturales révolutionnaires, notamment une conception de bout en bout sans NMS qui élimine le besoin de post-traitement par suppression des non-maxima, ce qui permet d'obtenir 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.

Les principales innovations comprennent :

  • De bout en bout sans NMS : déploiement simplifié, sans post-traitement requis
  • Suppression de DFL : exports rationalisés 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 sommet de l'ingénierie Ultralytics, en combinant le meilleur de l'efficacité des CNN avec des capacités de bout en bout semblables à celles des transformers. Il prend en charge toutes les tâches — détection, segmentation, estimation de pose, classification et OBB — tout en étant plus petit, plus rapide et plus facile à déployer que jamais.

Ultralytics YOLO11#

YOLO11 reste un modèle très performant : il offre une réduction de 22 % du nombre de paramètres par rapport à YOLOv8, tout en améliorant la 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 : remarque sur YOLO12 et YOLO13#

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

Prudence en production

Nous ne recommandons actuellement pas YOLO12 ni YOLO13 pour une utilisation en production.

  • YOLO12 : utilise des couches d'attention qui entraînent souvent une instabilité de l'entraînement, une consommation excessive de mémoire et des vitesses d'inférence sur CPU nettement plus lentes.
  • 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.


Watch: YOLO Models Comparison: Ultralytics YOLO11 vs. YOLOv10 vs. YOLOv9 vs. Ultralytics YOLOv8

Comparaisons détaillées des modèles#

Explore nos comparaisons techniques approfondies pour comprendre les différences architecturales spécifiques, 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 par rapport à#

YOLO26 est le dernier modèle Ultralytics, avec une 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 atteignant une précision de pointe.

YOLO11 par rapport à#

YOLO11 s'appuie sur le succès de ses prédécesseurs grâce à des recherches de pointe. Il intègre une architecture améliorée du backbone et du neck pour une meilleure extraction des caractéristiques et une efficacité optimisée.

YOLOv10 par rapport à#

Développé par l'université Tsinghua, YOLOv10 se concentre sur la suppression de l'étape de suppression des non-maxima (NMS) afin de réduire la variance de latence, tout en offrant des performances de pointe avec une surcharge de calcul réduite.

YOLOv9 par rapport à#

YOLOv9 introduit les informations de gradient programmables (PGI) et le réseau généralisé d'agrégation efficace des couches (GELAN) pour remédier à la perte d'informations dans les réseaux neuronaux profonds.

YOLOv8 par rapport à#

Ultralytics YOLOv8 reste un choix très populaire, avec des architectures avancées pour le backbone et le neck, ainsi qu'une tête séparée sans ancres pour un compromis optimal entre précision et vitesse.

YOLOv7 face à#

YOLOv7 a introduit le « sac d'astuces entraînables » et la reparamétrisation du modèle, en se concentrant sur l'optimisation du processus d'entraînement sans augmenter les coûts d'inférence.

YOLOv6 face à#

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

YOLOv5 face à#

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

RT-DETR face à#

RT-DETR (Transformer de détection en temps réel) s'appuie sur des transformers de vision pour atteindre une grande précision avec des performances en temps réel, en excellant dans la compréhension du contexte global.

PP-YOLOE+ face à#

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 face à#

Issu d'Alibaba Group, DAMO-YOLO utilise la recherche d'architectures neuronales (NAS) et le RepGFPN efficace pour maximiser la précision sur des benchmarks statiques.

YOLOX face à#

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

EfficientDet face à#

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

Cet index est mis à jour en continu 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 recherches des solutions de niveau entreprise avec des licences privées, consulte notre page sur les licences. Bonne comparaison !

Contributeurs
GLglenn-jocher15PDpderrenger1RIRizwanMunawar1

Commentaires