YOLO26 vs YOLO11#

Lors de la création de systèmes de vision par ordinateur de pointe, choisir le bon modèle est essentiel pour équilibrer précision, latence et efficacité des ressources. Dans le domaine de l’intelligence artificielle, qui évolue rapidement, Ultralytics continue de repousser les limites du possible. Cette comparaison technique détaillée examine la transition entre le très populaire YOLO11 et le révolutionnaire YOLO26, et fournit aux ingénieurs et 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 des modèles de détection d’objets et de vision multitâche.

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 dans l’architecture du modèle et le processus d’entraînement sous-jacent. YOLO11 a établi une base solide pour la détection d’objets et l’apprentissage multitâche, tandis que 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 la post-traitement de suppression non maximale (NMS) pour filtrer les boîtes englobantes qui se chevauchent, YOLO26 peut entièrement ignorer cette étape grâce à sa tête un-à-un facultative (nms=False). Ce concept, lancé 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 Distribution Focal Loss (DFL) pour affiner les estimations des boîtes englobantes. Cependant, DFL repose sur des opérations softmax complexes, souvent mal prises en charge par les accélérateurs périphériques à faible consommation. YOLO26 supprime DFL sans perte de 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 essentielles. YOLO26 introduit l’optimiseur MuSGD, un hybride de descente de gradient stochastique (SGD) et de Muon, fortement inspiré des innovations d’entraînement des LLM de Kimi K2 de Moonshot AI. Cet optimiseur apporte à la vision par ordinateur la stabilité d’entraînement des modèles de langage, favorise une convergence plus rapide et réduit l’empreinte mémoire pendant l’entraînement par rapport aux modèles Transformer volumineux.

ProgLoss et STAL#

Pour les chercheurs travaillant avec des images aériennes ou des applications de drones, la détection de petits détails est un défi de longue date. YOLO26 introduit ProgLoss associé à STAL (Small-Target-Aware Label Assignment), qui améliore nettement la reconnaissance des petits objets par rapport à YOLO11.

Comparaison des performances et des métriques#

La comparaison directe des modèles montre que YOLO26 offre une meilleure précision et une plus grande 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 vitesse CPU d’environ ~31 % par rapport à YOLO11n (38.9ms contre 56.1ms), ce qui illustre sa conception axée sur la périphérie.

Polyvalence pour les tâches de vision par ordinateur#

Les deux modèles bénéficient de l’écosystème Ultralytics, régulièrement maintenu, et offrent une facilité d’utilisation inégalée grâce à une API Python unifiée. Ce ne sont pas de simples détecteurs d’objets, mais de véritables outils multitâches. YOLO26 intègre toutefois plusieurs avancées propres à chaque tâche :

• Segmentation d’instances : YOLO26 utilise une fonction de perte de segmentation sémantique affinée et un prototypage multi-échelle, ce qui produit des contours de masque plus nets que YOLO11. En savoir plus sur les workflows de segmentation.
• Estimation de pose : grâce à l’intégration de Residual Log-Likelihood Estimation (RLE), YOLO26 améliore considérablement la précision des points clés dans les poses humaines complexes. Découvre les capacités d’estimation de pose.
• Boîtes englobantes orientées (OBB) : une fonction de perte d’angle spécialisée résout les problèmes historiques de discontinuité des limites, ce qui rend YOLO26 particulièrement fiable pour détecter les objets pivotés dans les images satellites. Lis notre article sur les tâches OBB.
• Classification d’images : les deux modèles gèrent efficacement la classification à grande vitesse, et YOLO26 offre une légère amélioration de la précision top-1 sur ImageNet.

Exemple de code d’entraînement et d’inférence#

Ultralytics est réputé pour son expérience développeur. Entraîner un modèle SOTA ou exécuter un script d’inférence ne demande que quelques lignes de code, ce qui réduit le code répétitif et améliore la productivité. De plus, l’entraînement des modèles YOLO nécessite beaucoup moins de mémoire CUDA que celui des grands réseaux Transformer.

from ultralytics import YOLO

# Charger le modèle nano YOLO26 de pointe
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",  # Utiliser 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 entièrement des contraintes de ton environnement de production.

Quand déployer YOLO26#

YOLO26 est le choix évident pour les nouveaux projets modernes. Il est spécialement conçu pour :

• Informatique en périphérie et IoT : ses performances CPU exceptionnelles et la suppression de DFL en font le modèle idéal pour les appareils comme Raspberry Pi, les NPU Coral et les processeurs mobiles.
• Analyse par drone et imagerie aérienne : l’intégration de ProgLoss + STAL le rend particulièrement adapté au suivi de petits objets rapides dans de vastes paysages.
• Applications sensibles à la latence : en robotique autonome ou pour le contrôle qualité en fabrication, la conception sans NMS garantit une latence déterministe, sans pics inattendus lors du post-traitement.

Quand conserver YOLO11#

YOLO26 est supérieur, mais YOLO11 reste un modèle extrêmement 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 universitaires : tu publies des travaux de recherche et as besoin d’une référence reconnue de 2024 pour comparer tes nouveaux algorithmes.

La puissance de l’écosystème Ultralytics#

Que tu déploies YOLO11 ou YOLO26, utiliser les modèles Ultralytics te donne accès à un écosystème bien entretenu, avec des mises à jour fréquentes et un vaste soutien communautaire.

Pour les équipes d’entreprise, la Plateforme Ultralytics fournit une solution complète 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 du réglage avancé des hyperparamètres, les outils proposés simplifient au maximum le cycle de vie de ton IA.