YOLO26 vs YOLOv10#

Le domaine de la vision par ordinateur évolue sans cesse, porté par la demande de modèles plus rapides, plus précis et plus efficaces. Ce guide propose une comparaison technique détaillée de deux architectures révolutionnaires dans le domaine de la détection d’objets en temps réel : YOLO26 et YOLOv10. En analysant leur architecture, leurs métriques de performance et leurs capacités de déploiement, nous souhaitons aider les développeurs et les chercheurs à choisir le modèle optimal pour leurs applications de vision.

L’évolution des architectures sans NMS#

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

L’arrivée de YOLOv10 a marqué un changement de paradigme en introduisant une conception de bout en bout sans NMS. S’appuyant sur cette avancée fondamentale, Ultralytics YOLO26 a affiné l’architecture pour les environnements de production, atteignant une efficacité et une facilité d’utilisation sans précédent pour une plus grande variété de tâches.

YOLOv10 : le pionnier de la détection sans NMS#

• Date : 2024-05-23
• Auteurs : Ao Wang, Hui Chen, Lihao Liu, et al.
• Organisation : Université Tsinghua
• Ressources : Article 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 : le pionnier initial de la conception sans NMS dans la série YOLO, qui réduit considérablement 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 : bien que robuste, la base de code est davantage axée sur la recherche que sur un déploiement simplifié en production de niveau 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

Publié en tant que successeur de YOLO11, YOLO26 pousse le concept sans NMS à son aboutissement. Il intègre nativement la détection de bout en bout à la Plateforme Ultralytics, hautement optimisée, et fournit une suite complète d’outils pour les pipelines modernes de machine learning.

YOLO26 introduit plusieurs avancées architecturales :

• Suppression de DFL : la fonction de perte Distribution Focal Loss a été entièrement supprimée. Cela simplifie considérablement le processus d’exportation du modèle et améliore la compatibilité avec les appareils de périphérie et à faible consommation.
• Jusqu’à 43 % d’inférence CPU plus rapide : grâce à la suppression de DFL et aux optimisations structurelles, YOLO26 est nettement plus rapide sur les CPU, ce qui le rend idéal pour les déploiements IoT et mobiles.
• Optimiseur MuSGD : inspiré des techniques d’entraînement des grands modèles de langage (LLM), comme Kimi K2 de Moonshot AI, YOLO26 utilise une approche hybride combinant SGD et Muon. Cela apporte une stabilité d’entraînement inégalée et une convergence plus rapide à la vision par ordinateur.
• ProgLoss + STAL : ces fonctions de perte avancées améliorent notablement la reconnaissance des petits objets, un aspect essentiel pour l’imagerie aérienne et la surveillance de sécurité par drone.
• Améliorations propres aux tâches : YOLO26 n’est pas seulement un détecteur. Il intègre une fonction de perte de segmentation sémantique et des prototypes multi-échelles pour la segmentation, l’estimation résiduelle de log-vraisemblance (RLE) pour l’estimation de pose et une fonction de perte angulaire spécialisée pour les boîtes englobantes orientées (OBB).

Analyse des performances et métriques#

Le tableau suivant compare les performances de détection sur COCO des modèles YOLO26 et YOLOv10. Remarque comme YOLO26 atteint une meilleure précision tout en conservant une excellente efficacité en nombre de paramètres.

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

Lors du déploiement des modèles en production, les besoins en mémoire et l’efficacité de l’entraînement sont tout aussi essentiels que la vitesse d’inférence. Les modèles Ultralytics, en particulier YOLO26, sont hautement 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, ce qui réduit considérablement la durée de l’entraînement et les coûts de calcul. À l’inverse, les architectures complexes ou 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#

La marque de fabrique d’Ultralytics, c’est sa facilité d’utilisation à la pointe du secteur. Grâce à une API Python intuitive, passer d’un ancien modèle comme YOLOv8 à YOLO26, à la pointe de la technologie, ne nécessite de modifier qu’une seule ligne de code.

Voici un exemple entièrement exécutable qui montre comment entraîner un modèle YOLO26 et effectuer des inférences avec celui-ci :

from ultralytics import YOLO

# 1. Load the state-of-the-art 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 exclusivement CPU : les appareils dépourvus d’accélération GPU dédiée, où l’inférence CPU jusqu’à 43 % plus rapide de YOLO26 constitue un avantage décisif.
• Détection de petits objets : les situations difficiles, comme l’imagerie aérienne par drone ou l’analyse de capteurs IoT, où ProgLoss et STAL améliorent considérablement la précision pour les objets minuscules.

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 au milieu universitaire en introduisant le paradigme sans NMS, mais YOLO26 fait passer cette technologie à un niveau de maturité adapté aux entreprises. Avec son gain remarquable de 43 % en vitesse CPU, son optimiseur MuSGD innovant et sa polyvalence inégalée pour les tâches de vision, YOLO26 s’impose comme le choix idéal, aussi bien pour l’informatique en périphérie que pour les déploiements cloud à grande échelle.

Pour les équipes qui privilégient une communauté active, une documentation complète et une expérience de développement sans friction, l’écosystème Ultralytics est inégalé. Si tu explores des modèles pour des scénarios spécialisés, tu peux aussi examiner YOLO-World pour la détection à vocabulaire ouvert en zero-shot. Cependant, pour la grande majorité des cas d’usage concrets, YOLO26 est la recommandation qui s’impose.