Meet YOLO26: next-gen vision AI.

Link to this sectionComparaisons de modèles : Choisis le meilleur modèle de détection d'objets pour ton projet#

Choisir la bonne architecture de réseau neuronal est la pierre angulaire de tout projet de vision par ordinateur réussi. Bienvenue dans le Hub de comparaison de modèles Ultralytics ! Cette page centralise des analyses techniques détaillées et des benchmarks de performance, en disséquant les compromis entre le dernier Ultralytics YOLO26 et d'autres architectures de premier plan comme YOLO11, YOLOv10, RT-DETR et EfficientDet.

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

Link to this sectionBenchmarks 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 mesures clés sur des datasets standards comme COCO.

Ce graphique visualise les métriques de performance clés, te permettant d'évaluer rapidement les compromis entre différents modèles. Comprendre ces métriques est fondamental pour sélectionner un modèle qui s'aligne avec tes contraintes de déploiement spécifiques.

Link to this sectionGuide de décision rapide#

Tu ne sais pas par où commencer ? Utilise cet arbre de décision pour affiner l'architecture qui correspond le mieux à tes besoins en matériel et en performance.

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

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

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

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

Link to this sectionLe paysage actuel : YOLO26 et au-delà#

Le domaine de la détection d'objets évolue rapidement. Bien que les anciens modèles restent pertinents pour le support hérité, les nouvelles architectures repoussent les limites de ce qui est possible.

Link to this sectionUltralytics YOLO26#

Sorti en janvier 2026, YOLO26 est le dernier modèle à la pointe de la technologie et le point de départ recommandé pour tous les nouveaux projets. Il introduit des innovations architecturales révolutionnaires, notamment une conception sans NMS de bout en bout qui élimine le besoin de post-traitement par suppression non-maximale, ce qui permet des temps d'inférence plus rapides et plus prévisibles. YOLO26 est jusqu'à 43 % plus rapide sur les CPU par rapport aux générations précédentes, ce qui le rend idéal pour le déploiement en périphérie.

Les innovations clés incluent :

  • Sans NMS de bout en bout : Déploiement simplifié sans post-traitement requis
  • Suppression du DFL : Exportations rationalisées vers ONNX, TensorRT et CoreML
  • Optimiseur MuSGD : Optimiseur hybride SGD/Muon inspiré de l'entraînement LLM pour une convergence stable
  • ProgLoss + STAL : Performance améliorée pour la détection de petits objets
Pourquoi choisir YOLO26 ?

YOLO26 représente le summum de l'ingénierie Ultralytics, combinant le meilleur de l'efficacité des CNN avec des capacités de bout en bout proches des Transformer. 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.

Link to this sectionUltralytics YOLO11#

YOLO11 reste un modèle très performant, offrant une réduction de 22 % des paramètres par rapport à YOLOv8 tout en améliorant la précision de détection. Il est entièrement pris en charge et recommandé pour les utilisateurs qui ont besoin d'une stabilité éprouvée ou qui disposent déjà de pipelines YOLO11.

Link to this sectionModèles communautaires : Une note sur YOLO12 et YOLO13#

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

Avertissement pour la production

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

  • YOLO12 : Utilise des couches d'attention qui causent souvent une instabilité lors de l'entraînement, une consommation excessive de mémoire et des vitesses d'inférence CPU nettement plus lentes.
  • YOLO13 : Les benchmarks indiquent seulement des gains de précision marginaux par rapport à YOLO11 tout en étant plus grand et plus lent. Les résultats rapportés ont montré des problèmes de reproductibilité.


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

Link to this sectionComparaisons détaillées des modèles#

Explore nos comparaisons techniques approfondies pour comprendre les différences architecturales spécifiques, telles que la sélection du backbone, la conception de la tête et les fonctions de perte. Nous les avons organisées par modèle pour un accès facile :

Link to this sectionYOLO26 vs#

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

Link to this sectionYOLO11 vs#

YOLO11 s'appuie sur le succès de ses prédécesseurs avec une recherche de pointe. Il présente une architecture de backbone et de cou améliorée pour une meilleure extraction des caractéristiques et une efficacité optimisée.

Link to this sectionYOLOv10 vs#

Développé par l'Université Tsinghua, YOLOv10 se concentre sur la suppression de l'étape de Non-Maximum Suppression (NMS) pour réduire la variance de latence, offrant des performances de pointe avec une surcharge computationnelle réduite.

Link to this sectionYOLOv9 vs#

YOLOv9 introduit la Programmable Gradient Information (PGI) et le Generalized Efficient Layer Aggregation Network (GELAN) pour remédier à la perte d'informations dans les réseaux neuronaux profonds.

Link to this sectionYOLOv8 vs#

Ultralytics YOLOv8 reste un choix très populaire, avec des architectures de backbone et de cou avancées et une tête divisée sans ancres pour des compromis précision-vitesse optimaux.

Link to this sectionYOLOv7 vs#

YOLOv7 a introduit des "trainable bag-of-freebies" et la re-paramétrisation de modèles, en se concentrant sur l'optimisation du processus d'entraînement sans augmenter les coûts d'inférence.

Link to this sectionYOLOv6 vs#

Le YOLOv6 de Meituan est conçu pour des applications industrielles, intégrant des modules de concaténation bidirectionnelle (BiC) et des stratégies d'entraînement basées sur des ancres.

Link to this sectionYOLOv5 vs#

Ultralytics YOLOv5 est apprécié pour sa facilité d'utilisation, sa stabilité et sa vitesse. Il demeure un choix robuste pour les projets nécessitant une large compatibilité avec divers appareils.

Link to this sectionRT-DETR vs#

RT-DETR (Real-Time Detection Transformer) exploite des vision transformers pour atteindre une haute précision avec des performances en temps réel, excellant dans la compréhension du contexte global.

Link to this sectionPP-YOLOE+ vs#

PP-YOLOE+, développé par Baidu, utilise le Task Alignment Learning (TAL) et une tête découplée pour équilibrer efficacité et précision.

Link to this sectionDAMO-YOLO vs#

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

Link to this sectionYOLOX vs#

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

Link to this sectionEfficientDet vs#

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

Cet index est mis à jour en continu à mesure que de nouveaux modèles sortent et que les benchmarks sont affinés. Nous t'encourageons à explorer ces ressources pour trouver celui qui correspond parfaitement à ton prochain projet de vision par ordinateur. Si tu cherches des solutions de niveau entreprise avec une licence privée, visite notre page de licence. Bonne comparaison !

Contributeurs
GLglenn-jocher11PDpderrenger1RIRizwanMunawar1

Commentaires