Commencer

YOLO26 vs PP-YOLOE+

Les modèles de détection d’objets en temps réel ont rapidement évolué, et les ingénieurs qui en choisissent un pour le déploiement doivent comparer la vitesse, la précision et les outils. Cette page compare Ultralytics YOLO26 et PP-YOLOE+ selon leurs architectures, leurs méthodologies d’entraînement, leurs métriques de performance et leurs scénarios de déploiement réels idéaux.

Origines et métadonnées des modèles#

Comprendre le contexte de ces architectures de détection d’objets aide à situer leurs philosophies de conception et leurs environnements cibles.

Présentation de YOLO26

Publié en janvier 2026, YOLO26 est le dernier modèle YOLO d’Ultralytics et le choix recommandé pour les nouveaux projets. Il est conçu pour le déploiement de l’IA edge, avec une faible empreinte, une inférence facultative de bout en bout et des vitesses élevées sur CPU et GPU.

Présentation de PP-YOLOE+

Conçu comme une évolution de la série PP-YOLO, PP-YOLOE+ est un détecteur sans ancres optimisé pour l’écosystème PaddlePaddle. Il s’appuie sur un backbone CSPRepResNet et une tête ET pour améliorer les métriques de détection standard.

En savoir plus sur PP-YOLOE+

Innovations architecturales#

Les différences de traitement des données visuelles entre ces modèles ont une incidence sur leurs besoins en mémoire, la stabilité de leur entraînement et leur latence d’inférence.

YOLO26 : détection native de bout en bout#

YOLO26 introduit plusieurs changements architecturaux conçus pour simplifier le déploiement des modèles :

  • Conception de bout en bout sans NMS : en s’appuyant sur les concepts d’abord introduits dans YOLOv10, YOLO26 prend en charge l’inférence native de bout en bout, qui ignore le post-traitement par suppression non maximale (NMS) grâce à sa tête facultative one-to-one (nms=False). Cela réduit la variabilité de la latence et simplifie les pipelines de déploiement.
  • Suppression de DFL : la suppression de Distribution Focal Loss (DFL) simplifie la tête de détection, ce qui facilite l’export vers des formats comme TensorRT et CoreML.
  • Optimiseur MuSGD : inspiré de Kimi K2 de Moonshot AI, YOLO26 intègre à la vision par ordinateur des innovations d’entraînement des LLM. L’optimiseur hybride MuSGD (SGD + Muon) offre 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 rend l’architecture efficace pour les images prises par drone et les applications agricoles.

PP-YOLOE+ : une approche axée sur Paddle#

PP-YOLOE+ utilise une conception sans ancres axée sur une grande précision sur du matériel serveur standard. Son backbone CSPRepResNet améliore l’extraction des caractéristiques. Cependant, comme il repose sur des opérations propres à la pile d’apprentissage profond de Baidu, la modification du réseau ou son export pour des appareils edge soumis à des contraintes peut s’avérer plus complexe qu’avec les frameworks Ultralytics.

Comparaison des performances et des métriques#

PP-YOLOE+ offre une précision compétitive, mais YOLO26 atteint une mAP supérieure avec une latence TensorRT sur T4 plus faible pour toutes les tailles du tableau ci-dessous, par exemple 57.5 contre 54.7 mAP et 11.8 contre 14.3 ms pour les modèles x.

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
PP-YOLOE+t64039.9-2.844.8519.15
PP-YOLOE+s64043.7-2.627.9317.36
PP-YOLOE+m64049.8-5.5623.4349.91
PP-YOLOE+l64052.9-8.3652.2110.07
PP-YOLOE+x64054.7-14.398.42206.59

Les optimisations edge et la suppression de DFL rendent YOLO26n jusqu’à 43 % plus rapide sur CPU que YOLO11n. Les vitesses CPU ONNX de PP-YOLOE+ ne sont pas indiquées ici ; évalue donc les deux modèles sur ton appareil cible, comme un Raspberry Pi ou une autre unité de calcul edge.

Efficacité mémoire

Lorsque tu compares des architectures de modèles, note que les modèles YOLO d’Ultralytics utilisent généralement moins de mémoire pendant l’entraînement que les modèles fondés sur les Transformers, ce qui les rend pratiques pour le prototypage sur des GPU grand public.

Les avantages de l’écosystème Ultralytics#

PP-YOLOE+ est un modèle performant, mais l’expérience de développement diffère considérablement. L’écosystème Ultralytics intégré couvre l’ensemble du workflow des spécialistes de l’IA visuelle.

  1. Facilité d’utilisation : une API Python simple abstrait la complexité des pipelines de données et des boucles d’entraînement, avec une documentation complète et activement maintenue.
  2. Polyvalence : contrairement à PP-YOLOE+, principalement axé sur la détection d’objets, YOLO26 prend en charge la segmentation d’instances, la segmentation sémantique, l’estimation de profondeur, la classification d’images, l’estimation de pose et les boîtes englobantes orientées (OBB) via la même API.
  3. Efficacité de l’entraînement : les poids préentraînés sont téléchargés automatiquement et les augmentations intégrées favorisent un entraînement efficace, qui nécessite généralement moins de mémoire CUDA et de temps que les anciens frameworks.

Exemple de code : la simplicité en action#

L’exemple suivant montre comment lancer un projet avec l’API Ultralytics :

from ultralytics import YOLO

# Charger un modèle YOLO26 nano préentraîné pour des performances optimales en périphérie
model = YOLO("yolo26n.pt")

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

# Effectuer une inférence sans NMS sur une image cible
inference_results = model.predict("https://ultralytics.com/images/bus.jpg", nms=False)

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

Applications idéales en conditions réelles#

Le choix entre YOLO26 et PP-YOLOE+ dépend en grande partie des contraintes de ton environnement de production.

Quand déployer PP-YOLOE+ :

  • Intégration à l’écosystème Baidu : projets reposant sur l’infrastructure PaddlePaddle ou environnements standardisés autour de la pile logicielle de Baidu.
  • Traitement par lots côté serveur : Scénarios exécutés sur du matériel de niveau entreprise où les fluctuations de latence dues à NMS sont moins préoccupantes.

Quand déployer YOLO26 :

  • Appareils edge et IoT : les vitesses CPU plus élevées de YOLO26 en font un excellent choix pour les caméras intelligentes, les drones et la robotique basse consommation.
  • Déploiements soumis à des contraintes de temps : le mode d’inférence facultatif sans NMS (nms=False) fournit une inférence stable à faible latence, importante pour la recherche sur la conduite autonome et le contrôle qualité à grande vitesse en fabrication.
  • Projets multitâches : lorsqu’un projet associe la détection d’objets à des masques de segmentation ou à des points clés issus de l’estimation de pose, le framework unifié YOLO26 les prend tous en charge.

Cas d’utilisation et recommandations#

Le choix entre YOLO26 et PP-YOLOE+ dépend des exigences propres à ton projet, des 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 utilisant uniquement le CPU : les appareils dépourvus d’accélération GPU dédiée bénéficient d’un avantage décisif grâce à l’inférence CPU de YOLO26n, jusqu’à 43 % plus rapide que celle de YOLO11n.
  • Détection de petits objets : scénarios difficiles, comme l’imagerie par drone aérien ou l’analyse par capteurs IoT, où ProgLoss et STAL améliorent la précision sur les petits objets.

Quand choisir PP-YOLOE+#

PP-YOLOE+ est recommandé pour :

  • Intégration à l’écosystème PaddlePaddle : Les organisations dotées d’une infrastructure existante reposant sur le framework et les outils PaddlePaddle de Baidu.
  • Déploiement en périphérie avec Paddle Lite : Déploiement sur du matériel doté de noyaux d’inférence fortement optimisés spécifiquement pour Paddle Lite ou le moteur d’inférence Paddle.
  • Détection côté serveur de haute précision : Scénarios privilégiant une précision de détection maximale sur de puissants serveurs GPU, sans contrainte liée aux dépendances du framework.

Explorer d’autres architectures#

Pour avoir une vue d’ensemble, considère YOLO11, la génération précédente des modèles Ultralytics, qui reste largement utilisée en production. Pour la détection fondée sur les Transformers, RT-DETR est une solution de remplacement, même s’il nécessite davantage de mémoire pendant l’entraînement.

Avec l’optimiseur MuSGD, ProgLoss + STAL et l’inférence facultative sans NMS, YOLO26 est le choix recommandé pour des solutions d’IA visuelle évolutives et efficaces.

Commentaires

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