YOLO26 vs YOLO11#

Lors de la création de systèmes de vision par ordinateur à la pointe de la technologie, il est essentiel de sélectionner le bon modèle pour équilibrer précision, latence et efficacité des ressources. Dans le paysage en évolution rapide de l’intelligence artificielle, Ultralytics continue de repousser les limites du possible. Cette comparaison technique détaillée examine la transition de YOLO11, qui a rencontré un grand succès, vers le nouveau YOLO26, une véritable révolution, en fournissant aux ingénieurs et aux chercheurs en IA les informations nécessaires pour prendre des décisions architecturales éclairées.

Lignée et métadonnées des modèles#

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

Détails de YOLO26 :

• Auteurs : Glenn Jocher et Jing Qiu
• Organisation : Ultralytics
• Date : 2026-01-14
• GitHub : Dépôt Ultralytics
• Documentation : Documentation officielle de YOLO26

Détails de YOLO11 :

• Auteurs : Glenn Jocher et Jing Qiu
• Organisation : Ultralytics
• Date : 2024-09-27
• GitHub : Dépôt Ultralytics
• Documentation : Documentation officielle de YOLO11

Différences et innovations architecturales#

Le passage de YOLO11 à YOLO26 implique des changements fondamentaux à la fois dans l’architecture du modèle et dans le régime d’entraînement sous-jacent. Alors que YOLO11 établissait une base solide pour la détection d’objets et l’apprentissage multitâches, YOLO26 repense entièrement le pipeline de déploiement pour l’informatique en périphérie.

Conception de bout en bout sans NMS#

L’une des améliorations les plus importantes de YOLO26 est son architecture native de bout en bout. Contrairement à YOLO11, qui s’appuie sur un post-traitement de suppression des non-maxima (NMS) pour filtrer les cadres englobants qui se chevauchent, YOLO26 élimine entièrement cette étape. Ce concept, introduit pour la première fois par YOLOv10, réduit considérablement la variabilité de la latence et simplifie la logique de déploiement sur divers appareils en périphérie.

Suppression de DFL pour une meilleure efficacité en périphérie#

YOLO11 utilise la perte focale de distribution (DFL) pour affiner les estimations des cadres englobants. Cependant, DFL repose sur des opérations softmax complexes, souvent mal prises en charge par les accélérateurs basse consommation dédiés à la périphérie. YOLO26 supprime efficacement DFL sans sacrifier la précision. Cette simplification architecturale améliore considérablement la compatibilité avec les systèmes embarqués et permet à YOLO26 d’atteindre une inférence CPU jusqu’à 43 % plus rapide que son prédécesseur.

L’optimiseur MuSGD#

La stabilité et la vitesse de l’entraînement sont primordiales. YOLO26 introduit l’optimiseur MuSGD, un hybride de la descente de gradient stochastique (SGD) et de Muon, largement inspiré des innovations de Moonshot AI en matière d’entraînement des LLM avec Kimi K2. Cet optimiseur apporte la stabilité de l’entraînement des modèles de langage à la vision par ordinateur, assurant une convergence plus rapide et réduisant l’empreinte mémoire pendant l’entraînement par rapport aux lourdes alternatives basées sur des Transformer.

ProgLoss et STAL#

Pour les chercheurs travaillant avec des images aériennes ou des applications de drones, la détection de minuscules caractéristiques est un défi historique. YOLO26 introduit ProgLoss combiné à STAL (Small-Target-Aware Label Assignment), offrant des améliorations notables dans la reconnaissance de petits objets par rapport à YOLO11.

Comparaison des performances et des métriques#

Lorsqu’ils sont comparés directement, YOLO26 démontre une nette supériorité en matière de précision et d’efficacité sur les appareils en périphérie, tout en conservant les besoins en mémoire extrêmement faibles qui caractérisent l’écosystème Ultralytics.

Remarque : le modèle nano YOLO26 (YOLO26n) affiche une amélioration de la vitesse CPU d’environ ~31 % par rapport à YOLO11n (38,9 ms contre 56,1 ms), ce qui met en évidence sa philosophie de conception axée sur la périphérie.

Polyvalence pour les tâches de vision par ordinateur#

Les deux modèles bénéficient de l’écosystème Ultralytics, très activement maintenu, qui offre une facilité d’utilisation inégalée grâce à une API Python unifiée. Ce ne sont pas de simples détecteurs d’objets : ce sont de véritables modèles multitâches. Cependant, YOLO26 intègre plusieurs avancées spécifiques aux tâches :

• Segmentation d’instances : YOLO26 utilise une perte de segmentation sémantique affinée et un prototypage mult échelle, générant des contours de masque plus nets que YOLO11. En savoir plus sur les workflows de segmentation.
• Estimation de pose : grâce à l’intégration de l’estimation de la log-vraisemblance résiduelle (RLE), YOLO26 améliore considérablement la précision des points clés pour les poses humaines complexes. Découvre les capacités d’estimation de pose.
• Cadres englobants orientés (OBB) : une fonction de perte angulaire spécialisée résout les problèmes historiques de discontinuité des contours, ce qui rend YOLO26 particulièrement fiable pour détecter les objets pivotés dans les flux satellite. Consulte les tâches OBB.
• Classification d’images : les deux modèles gèrent efficacement la classification à grande vitesse, YOLO26 offrant de légères améliorations de la précision top-1 sur ImageNet.

Exemple de code d’entraînement et d’inférence#

Ultralytics est reconnu pour son expérience développeur. L’entraînement d’un modèle SOTA ou l’exécution d’un script d’inférence ne nécessite que quelques lignes de code, ce qui réduit le code répétitif et maximise la productivité. De plus, l’entraînement des modèles YOLO nécessite beaucoup moins de mémoire CUDA que les grands réseaux basés sur des Transformer.

from ultralytics import YOLO

# Load the cutting-edge YOLO26 nano model
model = YOLO("yolo26n.pt")

# Train the model on the COCO8 dataset efficiently
# The MuSGD optimizer is automatically enabled for YOLO26
train_results = model.train(
    data="coco8.yaml",
    epochs=100,
    imgsz=640,
    device="0",  # Utilize GPU for accelerated training
)

# Perform NMS-free inference directly on an image
results = model("https://ultralytics.com/images/bus.jpg")

# Display the clean, instant predictions
results[0].show()

Cas d’utilisation idéaux et stratégies de déploiement#

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

Quand déployer YOLO26#

YOLO26 est le choix par excellence pour les nouveaux projets modernes. Il est spécifiquement conçu pour :

• Informatique en périphérie et IoT : ses performances CPU impressionnantes et la suppression de DFL en font le modèle idéal pour des appareils comme Raspberry Pi, les NPU Coral et les processeurs mobiles.
• Analyse par drone et analyse aérienne : l’intégration de ProgLoss + STAL le rend particulièrement apte à suivre de petits objets se déplaçant rapidement sur de vastes paysages.
• Applications critiques en matière de latence : dans la robotique autonome ou le contrôle qualité industriel, la conception sans NMS garantit une latence déterministe, sans pics inattendus liés au post-traitement.

Quand conserver YOLO11#

Bien que YOLO26 soit supérieur, YOLO11 reste un modèle extrêmement performant. Tu peux conserver YOLO11 si :

• Pipelines existants : ton infrastructure de déploiement C++ actuelle est étroitement couplée aux sorties spécifiques basées sur des ancres et à la logique NMS des architectures plus anciennes.
• Références universitaires : tu publies des recherches et tu as besoin d’une référence 2024 largement reconnue pour comparer tes nouveaux algorithmes.

La puissance de l’écosystème Ultralytics#

Que tu déploies YOLO11 ou YOLO26, utiliser les modèles Ultralytics te permet de profiter d’un écosystème bien maintenu, avec des mises à jour fréquentes et un vaste soutien de la communauté.

Pour les équipes d’entreprise, l’Ultralytics Platform fournit une solution de bout en bout pour l’annotation des données, l’entraînement des modèles et le déploiement fluide dans le cloud. De l’exportation de tes poids entraînés vers CoreML ou TensorRT à la configuration de l’optimisation avancée des hyperparamètres, les outils fournis garantissent un cycle de vie de ton IA aussi rationalisé que possible.