Commencer

YOLO26 vs YOLO11

Lors de la création de systèmes de vision par ordinateur, choisir le bon modèle consiste à trouver un équilibre entre précision, latence et efficacité des ressources. Cette comparaison technique couvre le passage d’Ultralytics YOLO11 au nouveau YOLO26, et fournit aux ingénieurs et chercheurs en IA les détails nécessaires pour prendre des décisions éclairées sur l’architecture.

Lignée et métadonnées des modèles#

Les deux modèles ont été développés par Ultralytics, mais ils représentent des paradigmes différents dans l’évolution des modèles de détection d’objets et de vision multitâche.

Détails de YOLO26 :

Détails de YOLO11 :

Autres architectures

YOLO26 est le modèle Ultralytics en temps réel le plus avancé, mais les utilisateurs disposant de matériel spécialisé ou d’une grande capacité mémoire peuvent aussi envisager des architectures basées sur les Transformers, comme RT-DETR ou le premier YOLO sans NMS, YOLOv10.

Différences et innovations architecturales#

Le passage de YOLO11 à YOLO26 modifie à la fois l’architecture du modèle et la recette d’entraînement. YOLO11 a établi une solide référence pour la détection d’objets et l’apprentissage multitâche ; YOLO26 repense le déploiement pour l’informatique en périphérie.

Conception de bout en bout sans NMS#

L’inférence native de bout en bout est l’une des améliorations les plus importantes de YOLO26. Contrairement à YOLO11, qui s’appuie sur le post-traitement par suppression des non-maxima (NMS) pour filtrer les boîtes englobantes qui se chevauchent, YOLO26 peut entièrement ignorer cette étape grâce à sa tête facultative à correspondance un-à-un (nms=False). Introduite dans la famille YOLO par YOLOv10, cette approche réduit les variations de latence et simplifie la logique de déploiement sur différents appareils périphériques.

Suppression de DFL pour une meilleure efficacité en périphérie#

YOLO11 utilise la fonction de perte focale de distribution (DFL) pour affiner les estimations des boîtes englobantes. Toutefois, la DFL repose sur des opérations softmax souvent mal prises en charge par les accélérateurs basse consommation en périphérie. YOLO26 supprime la DFL sans sacrifier la précision. Cette simplification améliore la compatibilité avec les systèmes embarqués et permet à YOLO26n d’atteindre une inférence CPU jusqu’à 43 % plus rapide que YOLO11n.

L’optimiseur MuSGD#

YOLO26 introduit l’optimiseur MuSGD, qui combine la descente de gradient stochastique (SGD) et Muon. Cet optimiseur s’inspire des innovations en matière d’entraînement des grands modèles de langage (LLM), notamment de Kimi K2 de Moonshot AI. Il apporte à la vision par ordinateur la stabilité de l’entraînement des modèles de langage et accélère la convergence.

ProgLoss et STAL#

Pour les chercheurs qui travaillent avec des images aériennes ou des applications de drones, la détection de petits objets est un défi de longue date. YOLO26 introduit ProgLoss associé à STAL (attribution d’étiquettes tenant compte des petites cibles), qui améliore la reconnaissance des petits objets par rapport à YOLO11.

Comparaison des performances et des métriques#

YOLO26 obtient un mAP supérieur à celui de YOLO11 pour toutes les tailles, de +1,4 (n) à +2,8 (x), avec un nombre de paramètres et de FLOPs similaire. YOLO26n et YOLO26s sont aussi plus rapides sur CPU, tandis que les grands modèles YOLO11 gardent un avantage en latence CPU.

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
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

Remarque : la latence CPU ONNX de YOLO26n est environ 31 % inférieure à celle de YOLO11n (38,9 ms contre 56,1 ms), ce qui reflète sa conception axée sur le déploiement en périphérie.

Polyvalence pour les tâches de vision par ordinateur#

Les deux modèles bénéficient de l’écosystème Ultralytics activement maintenu et de son API Python unifiée. Ils prennent tous deux en charge la détection, la segmentation, la classification, l’estimation de pose et OBB. YOLO26 ajoute la segmentation sémantique et l’estimation de profondeur, ainsi que plusieurs améliorations propres à certaines tâches :

  • Segmentation d’instances : YOLO26 utilise une fonction de perte de segmentation sémantique et un module proto multi-échelle qui améliorent la qualité des masques par rapport à YOLO11. En savoir plus sur les flux de travail de segmentation.
  • Estimation de pose : grâce à l’intégration de l’estimation résiduelle du log-vraisemblance (RLE), YOLO26 améliore la précision des points clés pour les poses humaines complexes. Découvre les capacités d’estimation de pose.
  • Boîtes englobantes orientées (OBB) : une fonction de perte spécialisée pour les angles corrige les problèmes de discontinuité aux frontières, ce qui rend YOLO26 plus fiable pour détecter les objets tournés dans des images satellites. Découvre les tâches OBB.
  • Classification d’images : les deux modèles effectuent efficacement la classification à haute vitesse. YOLO26 offre un léger gain de précision top-1 sur ImageNet (71,4 % contre 70,0 % pour les modèles n).

Exemple de code d’entraînement et d’inférence#

Entraîner un modèle ou effectuer une inférence avec Ultralytics ne demande que quelques lignes de code. L’entraînement des modèles YOLO nécessite aussi moins de mémoire CUDA que celui des grands réseaux Transformer.

from ultralytics import YOLO

# Charge le modèle YOLO26 nano
model = YOLO("yolo26n.pt")

# Entraîner efficacement le modèle sur le jeu de données COCO8
# optimizer="auto" sélectionne MuSGD pour les entraînements plus longs
train_results = model.train(
    data="coco8.yaml",
    epochs=100,
    imgsz=640,
    device="0",  # Utilise le GPU pour accélérer l’entraînement
)

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

# Afficher les prédictions instantanées et épurées
results[0].show()

Cas d’utilisation idéaux et stratégies de déploiement#

Le choix entre YOLO26 et YOLO11 dépend des contraintes de ton environnement de production.

Quand déployer YOLO26#

YOLO26 est le choix recommandé pour les nouveaux projets. Il est conçu pour :

  • Informatique en périphérie et IoT : ses performances sur CPU et la suppression de la DFL le rendent particulièrement adapté à des appareils comme Raspberry Pi, Coral Edge TPU et les processeurs mobiles.
  • Analyse par drone et aérienne : ProgLoss + STAL améliorent la détection et le suivi des petits objets rapides sur de vastes scènes.
  • Applications sensibles à la latence : en robotique autonome ou pour le contrôle qualité en fabrication, la tête facultative sans NMS (nms=False) garantit une latence constante, sans pics dus au post-traitement.

Quand conserver YOLO11#

YOLO11 reste un modèle performant. Tu peux conserver YOLO11 si :

  • Pipelines existants : ton infrastructure de déploiement C++ existante est étroitement liée au format de sortie et à la logique NMS propres à YOLO11.
  • Références académiques : tu publies des recherches et tu as besoin d’une référence de 2024 largement reconnue pour comparer de nouveaux algorithmes.

La puissance de l’écosystème Ultralytics#

Que tu déploies YOLO11 ou YOLO26, les modèles Ultralytics bénéficient d’un écosystème bien entretenu, de mises à jour fréquentes et d’une grande communauté.

Pour les équipes d’entreprise, la plateforme Ultralytics fournit une solution de bout en bout pour l’annotation des données, l’entraînement des modèles et le déploiement dans le cloud. Le package ultralytics couvre le reste du cycle de vie, de l’optimisation des hyperparamètres à l’export des poids entraînés vers CoreML ou TensorRT.

Commentaires2

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

  1. CoLndGitHub

    Hello, thank you for this article. I'm seeing that the best speed upgrade is 31% between 11n and 26n, where does the "up to 43% acceleration" come from please? Thank you have a nice day

    1. Murat Raimbekov

      your math is right - YOLO26n at 38.9 ms vs YOLO11n at 56.1 ms is ~31% lower latency, which is what the in-page note on this comparison reflects. the "up to 43% faster" headline expresses the same two numbers as a throughput speedup instead: 56.1 / 38.9 ≈ 1.44, so YOLO26n processes ~44% more frames per second on the same CPU than YOLO11n, marketed as "up to 43% faster". both describe the identical benchmark, just two different conventions:

      • latency reduction: (56.1 - 38.9) / 56.1 = ~31%
      • throughput speedup: 56.1 / 38.9 - 1 = ~44% (rounded down to "up to 43%" in the headline)

      a cleaner restatement: YOLO26n delivers up to ~43% faster CPU ONNX inference than YOLO11n, corresponding to ~31% lower latency in the benchmark table. the "up to" qualifier reflects that nano is where the gap is largest - on s/m/l/x tiers the gap is smaller (or negative on the larger ones), so the headline is bound to the best case. we will look at tightening the wording in the docs so the two metrics read clearly side by side.

      thanks for flagging.