Commencer

YOLO26 vs DAMO-YOLO

Choisir un modèle de vision par ordinateur implique de trouver un équilibre entre vitesse d’inférence, précision et facilité de déploiement. Cette page compare Ultralytics YOLO26 et DAMO-YOLO. Tous deux ciblent la détection d’objets en temps réel, mais leurs philosophies de conception et leurs cas d’usage prévus diffèrent.

Innovations et conception architecturales#

Ultralytics YOLO26 : IA visuelle axée sur l’edge#

Développé par Glenn Jocher et Jing Qiu chez Ultralytics et publié le 14 janvier 2026, YOLO26 est le dernier modèle de la lignée YOLO d’Ultralytics et le choix recommandé pour les nouveaux projets. Il est conçu pour le calcul edge et s’inspire d’idées d’optimisation issues de l’entraînement des LLM.

Les principales caractéristiques architecturales de YOLO26 comprennent :

  • Conception de bout en bout sans NMS : en s’appuyant sur l’entraînement sans NMS que YOLOv10 a introduit dans les modèles YOLO, YOLO26 prend en charge nativement l’inférence de bout en bout. Sa tête one-to-one facultative (nms=False) ignore le post-traitement par suppression des non-maxima (NMS), ce qui rend la latence plus prévisible et simplifie les pipelines de déploiement.
  • Suppression de la DFL : La suppression de la perte focale de distribution simplifie le graphe du modèle. L’exportation vers des frameworks de déploiement comme ONNX et TensorRT s’en trouve facilitée, et la compatibilité avec les appareils de périphérie à faible consommation est meilleure.
  • Optimiseur MuSGD : inspiré de Kimi K2 de Moonshot AI, cet hybride de Stochastic Gradient Descent (SGD) et de Muon intègre à la vision par ordinateur des innovations d’entraînement des LLM, pour un entraînement plus stable et une convergence plus rapide.
  • ProgLoss + STAL : Progressive Loss et Small-Target-Aware Label Assignment (STAL) améliorent la reconnaissance des petits objets, ce qui est important pour l’analyse d’images aériennes par drone et les pipelines de robotique.

DAMO-YOLO : recherche d’architecture neuronale à grande échelle#

Développé par Xianzhe Xu, Yiqi Jiang, Weihua Chen, Yilun Huang, Yuan Zhang et Xiuyu Sun du groupe Alibaba (publié le 23 novembre 2022), DAMO-YOLO est axé sur la découverte automatisée d’architectures. Cette recherche, détaillée dans leur article arXiv, utilise Neural Architecture Search (NAS) pour trouver des backbones respectant des budgets de latence stricts.

Les principales caractéristiques architecturales de DAMO-YOLO comprennent :

  • Backbone MAE-NAS : Utilise une recherche guidée par l’entropie maximale pour concevoir automatiquement des backbones qui équilibrent précision et vitesse de déploiement cible.
  • RepGFPN efficace : une architecture de neck imposante qui améliore la fusion des caractéristiques à différentes échelles pour traiter des scènes visuelles complexes.
  • ZeroHead : une tête de détection légère conçue pour réduire au minimum la surcharge de calcul dans les dernières couches de prédiction.

En savoir plus sur DAMO-YOLO

Choisir la bonne architecture

L’architecture de DAMO-YOLO guidée par NAS convient à des contraintes matérielles spécifiques et prédéfinies, tandis que la conception facultative sans NMS et la suppression de DFL de YOLO26 en font un choix plus portable et prévisible dans les environnements edge et cloud.

Comparaison des performances et des métriques#

Une comparaison directe des variantes de modèles entraînées sur le jeu de données COCO standard révèle des profils de performance distincts. Le tableau ci-dessous présente les compromis entre précision (mAP), vitesse et empreinte de calcul (paramètres et FLOPs).

Modèletaille
(pixels)
mAPval50-95Vitesse
CPU ONNX
(ms)
Vitesse
T4 TensorRT10
(ms)
paramètres
(M)
FLOPs
(B)
YOLO26n64040.938.91.72.45.5
YOLO26s64048.687.22.59.520.9
YOLO26m64053.1220.04.720.468.4
YOLO26l64055.0286.26.224.886.8
YOLO26x64057.5525.811.855.7194.4
DAMO-YOLOt64042.0-2.328.518.1
DAMO-YOLOs64046.0-3.4516.337.8
DAMO-YOLOm64049.2-5.0928.261.8
DAMO-YOLOl64050.8-7.1842.197.3

Analyse des performances#

YOLO26n compte 2,4 M de paramètres et s’exécute en 1,7 ms sur un GPU NVIDIA T4 avec TensorRT. YOLO26n est aussi jusqu’à 43 % plus rapide sur CPU que YOLO11n, ce qui fait de YOLO26 un excellent choix pour les appareils edge dépourvus d’accélérateurs GPU dédiés.

DAMO-YOLOt dépasse YOLO26n en mAP (42,0 contre 40,9), mais avec environ 3,5 fois plus de paramètres (8,5 M). Aux tailles s, m et l, YOLO26 est plus précis que DAMO-YOLO (par exemple, 55,0 contre 50,8 mAP pour les modèles l), compte moins de paramètres, offre des vitesses TensorRT supérieures et utilise généralement moins de mémoire CUDA pendant l’entraînement.

Écosystème, facilité d’utilisation et efficacité de l’entraînement#

La valeur d’un modèle dépend aussi de la facilité avec laquelle les développeurs et les chercheurs peuvent l’entraîner, le déployer et en assurer la maintenance.

L’avantage Ultralytics#

Les modèles Ultralytics s’accompagnent d’un écosystème bien maintenu et axé sur les développeurs. Les workflows comprenant l’augmentation des données, le réglage des hyperparamètres et le suivi des expériences sont gérés par de simples commandes.

YOLO26 est également plus polyvalent. Alors que DAMO-YOLO est strictement un détecteur d’objets, YOLO26 prend en charge la détection, la segmentation d’instances, la segmentation sémantique, l’estimation de profondeur, la classification, l’estimation de pose et la détection OBB, avec des améliorations propres à chaque tâche, notamment :

Méthodes d’entraînement#

L’entraînement de DAMO-YOLO implique souvent un processus de distillation des connaissances dans lequel un grand modèle « enseignant » entraîne un modèle « étudiant » plus petit. Cela améliore la précision, mais demande davantage de mémoire GPU et des cycles d’entraînement plus longs.

YOLO26 s’entraîne sans modèle enseignant et nécessite généralement moins de mémoire, ce qui permet de l’entraîner efficacement sur du matériel grand public avec l’optimiseur MuSGD. Voici comment entraîner un modèle YOLO26 à l’aide de l’API Python Ultralytics basée sur PyTorch :

from ultralytics import YOLO

# Initialise le modèle nano YOLO26 nativement de bout en bout
model = YOLO("yolo26n.pt")

# Entraîne le modèle sur un jeu de données personnalisé
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=0)

# Exporte le modèle optimisé sans NMS
model.export(format="onnx", nms=False)
Découvrir d’autres modèles

Si tu souhaites explorer d’autres architectures modernes de l’écosystème Ultralytics, YOLO11 reste un bon choix pour les pipelines existants qui l’utilisent. Les chercheurs qui s’intéressent aux architectures fondées sur les Transformers peuvent également explorer le modèle RT-DETR.

Applications concrètes#

Le bon choix dépend de ton environnement de déploiement.

IA en périphérie et appareils IoT#

Pour les caméras de commerce intelligent, les systèmes de surveillance agricole automatisés ou la robotique, les ressources de calcul sont strictement limitées. Dans ce cas, YOLO26 est le plus adapté. Son inférence CPU plus rapide, sa tête facultative sans NMS et sa faible empreinte en paramètres lui permettent de fonctionner sur des appareils edge comme le Raspberry Pi, tout en conservant une bonne précision.

Fabrication à grande vitesse et contrôle qualité#

Sur les lignes d’automatisation de la fabrication, la détection des défauts sur des tapis roulants rapides exige une latence minimale et déterministe. DAMO-YOLO fonctionne bien sur certaines configurations GPU, mais la latence variable du post-traitement NMS peut désynchroniser les actionneurs robotiques. Lorsque sa tête sans NMS est activée (nms=False), YOLO26 maintient des temps de traitement des images constants, ce qui simplifie l’intégration à la robotique industrielle à grande vitesse.

Images prises par drone et images aériennes#

La détection de petits sujets depuis de hautes altitudes est difficile. ProgLoss et STAL dans YOLO26 améliorent la reconnaissance des petits objets, ce qui facilite le suivi de la faune ou l’analyse de la congestion routière à partir de UAV, où les objets ne couvrent que quelques pixels.

Cas d’utilisation et recommandations#

Le choix entre YOLO26 et DAMO-YOLO dépend des exigences propres à ton projet, de tes contraintes de déploiement et de tes préférences en matière d’écosystème.

Quand choisir YOLO26#

YOLO26 est un excellent choix pour :

  • Déploiement en périphérie sans NMS : les applications qui exigent des inférences à faible latence et constantes, sans la complexité du post-traitement par suppression non maximale.
  • Environnements sans GPU : Les appareils dépourvus d'accélération GPU dédiée, où l'inférence CPU jusqu'à 43 % plus rapide de YOLO26 (YOLO26n par rapport à YOLO11n) procure un avantage décisif.
  • Détection de petits objets : dans des scénarios exigeants comme les images aériennes prises par drone ou l’analyse de capteurs IoT, ProgLoss et STAL améliorent la précision sur les petits objets.

Quand choisir DAMO-YOLO#

DAMO-YOLO est recommandé pour :

  • Analyse vidéo à haut débit : Traitement de flux vidéo à FPS élevé sur une infrastructure GPU NVIDIA fixe, lorsque le débit avec une taille de lot de 1 est le principal critère.
  • Lignes de fabrication industrielle : Scénarios soumis à des contraintes strictes de latence GPU sur du matériel dédié, comme l’inspection qualité en temps réel sur les chaînes de montage.
  • Recherche sur la recherche d’architectures neuronales : Étude des effets de la recherche automatisée d’architectures (MAE-NAS) et des backbones efficaces reparamétrés sur les performances de détection.

Conclusion#

DAMO-YOLO constitue une étude intéressante de la recherche d’architecture neuronale pour des cibles matérielles spécifiques, tandis qu’Ultralytics YOLO26 est le choix le plus complet pour la plupart des spécialistes. Son inférence facultative sans NMS, ses besoins en mémoire réduits, son optimiseur MuSGD et son écosystème bien maintenu aident les développeurs à créer et déployer rapidement et de manière fiable des systèmes de vision.

Commentaires

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