YOLO26 vs YOLOv10#

Les applications de vision par ordinateur exigent des modèles toujours plus rapides, précis et efficaces. Ce guide compare deux architectures influentes de détection d’objets en temps réel, YOLO26 et YOLOv10, en examinant leurs architectures, leurs métriques de performance et leurs capacités de déploiement pour aider les développeurs et chercheurs à choisir le bon modèle pour leurs applications de vision.

L’évolution des architectures sans NMS#

Pendant des années, la famille YOLO (You Only Look Once) s’est appuyée sur la suppression des non-maxima (NMS) pour filtrer les boîtes englobantes redondantes lors du post-traitement. Bien qu’efficace, la NMS augmente la latence d’inférence et complique le déploiement sur des appareils périphériques comme le Raspberry Pi ou des unités de traitement neuronal spécialisées (NPU).

YOLOv10 a introduit une conception de bout en bout sans NMS dans la famille YOLO. Ultralytics YOLO26 a affiné cette approche pour les environnements de production en proposant une tête one-to-one facultative, et l’a étendue à un plus large éventail de tâches.

YOLOv10 : détection en temps réel sans NMS#

• Date : 2024-05-23
• Auteurs : Ao Wang, Hui Chen, Lihao Liu, et al.
• Organisation : Université Tsinghua
• Ressources : Article sur arXiv | Dépôt GitHub

Développé par des chercheurs de l’Université Tsinghua, YOLOv10 a introduit une stratégie d’assignation double cohérente pour éliminer le besoin de NMS. Grâce à une conception globale du modèle axée sur l’efficacité et la précision, il a réduit la redondance des calculs tout en maintenant un mAP (précision moyenne) élevé.

Points forts :

• Architecture sans NMS : première conception sans NMS de la série YOLO, qui réduit la latence des applications en temps réel.
• Efficacité : offre un compromis intéressant entre le nombre de paramètres et la vitesse d’inférence par rapport aux modèles des générations précédentes.

Points faibles :

• Prise en charge limitée des tâches : principalement axé sur la détection d’objets standard, sans prise en charge native immédiate de tâches avancées comme la segmentation ou l’estimation de pose.
• Orientation universitaire : la base de code est davantage tournée vers la recherche que vers le déploiement en production en entreprise.

En savoir plus sur YOLOv10

YOLO26 : la nouvelle référence pour la périphérie et le cloud#

• Date : 2026-01-14
• Auteurs : Glenn Jocher et Jing Qiu
• Organisation : Ultralytics
• Ressources : Dépôt GitHub | Plateforme Ultralytics

Lancé pour succéder à YOLO11, YOLO26 reprend le principe de l’absence de NMS et le complète avec une tête facultative à correspondance un-à-un (nms=False). Il s’intègre à la plateforme Ultralytics, qui fournit des outils d’annotation, d’entraînement et de déploiement couvrant l’ensemble du pipeline d’apprentissage automatique.

YOLO26 introduit plusieurs changements architecturaux :

• Suppression de la DFL : la fonction de perte focale de distribution a été supprimée. Cela simplifie l’export du modèle et améliore la compatibilité avec les appareils périphériques et basse consommation.
• Inférence CPU jusqu’à 43 % plus rapide : grâce à la suppression de la DFL et aux optimisations structurelles, YOLO26n est jusqu’à 43 % plus rapide sur CPU que YOLO11n. Il est ainsi particulièrement adapté aux déploiements IoT et mobiles.
• Optimiseur MuSGD : inspiré de techniques d’entraînement des grands modèles de langage (LLM), comme celles de Kimi K2 de Moonshot AI, YOLO26 utilise une combinaison de SGD et Muon. Il apporte à la vision par ordinateur un entraînement plus stable et une convergence plus rapide.
• ProgLoss + STAL : la perte progressive et l’attribution d’étiquettes tenant compte des petites cibles (STAL) améliorent la reconnaissance des petits objets, un aspect important pour les images aériennes et la surveillance de sécurité par drone.
• Améliorations spécifiques aux tâches : YOLO26 prend aussi en charge la segmentation, la segmentation sémantique, l’estimation de profondeur, la classification, l’estimation de pose et OBB. Il ajoute une fonction de perte de segmentation sémantique et un proto multi-échelle pour la segmentation, l’estimation résiduelle du log-vraisemblance (RLE) pour l’estimation de pose et une fonction de perte spécialisée pour les angles des boîtes englobantes orientées (OBB).

Analyse des performances et métriques#

Le tableau suivant compare les performances de détection sur COCO des modèles YOLO26 et YOLOv10. YOLO26 est plus précis à toutes les tailles, avec un gain de +2,4 mAP pour les modèles n à +3,1 pour les modèles x, tandis que YOLOv10 utilise moins de paramètres et de FLOPs à l’échelle x (29,5 M contre 55,7 M paramètres, 160,4 B contre 194,4 B FLOPs).

L’avantage Ultralytics : efficacité de l’entraînement et de la mémoire#

Lors du déploiement de modèles en production, les besoins en mémoire et l’efficacité de l’entraînement sont aussi cruciaux que la vitesse d’inférence. Les modèles Ultralytics, en particulier YOLO26, sont optimisés pour réduire l’utilisation de la mémoire CUDA pendant l’entraînement. Les développeurs peuvent ainsi utiliser des tailles de lot plus grandes sur des GPU grand public, réduisant le temps d’entraînement et les coûts de calcul. En revanche, les modèles Transformer volumineux comme RT-DETR nécessitent souvent du matériel haut de gamme coûteux pour être entraînés efficacement.

Mise en œuvre pratique : exemple de code#

Avec l’API Python Ultralytics, passer d’un ancien modèle comme YOLOv8 à YOLO26 ne demande qu’une seule modification de ligne de code.

Voici un exemple d’entraînement, d’inférence et d’export avec YOLO26 :

from ultralytics import YOLO

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

# 2. Train the model on the COCO8 dataset efficiently
# optimizer='auto' selects MuSGD for longer training runs; memory management is automatic
results = model.train(
    data="coco8.yaml",
    epochs=100,
    imgsz=640,
    device="cpu",  # Easily switch to 0 for GPU
)

# 3. Perform NMS-free inference on a sample image
predictions = model.predict("https://ultralytics.com/images/bus.jpg", nms=False)

# 4. Display the results to screen
predictions[0].show()

# 5. Export to ONNX for simplified edge deployment
export_path = model.export(format="onnx")
print(f"Model exported successfully to {export_path}")

Cas d’utilisation et recommandations#

Le choix entre YOLO26 et YOLOv10 dépend des besoins spécifiques de 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 : dans des scénarios exigeants comme les images aériennes prises par drone ou l’analyse de capteurs IoT, ProgLoss et STAL améliorent la précision sur les petits objets.

Quand choisir YOLOv10#

YOLOv10 est recommandé pour :

• Détection en temps réel sans NMS : les applications qui tirent parti de la détection de bout en bout sans suppression non maximale, ce qui réduit la complexité du déploiement.
• Équilibre entre vitesse et précision : les projets qui nécessitent un bon compromis entre vitesse d’inférence et précision de détection, pour différentes tailles de modèles.
• Applications à latence constante : les scénarios de déploiement où des temps d’inférence prévisibles sont essentiels, comme en robotique ou dans les systèmes autonomes.

Conclusion#

YOLOv10 a apporté une contribution importante à la communauté de recherche en introduisant la détection YOLO sans NMS, et YOLO26 met cette approche au service de la production. Avec une inférence CPU jusqu’à 43 % plus rapide (YOLO26n par rapport à YOLO11n), l’optimiseur MuSGD et la prise en charge de sept tâches de vision, YOLO26 est le choix recommandé pour l’informatique en périphérie comme pour les déploiements cloud à grande échelle.

Pour les équipes qui privilégient une communauté active, une documentation complète et une expérience de développement fluide, l’écosystème Ultralytics est un excellent choix. Pour des cas particuliers, tu peux aussi étudier YOLO-World pour la détection à vocabulaire ouvert sans exemples. Pour la plupart des cas d’utilisation réels, YOLO26 est le choix recommandé.