YOLO11 et YOLO26#

Chaque génération de YOLO d'Ultralytics vise à améliorer la vitesse, la précision et l'efficacité du déploiement pour la détection d'objets en temps réel. Cette comparaison technique retrace le passage du très utilisé YOLO11 au modèle actuel YOLO26, en analysant leurs architectures, leurs métriques de performance et leurs scénarios de déploiement idéaux.

Que tu construises des systèmes de livraison par drone ou optimises un pipeline mondial de fabrication intelligente, comprendre les différences entre ces deux modèles t'aidera à choisir celui qui te convient.

Lignée des modèles et écosystème#

Les deux modèles tirent parti de l'écosystème Ultralytics, avec une API simple, une maintenance continue et une communauté active. Prêts à l'emploi, ils prennent tous deux 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). YOLO26 ajoute la segmentation sémantique et l'estimation de profondeur.

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 : la nouvelle génération#

Introduit en janvier 2026, YOLO26 est axé sur le déploiement en périphérie et propose l'inférence facultative de bout en bout, améliorant la vitesse CPU et 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#

Alors que YOLO11 s'appuie sur les méthodes traditionnelles de post-traitement qui font leurs preuves depuis des années en vision par ordinateur, YOLO26 introduit plusieurs changements structurels qui éliminent les goulots d'étranglement du déploiement.

Conception de bout en bout sans NMS#

L’une des améliorations les plus importantes de YOLO26 est son architecture nativement de bout en bout. Sa tête one-to-one facultative (nms=False) élimine le post-traitement par suppression des non-maxima (NMS), un concept introduit dans les modèles YOLO par YOLOv10. En contournant la NMS, le pipeline de déploiement est simplifié et la latence reste constante, ce qui est essentiel 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). Dans YOLO11, la DFL était utile pour la localisation précise, mais sa suppression simplifie le graphe d'exportation du réseau. La compatibilité avec le matériel basse consommation s'en trouve améliorée, ce qui rend YOLO26 particulièrement adapté aux appareils en périphérie comme le Raspberry Pi ou le NVIDIA Jetson.

Optimiseur MuSGD#

S'inspirant des méthodes d'entraînement des grands modèles de langage (LLM), en particulier de Kimi K2 de Moonshot AI, YOLO26 utilise l'optimiseur MuSGD. Cet hybride de descente de gradient stochastique (SGD) et de Muon offre un entraînement plus stable et une convergence plus rapide ; avec optimizer=auto, Ultralytics choisit MuSGD pour les entraînements plus longs.

Fonction de perte et attribution des étiquettes#

YOLO26 intègre ProgLoss + STAL (perte progressive et attribution d'étiquettes tenant compte des petites cibles). Cette combinaison améliore la détection des objets petits et densément regroupés. YOLO26 introduit également des améliorations propres à certaines tâches : une fonction de perte pour la segmentation sémantique et un module proto multi-échelle pour la segmentation d'instances, l'estimation résiduelle de log-vraisemblance (RLE) pour l'estimation de pose et une fonction de perte d'angle spécialisée pour atténuer les problèmes de délimitation dans les tâches de détection OBB.

Comparaison des performances#

Le choix du matériel dépend de l'équilibre entre précision (mAP), nombre de paramètres, complexité de calcul (FLOPs) et vitesse. YOLO26 cible spécifiquement l'inférence CPU : YOLO26n atteint une vitesse d'inférence CPU jusqu'à 43 % supérieure à celle de YOLO11n.

YOLO26n gagne 1,4 mAP sur YOLO11n (40,9 contre 39,5), tout en réduisant le temps d'inférence CPU de 56,1 ms à 38,9 ms avec ONNX Runtime. YOLO26 est plus précis à toutes les tailles ; aux échelles m, l et x, YOLO11 reste plus rapide sur CPU, tandis que la latence TensorRT sur T4 est similaire pour les deux familles.

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 énergétiques et matérielles, comme la surveillance agricole intelligente par drone ou les systèmes d'alarme de sécurité locaux, YOLO26 est mieux adapté. La suppression de la DFL et une inférence CPU jusqu'à 43 % plus rapide (YOLO26n par rapport à YOLO11n) 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 bon choix pour les déploiements d'entreprise existants qui s'appuient sur lui, comme l'analyse vidéo dans le cloud et les pipelines de traitement de médias à grande échelle déjà intégrés à ses formats de sortie.

Détection de petits objets#

Si ton projet exige une grande précision sur les petits objets, par exemple pour détecter des défauts sur une carte électronique ou suivre des véhicules éloignés dans des images aériennes, l'implémentation de ProgLoss + STAL dans YOLO26 améliore le rappel et la précision dans ces cas difficiles.

Efficacité de l'entraînement et besoins en mémoire#

L'un des principaux avantages du framework Ultralytics est sa faible empreinte mémoire pendant l'entraînement. Contrairement aux détecteurs basés sur les Transformers, comme RT-DETR, qui peuvent consommer beaucoup de mémoire CUDA, YOLO11 et YOLO26 sont tous deux optimisés pour s'entraîner efficacement sur du matériel grand public.

L'intégration de l'optimiseur MuSGD dans YOLO26 contribue aussi à accélérer la convergence, ce qui réduit le temps de calcul GPU total et les coûts du cloud.

Voici un exemple simple d'entraînement de YOLO26 avec l'API Python :

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#

YOLO26 est le point de départ recommandé, mais d'autres modèles de la documentation Ultralytics peuvent répondre à des besoins spécifiques. Pour les utilisateurs liés à des environnements existants, les architectures précédentes comme YOLOv5 restent fiables. Pour les capacités zero-shot, lorsqu'il est impossible de définir les classes 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 change la manière dont les modèles de détection en temps réel fonctionnent en production. Grâce à l'inférence facultative sans NMS et aux optimisations conçues d'abord pour la périphérie, YOLO26 est le choix recommandé pour les nouveaux projets. En t'appuyant sur la documentation Ultralytics, passer à YOLO26 simplifie le déploiement, stabilise l'entraînement et améliore la précision pour toutes les tâches de vision prises en charge.