YOLO11 et YOLO26#

L'évolution rapide de la vision par ordinateur repousse sans cesse les limites de la vitesse, de la précision et de l'efficacité du déploiement. Dans le domaine de la détection d'objets en temps réel, Ultralytics établit constamment la norme. Cette comparaison technique examine le passage du modèle YOLO11, qui a rencontré un grand succès, au modèle YOLO26 de pointe, en analysant leurs architectures, leurs indicateurs de performance et leurs scénarios de déploiement idéaux.

Que tu développes des systèmes de livraison par drone ou que tu optimises un pipeline mondial de fabrication intelligente, comprendre les différences subtiles entre ces deux modèles t'aidera à créer des solutions d'IA robustes et pérennes.

Lignée des modèles et écosystème#

Les deux modèles profitent de l'écosystème Ultralytics complet, caractérisé par son API simple, sa maintenance continue et sa communauté dynamique. Ils offrent une polyvalence inégalée et prennent nativement en charge la détection d'objets, la segmentation d'instances, la classification d'images, l'estimation de pose et les tâches de boîtes englobantes orientées (OBB).

YOLO11 : la référence établie#

Sorti à la fin de 2024, YOLO11 a affiné les avancées des générations précédentes, s'imposant comme un outil fiable pour les environnements de production.

• Auteurs : Glenn Jocher et Jing Qiu
• Organisation : Ultralytics
• Date : 2024-09-27
• GitHub : https://github.com/ultralytics/ultralytics
• Documentation : Documentation YOLO11

YOLO26 : une nouvelle frontière#

Lancé au début de 2026, YOLO26 marque un changement de paradigme pour l'informatique en périphérie et les architectures de bout en bout, en apportant des améliorations notables de la vitesse de traitement et de la facilité d'intégration.

• Auteurs : Glenn Jocher et Jing Qiu
• Organisation : Ultralytics
• Date : 2026-01-14
• GitHub : https://github.com/ultralytics/ultralytics
• Documentation : Documentation YOLO26

Innovations architecturales#

YOLO11 s'appuie sur des méthodes classiques de post-traitement qui font leurs preuves en vision par ordinateur depuis des années, tandis que YOLO26 introduit plusieurs avancées structurelles conçues pour éliminer les goulots d'étranglement.

Conception de bout en bout sans NMS#

L'une des améliorations majeures de YOLO26 réside dans son architecture native de bout en bout. Sa tête optionnelle one-to-one (nms=False) élimine le post-traitement par suppression non maximale (NMS), un concept introduit pour la première fois dans YOLOv10. L'élimination de NMS simplifie considérablement le pipeline de déploiement et garantit une latence constante, essentielle pour les applications en temps réel comme les algorithmes de conduite autonome.

Suppression de DFL pour l'optimisation en périphérie#

YOLO26 supprime la perte focale de distribution (DFL). DFL était utile dans YOLO11 pour la localisation fine, mais sa suppression simplifie le graphe d'exportation du réseau. Cette modification améliore la compatibilité avec le matériel basse consommation, faisant de YOLO26 un modèle particulièrement performant sur les appareils en périphérie comme le Raspberry Pi ou le NVIDIA Jetson.

Optimiseur MuSGD#

Inspiré des mécanismes d'entraînement des grands modèles de langage (LLM), notamment de Kimi K2 de Moonshot AI, YOLO26 utilise le révolutionnaire optimiseur MuSGD. Cet hybride de la descente de gradient stochastique (SGD) et de Muon assure des entraînements remarquablement stables et converge beaucoup plus vite que les optimiseurs AdamW standard employés dans les anciennes architectures.

Fonctions de perte avancées#

YOLO26 intègre ProgLoss + STAL (perte progressive et attribution d'étiquettes adaptée aux petites cibles). Cette combinaison améliore considérablement la détection des objets petits et regroupés de manière dense. De plus, YOLO26 apporte des améliorations spécifiques aux tâches : une fonction de perte de segmentation sémantique et un module proto à plusieurs échelles pour la segmentation d'instances, l'estimation résiduelle du logarithme de vraisemblance (RLE) pour les estimations complexes de pose humaine, ainsi qu'une fonction de perte d'angle spécialisée pour atténuer les problèmes de limites dans les tâches de détection OBB.

Comparaison des performances#

Lors de l'évaluation de ces modèles, l'équilibre entre le nombre de paramètres, la complexité de calcul (FLOPs) et la vitesse détermine le choix du matériel. YOLO26 cible spécifiquement la vitesse d'inférence sur CPU et atteint une inférence CPU jusqu'à 43 % plus rapide que son prédécesseur.

Comme le montre la démonstration, YOLO26 Nano (YOLO26n) améliore considérablement la précision tout en réduisant le temps d'inférence CPU de 56.1ms à 38.9ms avec ONNX Runtime.

Cas d'utilisation et applications concrètes#

Le choix entre YOLO11 et YOLO26 dépend en grande partie de ton infrastructure et des objectifs de ton projet.

Informatique en périphérie et IoT#

Pour les applications soumises à des contraintes d'alimentation et de matériel, comme la surveillance de l'agriculture intelligente par drone ou les systèmes d'alarme de sécurité locaux, YOLO26 est le champion incontesté. La suppression de DFL et le gain de 43 % en vitesse CPU te permettent d'exécuter des modèles de vision complexes sur des appareils sans GPU dédié, tout en conservant une fréquence d'images élevée.

Cloud et déploiement à l'échelle de l'entreprise#

YOLO11 reste un excellent choix pour les solutions d'entreprise dont les vastes fermes de serveurs sont déjà optimisées pour ses structures de tenseurs. Il convient parfaitement à l'analyse vidéo dans le cloud et aux pipelines de traitement multimédia à grande échelle déjà étroitement intégrés à ses formats de sortie spécifiques.

Tâches multitâches complexes#

Si ton projet exige une précision exceptionnelle sur de minuscules objets — par exemple pour détecter des défauts sur une carte de circuit imprimé ou suivre des véhicules éloignés dans des images aériennes —, l'implémentation ProgLoss + STAL de YOLO26 améliore nettement le rappel et la précision pour ces cas limites difficiles.

Efficacité de l'entraînement et besoins en mémoire#

L'un des grands avantages du framework Ultralytics est son empreinte mémoire extrêmement faible pendant l'entraînement. Contrairement aux grands Transformers de vision comme RT-DETR, qui peuvent consommer d'énormes quantités de mémoire CUDA, YOLO11 et YOLO26 sont tous deux optimisés pour un entraînement efficace sur du matériel grand public.

L'intégration de l'optimiseur MuSGD dans YOLO26 renforce encore cet avantage en aidant le modèle à trouver plus vite les poids optimaux, ce qui réduit le temps de calcul GPU total et les coûts de calcul dans le cloud.

Voici un exemple simple qui montre à quel point il est facile d'entraîner le dernier modèle YOLO26 avec l'API Python native :

from ultralytics import YOLO

# Initialiser le modèle YOLO26 Nano
model = YOLO("yolo26n.pt")

# Entraîner le modèle sur le jeu de données COCO8
# La sélection de l'optimiseur (MuSGD pour les entraînements plus longs) et la gestion de la mémoire sont automatiques
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=0)

# Lancer une validation rapide pour vérifier les métriques mAP
metrics = model.val()

# Exporter le modèle entraîné au format ONNX pour une inférence CPU rapide
model.export(format="onnx")

Découvrir d'autres architectures#

Bien que YOLO26 représente le summum de la détection en temps réel, il peut être utile d'explorer d'autres modèles dans la documentation Ultralytics. Pour les utilisateurs contraints par des environnements hérités, les architectures précédentes comme YOLOv5 offrent toujours des performances robustes. Pour la détection zero-shot, lorsque les classes ne peuvent pas être définies à l'avance, YOLO-World propose une détection à vocabulaire ouvert guidée par des invites textuelles.

Conclusion#

Le passage de YOLO11 à YOLO26 ne constitue pas une simple mise à jour incrémentale : il s'agit d'une refonte structurelle du fonctionnement des modèles de détection d'objets en temps réel en production. En supprimant les étapes complexes de post-traitement et en privilégiant l'exécution en périphérie, YOLO26 s'impose comme le choix de premier plan pour les développeurs d'aujourd'hui. Soutenu par le solide écosystème Ultralytics et une documentation complète, le passage à YOLO26 garantit des déploiements plus rapides, un entraînement stable et une précision de pointe pour pratiquement toutes les tâches de vision par ordinateur.