Commencer

YOLO11 vs YOLOv6-3.0

Le domaine de la vision par ordinateur évolue rapidement, et le choix de la bonne architecture de modèle est une décision essentielle pour les spécialistes de l’apprentissage automatique. YOLO11 et YOLOv6-3.0 sont deux jalons importants de la détection d’objets en temps réel. Tous deux extraient des informations utiles des données visuelles, mais ont été développés selon des objectifs principaux et des philosophies de conception différents.

Ce guide compare leurs architectures, leurs mesures de performance et leurs scénarios de déploiement idéaux pour t’aider à prendre une décision éclairée pour ton prochain projet d’IA.

Présentation des modèles#

Avant d’aborder les benchmarks techniques, il est utile de comprendre les origines et les objectifs fondamentaux de chaque modèle.

Ultralytics YOLO11#

Développé nativement au sein de l’écosystème Ultralytics, YOLO11 a été conçu pour offrir une expérience de développement complète, de l’entraînement au déploiement. Il met l’accent non seulement sur la vitesse brute, mais aussi sur la polyvalence multitâche, la facilité d’utilisation et l’intégration aux pipelines de déploiement modernes.

Meituan YOLOv6-3.0#

YOLOv6-3.0 a été spécifiquement conçu pour les applications industrielles disposant d’unités de traitement graphique (GPU) dédiées. Il est optimisé pour le déploiement sur TensorRT et vise à maximiser le débit dans des environnements contrôlés.

En savoir plus sur YOLOv6

Différences architecturales#

L'architecture sous-jacente détermine la manière dont un modèle apprend et passe à l'échelle. Les deux cadres apportent des améliorations uniques à la formule YOLO classique.

YOLO11 s’appuie sur des années de recherche pour offrir une architecture économe en paramètres. Il intègre un backbone affiné et une tête généralisée qui gère diverses tâches de vision par ordinateur, comme la segmentation d’instances et l’estimation de pose, sans changements structurels majeurs. YOLO11 nécessite également peu de mémoire CUDA pendant l’entraînement, ce qui le distingue des modèles Transformer plus volumineux comme RT-DETR.

À l’inverse, YOLOv6-3.0 utilise un module de concaténation bidirectionnelle (BiC) et une stratégie d’entraînement assistée par ancres (AAT). Ces mécanismes sont conçus pour améliorer la précision de localisation. Il utilise une tête découplée et une conception adaptée à la quantification pour l’inférence INT8, ce qui en fait un concurrent sérieux pour les lignes de production à grande vitesse reposant sur des piles GPU établies.

Choisir le bon framework

Si ton projet nécessite un prototypage rapide, la prise en charge de tâches variées (comme la segmentation ou la classification) et un déploiement sur différents matériels (CPU, Edge TPU, appareils mobiles), le framework Ultralytics offre une expérience de développement plus fluide.

Performances et métriques#

Pour évaluer les modèles, la précision moyenne (mAP) et la vitesse d’inférence sont les mesures clés. Le tableau suivant compare les performances de YOLO11 et YOLOv6-3.0 à différentes échelles de modèle. Les meilleures mesures sont indiquées en gras.

Modèletaille
(pixels)
mAPval50-95Vitesse
CPU ONNX
(ms)
Vitesse
T4 TensorRT10
(ms)
paramètres
(M)
FLOPs
(B)
YOLO11n64039.556.11.52.66.5
YOLO11s64047.090.02.59.421.6
YOLO11m64051.5183.24.720.168.1
YOLO11l64053.4238.66.225.387.2
YOLO11x64054.7462.811.356.9195.3
YOLOv6-3.0n64037.5-1.174.711.4
YOLOv6-3.0s64045.0-2.6618.545.3
YOLOv6-3.0m64050.0-5.2834.985.8
YOLOv6-3.0l64052.8-8.9559.6150.7

YOLO11 obtient une mAP plus élevée avec moins de paramètres et de FLOPs à chaque niveau comparable ; par exemple, YOLO11s atteint 47.0 mAP avec 9.4M paramètres, contre 45.0 mAP avec 18.5M pour YOLOv6-3.0s. YOLOv6-3.0n est le modèle le plus rapide sur TensorRT T4 (1.17 ms), tandis que YOLO11 est plus rapide à partir de l’échelle s. Cette efficacité en paramètres se traduit par des besoins mémoire plus faibles pendant l’entraînement du modèle et l’inférence.

L’avantage Ultralytics#

Le choix d’un modèle ne se résume pas aux mesures brutes : il concerne l’ensemble du cycle de vie de l’apprentissage automatique. Les modèles Ultralytics offrent plusieurs avantages aux développeurs et aux chercheurs.

  1. Facilité d'utilisation : l'API Python Ultralytics te permet d'entraîner, de valider et d'exporter des modèles en quelques lignes de code. Inutile de configurer manuellement des arbres de dépendances complexes.
  2. Écosystème bien entretenu : Ultralytics fournit un écosystème unifié qui bénéficie de mises à jour fréquentes. Avec Ultralytics Platform, les développeurs disposent de fonctionnalités collaboratives d’annotation des jeux de données, d’entraînement dans le cloud et de surveillance des modèles.
  3. Polyvalence : contrairement à YOLOv6-3.0, principalement conçu pour détecter des boîtes englobantes, YOLO11 prend également en charge la classification d’images et les boîtes englobantes orientées (OBB), ce qui te permet de consolider ta pile technologique.
  4. Efficacité de l’entraînement : grâce aux optimisations modernes et à l’ajustement automatique de la taille des lots, YOLO11 s’entraîne efficacement sur du matériel grand public.

Exemple de code : entraînement et inférence#

Voici un exemple exécutable qui entraîne un modèle, exécute l’inférence et l’exporte avec le package Ultralytics.

from ultralytics import YOLO

# Charge un petit modèle YOLO11 préentraîné
model = YOLO("yolo11s.pt")

# Entraîner efficacement le modèle sur le jeu de données COCO8
results = model.train(data="coco8.yaml", epochs=50, imgsz=640)

# Lancer une inférence sur une image provenant du Web
prediction = model("https://ultralytics.com/images/bus.jpg")

# Exporter le modèle au format ONNX pour faciliter son déploiement
model.export(format="onnx")

Cas d’utilisation idéaux#

Comprendre les points forts de chaque modèle te permet de choisir l'outil adapté à la tâche.

Quand choisir YOLOv6-3.0 : Si tu maintiens un système industriel existant conçu spécifiquement autour de pipelines TensorRT 7.x/8.x et que ton matériel se compose entièrement de GPU NVIDIA T4 ou A100 dédiés pour l’automatisation de la production à grande vitesse, YOLOv6 reste une option performante.

Quand choisir YOLO11 : Pour la plupart des applications modernes, YOLO11 est le meilleur choix. Que tu développes des solutions de production intelligente, déploies l’IA en périphérie sur des appareils Raspberry Pi ou effectues des opérations multitâches comme la détection et la segmentation d’images médicales, YOLO11 offre un bon équilibre entre vitesse, précision et flexibilité de déploiement.

Perspectives : YOLO26#

Ultralytics continue de développer de nouveaux modèles après YOLO11. Publiée en janvier 2026, la série de modèles YOLO26 est la dernière génération Ultralytics YOLO et le modèle recommandé pour les nouveaux projets.

YOLO26 introduit plusieurs fonctionnalités conçues pour relever les défis du déploiement moderne :

  • Conception de bout en bout sans NMS : en s’appuyant sur l’entraînement sans NMS que YOLOv10 a introduit dans les modèles YOLO, YOLO26 propose une tête facultative de bout en bout (nms=False) qui élimine le post-traitement par suppression des non-maxima (NMS), pour des pipelines de déploiement plus rapides et plus simples.
  • Suppression de DFL : en supprimant Distribution Focal Loss, YOLO26 simplifie la tête du réseau et améliore sa compatibilité avec les appareils Internet des objets (IoT) à faible consommation et les appareils périphériques.
  • Optimiseur MuSGD : inspiré des méthodes d’entraînement des grands modèles de langage (LLM) (comme Kimi K2 de Moonshot AI), YOLO26 utilise un optimiseur hybride Muon-SGD pour un entraînement plus stable et une convergence plus rapide.
  • Inférence CPU jusqu’à 43 % plus rapide : pour les applications qui fonctionnent sans accélérateurs GPU dédiés, YOLO26n s’exécute jusqu’à 43 % plus rapidement que YOLO11n sur CPU.
  • ProgLoss + STAL : la perte progressive et l’assignation d’étiquettes tenant compte des petites cibles (STAL) améliorent la reconnaissance des petits objets, un aspect essentiel pour l’imagerie par drone et la surveillance aérienne.
  • Améliorations spécifiques aux tâches : YOLO26 intègre des optimisations personnalisées selon les tâches, comme un module proto multi-échelle pour la segmentation et l’estimation résiduelle du log-vraisemblance (RLE) pour l’estimation de pose.

Si tu démarres aujourd’hui un nouveau projet de vision par ordinateur, entraîner un modèle YOLO26 sur Ultralytics Platform te donne accès à l’architecture Ultralytics la plus précise et la plus efficace actuellement disponible.

Si tu souhaites explorer la détection à vocabulaire ouvert, tu peux également consulter notre documentation sur YOLO-World.

Commentaires

Pose une question, partage tes résultats ou aide quelqu’un d’autre.