YOLO26 vs YOLO11: une nouvelle ère pour l'IA visuelle de bout en bout

L'évolution de la détection d'objets a été marquée par une quête incessante de vitesse, de précision et d'efficacité. Deux des étapes les plus importantes de ce parcours sont YOLO26 et YOLO11. Si ces deux modèles sont issus des recherches innovantes menées par Ultralytics, ils représentent différentes générations de philosophie architecturale. Cette comparaison explore les nuances techniques de ces architectures, aidant les développeurs et les chercheurs à choisir l'outil adapté à leurs applications spécifiques de vision par ordinateur.

Comparaison des métriques de performance

Le tableau suivant met en évidence les différences de performances entre les deux familles de modèles sur l'COCO . Notez l'augmentation significative de la vitesse CPU pour YOLO26, résultat direct de ses optimisations architecturales.

Évolution architecturale

YOLO26 : la révolution NMS

Sorti en janvier 2026, YOLO26 représente un changement de paradigme vers la détection native d'objets de bout en bout. Contrairement aux détecteurs traditionnels qui s'appuient sur des étapes de post-traitement heuristiques telles que la suppression non maximale (NMS) pour filtrer les boîtes englobantes en double, YOLO26 intègre directement cette logique dans l'architecture du réseau. Ce concept, initialement mis au point dans le cadre de recherches telles que YOLOv10, a été perfectionné pour assurer la stabilité de la production dans YOLO26.

Les principales innovations architecturales sont les suivantes :

• Conception NMS de bout en bout : en éliminant NMS, YOLO26 simplifie le pipeline de déploiement. Cela est particulièrement avantageux pour les scénarios d'informatique en périphérie où la variabilité de NMS peut entraîner des fluctuations dans les applications en temps réel.
• Suppression du DFL : la suppression du Distribution Focal Loss (DFL) rationalise les couches de sortie du modèle. Cette modification améliore considérablement la compatibilité avec les appareils à faible consommation d'énergie et simplifie l'exportation du modèle vers des formats tels que ONNX CoreML, car moins d'opérateurs personnalisés sont nécessaires.
• Optimiseur MuSGD : inspiré par les innovations en matière d'entraînement des grands modèles linguistiques (LLM) telles que Kimi K2 de Moonshot AI, YOLO26 utilise un optimiseur hybride combinant SGD Muon. Cela apporte une stabilité supérieure aux cycles d'entraînement, permettant une convergence plus rapide, même avec des ensembles de données complexes.
• ProgLoss + STAL : l'introduction des fonctions Progressive Loss (ProgLoss) et Self-Training Anchor Loss (STAL) apporte des améliorations notables dans la détection des petits objets. Ces fonctions de perte ajustent dynamiquement la mise au point pendant l'entraînement, garantissant ainsi un apprentissage plus efficace des exemples difficiles, souvent des objets petits ou occultés.

En savoir plus sur YOLO26

YOLO11: la norme robuste

YOLO11, sorti en septembre 2024, s'appuie sur l'héritage de YOLOv8 introduisant le bloc C3k2 et des améliorations au module SPPF (Spatial Pyramid Pooling - Fast). Bien qu'il reste un modèle très performant et robuste, il s'appuie sur la tête de détection traditionnelle sans ancrage qui nécessite NMS .

YOLO11 dans les scénarios où un support étendu des versions antérieures est nécessaire, ou lorsque l'on dépend des particularités architecturales spécifiques des générations précédentes. Cependant, comparé à l'architecture rationalisée de YOLO26, il entraîne une charge de calcul légèrement plus importante lors de la phase de post-traitement, ce qui peut devenir un goulot d'étranglement dans les environnements à haut débit.

En savoir plus sur YOLO11

Cas d'utilisation idéaux

Quand choisir YOLO26

YOLO26 est le choix recommandé pour pratiquement tous les nouveaux projets, en particulier ceux qui privilégient l'efficacité et la facilité de déploiement.

1. IA en périphérie et IoT : grâce à ses CPU massives CPU et à sa conception NMS, YOLO26 est parfait pour les appareils tels que le Raspberry Pi ou NVIDIA . La variance de latence réduite est cruciale pour la robotique, où un timing constant est nécessaire pour les boucles de contrôle.
2. Tâches de vision complexes : au-delà de la détection, YOLO26 offre des améliorations spécifiques à certaines tâches. Par exemple, l'estimation de la vraisemblance résiduelle (RLE) améliore considérablement la précision de l'estimation de la pose, tandis que des fonctions spécialisées de perte d'angle améliorent la précision de l'Oriented Bounding Box (OBB) pour l'imagerie aérienne.
3. Applications à faible consommation d'énergie : grâce à la suppression du DFL et à l'optimisation de l'architecture, le YOLO26 consomme moins d'énergie par inférence, ce qui prolonge la durée de vie de la batterie dans les applications mobiles.

Quand choisir YOLO11

YOLO11 une option valable pour :

• Systèmes hérités : si vous disposez d'un pipeline existant fortement optimisé pour le format de sortie spécifique YOLO11 et que vous ne pouvez pas vous permettre de consacrer du temps d'ingénierie à la mise à jour de la logique de post-traitement (bien que la transition vers YOLO26 soit généralement transparente avec Ultralytics).
• Références de benchmarking : les chercheurs utilisent souvent des modèles largement adoptés tels que YOLO11 YOLOv8 comme références pour comparer les nouvelles architectures.

L'avantage Ultralytics

Que vous choisissiez YOLO26 ou YOLO11, tirer parti de Ultralytics offre des avantages distincts par rapport aux frameworks concurrents.

Facilité d'utilisation et polyvalence

Ultralytics sont conçus pour offrir une expérience « zéro à héros ». Une seule Python prend en charge la détection, la segmentation, la classification et le suivi. Cette polyvalence permet aux équipes d'ingénieurs de passer d'une tâche à l'autre sans avoir à apprendre de nouveaux codes.

from ultralytics import YOLO

# Load the latest YOLO26 model
model = YOLO("yolo26n.pt")

# Train on a custom dataset with MuSGD optimization automatically handled
results = model.train(data="coco8.yaml", epochs=100)

# Export to ONNX for simplified edge deployment
path = model.export(format="onnx")

Efficacité de l'entraînement et mémoire

Les deux modèles sont optimisés pour l'efficacité de l'entraînement, mais l'optimiseur MuSGD de YOLO26 stabilise encore davantage ce processus. Contrairement aux modèles massifs basés sur des transformateurs qui nécessitent une mémoire VRAM importante,YOLO Ultralytics peuvent souvent être affinés sur des GPU grand public, démocratisant ainsi l'accès à une IA de pointe.

Écosystème bien entretenu

Ultralytics et la bibliothèque open source garantissent la pérennité de vos projets. Grâce à des mises à jour fréquentes, une documentation complète et des outils de gestion des ensembles de données et de formation au cloud, vous bénéficiez du soutien d'une communauté solide et d'une équipe de développement active.

Métadonnées du modèle

YOLO26

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

YOLO11

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

Conclusion

Alors que YOLO11 reste un modèle robuste et performant, YOLO26 établit une nouvelle norme en matière d'efficacité et de vitesse. Sa conception de bout en bout NMS, combinée à d'importantes optimisations CPU et à des fonctions de perte avancées, en fait le choix idéal pour les applications modernes de vision par ordinateur. En adoptant YOLO26, les développeurs peuvent obtenir une plus grande précision et des performances plus rapides avec moins de complexité, tout en restant dans Ultralytics convivial Ultralytics .

Commentaires