PP-YOLOE+ face à YOLO26
La vision par ordinateur en temps réel s’est rapidement développée, portée par le besoin de modèles de détection d’objets évolutifs, efficaces et précis. Deux architectures remarquables dans ce domaine sont PP-YOLOE+, un détecteur de l’écosystème PaddlePaddle, et Ultralytics YOLO26, le dernier modèle d’Ultralytics, conçu pour le déploiement en périphérie et l’efficacité de l’entraînement.
Ce guide compare ces deux modèles, en présentant leurs architectures, leurs indicateurs de performance, leurs méthodes d’entraînement et leurs cas d’usage idéaux afin de t’aider à faire un choix éclairé pour ton prochain projet d’IA.
Spécifications techniques et auteurs#
Les origines et les principes de conception de ces modèles permettent de mieux comprendre leurs applications concrètes.
Détails de PP-YOLOE+ :
- Auteurs : Auteurs de PaddlePaddle
- Organisation : Baidu
- Date : 2 avril 2022
- arXiv : https://arxiv.org/abs/2203.16250
- GitHub : Dépôt PaddleDetection
- Documentation : Documentation de PP-YOLOE+
Détails de YOLO26 :
- Auteurs : Glenn Jocher et Jing Qiu
- Organisation : Ultralytics
- Date : 14 janvier 2026
- GitHub : Dépôt Ultralytics
- Documentation : Documentation YOLO26
Innovations architecturales#
Architecture de PP-YOLOE+#
S’appuyant sur PP-YOLOE et l’ancien PP-YOLOv2, PP-YOLOE+ propose une conception robuste adaptée aux applications industrielles. Il utilise le backbone CSPRepResNet et une tête ET (Efficient Task-aligned head) pour concilier vitesse et précision. PP-YOLOE+ utilise l’attribution dynamique des étiquettes (TAL) et s’intègre étroitement au framework PaddlePaddle de Baidu, ce qui l’optimise pour les GPU NVIDIA comme les T4 et V100. Toutefois, sa forte dépendance à l’écosystème PaddlePaddle peut compliquer les choses pour les développeurs habitués aux flux de travail PyTorch.
Architecture de YOLO26 : conception pensée pour la périphérie#
Lancé en janvier 2026, Ultralytics YOLO26 repense le pipeline de détection en temps réel en mettant fortement l’accent sur la simplicité de déploiement et l’efficacité en périphérie.
Principales innovations de YOLO26 :
- Conception de bout en bout sans NMS : YOLO26 prend en charge l’inférence native de bout en bout (
nms=False), sans nécessiter de post-traitement par suppression non maximale (NMS). Introduite pour la première fois dans YOLOv10, cette approche maintient une latence d’inférence constante, quelle que soit la densité de la scène, et simplifie considérablement le déploiement. - Suppression de DFL : En supprimant Distribution Focal Loss (DFL), YOLO26 simplifie sa tête de sortie et améliore sa compatibilité avec les appareils périphériques à faible consommation.
- Inférence sur CPU jusqu’à 43 % plus rapide : Grâce à la suppression de DFL et aux optimisations structurelles, YOLO26 est optimisé pour les environnements sans GPU dédié. YOLO26n atteint une vitesse d’inférence sur CPU jusqu’à 43 % supérieure à celle de YOLO11n.
- Optimiseur MuSGD : Inspiré des techniques avancées d’entraînement des LLM, comme celles de Moonshot AI, YOLO26 introduit un optimiseur hybride combinant SGD et Muon. Il permet un entraînement stable et une convergence plus rapide pour les tâches de vision par ordinateur.
- ProgLoss + STAL : Progressive Loss et l’attribution des étiquettes adaptée aux petites cibles ciblent et améliorent spécifiquement la reconnaissance des petits objets, essentielle pour les capteurs IoT en périphérie et les images prises par drone, comme celles du jeu de données VisDrone.
Au-delà des boîtes englobantes classiques, YOLO26 apporte des améliorations spécifiques à toutes les tâches de vision. Il utilise une fonction de perte de segmentation sémantique et un prototypage multi-échelle pour la segmentation, l’estimation du maximum de vraisemblance résiduel (RLE) pour l’estimation de pose et une fonction de perte d’angle spécialisée pour résoudre les problèmes de limites lors de la détection par boîtes englobantes orientées (OBB).
Performances et métriques#
Le tableau ci-dessous compare en détail PP-YOLOE+ et YOLO26 pour différentes tailles de modèles. Les modèles YOLO26 dominent en vitesse brute, en efficacité du nombre de paramètres et en précision moyenne (mAP) globale.
| Modèle | taille (pixels) | mAPval50-95 | Vitesse CPU ONNX (ms) | Vitesse T4 TensorRT10 (ms) | paramètres (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| PP-YOLOE+t | 640 | 39.9 | - | 2.84 | 4.85 | 19.15 |
| PP-YOLOE+s | 640 | 43.7 | - | 2.62 | 7.93 | 17.36 |
| PP-YOLOE+m | 640 | 49.8 | - | 5.56 | 23.43 | 49.91 |
| PP-YOLOE+l | 640 | 52.9 | - | 8.36 | 52.2 | 110.07 |
| PP-YOLOE+x | 640 | 54.7 | - | 14.3 | 98.42 | 206.59 |
| YOLO26n | 640 | 40.9 | 38.9 | 1.7 | 2.4 | 5.5 |
| YOLO26s | 640 | 48.6 | 87.2 | 2.5 | 9.5 | 20.9 |
| YOLO26m | 640 | 53.1 | 220.0 | 4.7 | 20.4 | 68.4 |
| YOLO26l | 640 | 55.0 | 286.2 | 6.2 | 24.8 | 86.8 |
| YOLO26x | 640 | 57.5 | 525.8 | 11.8 | 55.7 | 194.4 |
Remarque : les valeurs en gras indiquent la meilleure métrique parmi chaque paire de modèles de taille comparable.
Analyse#
- Besoins en mémoire et efficacité : YOLO26 nécessite beaucoup moins de paramètres et de FLOPs pour obtenir un mAP supérieur. Par exemple, le modèle YOLO26n (Nano) atteint un mAP de 40,9 avec seulement 2,4 M de paramètres, surpassant le modèle PP-YOLOE+t tout en étant environ deux fois plus petit. Cela réduit l’utilisation de la mémoire pendant l’entraînement et le déploiement.
- Vitesse d’inférence : Lorsqu’il est exporté avec TensorRT, YOLO26 domine les mesures de latence. La tête un-à-un sans NMS (
nms=False, utilisée pour ces benchmarks) maintient à 1,7 ms un temps d’inférence stable sur GPU T4, tandis que PP-YOLOE+ s’appuie sur des temps de post-traitement potentiellement variables.
Les atouts d’Ultralytics : écosystème et facilité d’utilisation#
Les mesures brutes sont importantes, mais l’expérience développeur détermine souvent la réussite d’un projet. Ultralytics Platform propose un écosystème bien entretenu, beaucoup plus facile à utiliser que les anciens frameworks.
- Simplicité d’utilisation : Ultralytics masque la complexité du code passe-partout. L’entraînement de YOLO26 ne nécessite que quelques lignes de Python et évite les fichiers de configuration volumineux requis par PP-YOLOE+.
- Polyvalence : PP-YOLOE+ est principalement une architecture de détection d’objets. YOLO26 prend en charge dès l’installation la segmentation, la classification, l’estimation de pose et les OBB.
- Efficacité de l’entraînement : Les modèles Ultralytics YOLO nécessitent beaucoup moins de mémoire CUDA que les modèles Transformer volumineux comme RT-DETR ou que les architectures plus anciennes. Les chercheurs peuvent ainsi entraîner des modèles précis sur du matériel grand public.
YOLO26 est le choix par défaut recommandé, mais l’écosystème Ultralytics comprend aussi YOLO11 et YOLOv8. Ces deux modèles restent performants et bénéficient d’une vaste communauté, ce qui les rend bien adaptés aux utilisateurs qui maintiennent des systèmes existants.
Exemple de code : entraînement de YOLO26#
Se lancer avec Ultralytics est simple. Voici un exemple exécutable montrant comment charger, entraîner et exporter un modèle YOLO26 :
from ultralytics import YOLO
# Load the YOLO26 small model
model = YOLO("yolo26s.pt")
# Train the model on the COCO8 dataset using the new MuSGD optimizer
results = model.train(
data="coco8.yaml",
epochs=100,
imgsz=640,
batch=16,
optimizer="MuSGD", # hybrid SGD + Muon optimizer
)
# Export to ONNX for CPU deployment
export_path = model.export(format="onnx")
print(f"Model successfully exported to: {export_path}")Cas d’utilisation idéaux#
Quand choisir PP-YOLOE+#
- Infrastructure PaddlePaddle existante : si une entreprise est déjà fortement intégrée à la pile technologique de Baidu et utilise du matériel préconfiguré pour Paddle Inference, PP-YOLOE+ est un choix sûr et stable.
- Lignes de production existantes basées sur Paddle : Les pipelines de vision industrielle qui utilisent déjà PP-YOLOE+ pour la détection automatisée des défauts peuvent conserver leurs outils existants.
Quand choisir YOLO26#
- Informatique en périphérie et IoT : L’inférence sur CPU jusqu’à 43 % plus rapide (YOLO26n par rapport à YOLO11n) et la suppression de DFL font de YOLO26 un excellent choix pour le déploiement sur des cartes Raspberry Pi, des téléphones mobiles et des appareils embarqués.
- Scènes encombrées et villes intelligentes : L’architecture de bout en bout sans NMS maintient une latence stable dans les environnements denses, comme la gestion du stationnement et la surveillance du trafic, où la NMS traditionnelle créerait des goulots d’étranglement.
- Projets multitâches : Si ton pipeline doit suivre des objets, estimer des poses humaines ou générer des masques de segmentation précis, YOLO26 gère toutes ces tâches au sein d’un package Python unifié.
Conclusion#
PP-YOLOE+ reste un détecteur performant dans son écosystème spécifique, mais YOLO26 relève le niveau de la détection en temps réel. En associant des optimisations d’entraînement inspirées des LLM (MuSGD) à une architecture optimisée sans NMS, Ultralytics a créé un modèle à la fois très précis et facile à déployer. Pour les développeurs modernes qui recherchent le meilleur équilibre entre vitesse, précision et expérience développeur, YOLO26 est le choix recommandé.
Commentaires
Pose une question, partage tes résultats ou aide quelqu’un d’autre.