YOLO26 vs YOLOv8
Les modèles de vision par ordinateur visent des performances en temps réel sans sacrifier la précision. Pour les développeurs en apprentissage automatique, choisir la bonne architecture de modèle est essentiel. Cette comparaison technique porte sur le passage de Ultralytics YOLOv8, une architecture largement adoptée sortie en 2023, à Ultralytics YOLO26, lancé en janvier 2026.
En comparant leurs architectures, leurs métriques de performance et leurs méthodes d’entraînement, elle montre les avantages d’une migration pour la détection d’objets, la segmentation et bien plus encore.
Contexte et métadonnées des modèles#
Comprendre les origines de ces architectures permet de replacer leurs choix de conception dans leur contexte. Les deux modèles ont été développés par Ultralytics, qui cherche à rendre l’IA de vision accessible et facile à déployer.
Détails de YOLO26 :
- Auteurs : Glenn Jocher et Jing Qiu
- Organisation : Ultralytics
- Date : 2026-01-14
- GitHub : https://github.com/ultralytics/ultralytics
- Documentation : https://docs.ultralytics.com/models/yolo26
Détails sur YOLOv8 :
- Auteurs : Glenn Jocher, Ayush Chaurasia et Jing Qiu
- Organisation : Ultralytics
- Date : 2023-01-10
- GitHub : https://github.com/ultralytics/ultralytics
- Documentation : https://docs.ultralytics.com/models/yolov8
Innovations architecturales#
Le passage de YOLOv8 à YOLO26 modifie la façon dont le réseau produit ses prédictions et calcule la fonction de perte.
YOLO26 : efficacité sur les appareils edge#
YOLO26 a été conçu pour éliminer les goulots d’étranglement du déploiement et maximiser la vitesse d’inférence sur du matériel aux ressources limitées.
- Conception de bout en bout sans NMS : en s’appuyant sur l’entraînement sans NMS que YOLOv10 a introduit dans les modèles YOLO, YOLO26 prend en charge l’inférence de bout en bout grâce à une tête one-to-one facultative (
nms=False). En ignorant le post-traitement par suppression des non-maxima (NMS), le modèle réduit la variabilité de la latence et simplifie la logique de déploiement des applications nécessitant des garanties strictes de temps réel. - Suppression de la DFL : la suppression de la fonction de perte focale de distribution (DFL) simplifie la tête de sortie. Ce choix architectural améliore la compatibilité avec les appareils périphériques basse consommation et simplifie l’export vers des formats comme ONNX et CoreML.
- Optimiseur MuSGD : Inspiré de la stabilité d'entraînement observée dans les grands modèles de langage (LLM), comme Kimi K2 de Moonshot AI, YOLO26 utilise l'optimiseur MuSGD, un hybride de la descente de gradient stochastique et de Muon. Il transpose les idées d'entraînement des LLM à la vision par ordinateur, ce qui accélère la convergence et stabilise les entraînements.
- ProgLoss + STAL : Pour résoudre le difficile problème de la reconnaissance des petits sujets, YOLO26 implémente Progressive Loss (ProgLoss) avec Small-Target-Aware Label Assignment (STAL). Cela améliore la détection de petits objets, ce qui en fait une solution bien adaptée aux applications de drones.
YOLO26 apporte également des améliorations ciblées dans plusieurs domaines de la vision par ordinateur. Il utilise une fonction de perte de segmentation sémantique et un proto multi-échelle pour améliorer la segmentation d'instances, Residual Log-Likelihood Estimation (RLE) pour une estimation de pose plus précise, ainsi qu'une fonction de perte d'angle spécialisée pour résoudre les problèmes de bordure des boîtes englobantes orientées (OBB).
YOLOv8 : un outil polyvalent et éprouvé#
Lors de sa sortie en 2023, YOLOv8 a établi une nouvelle référence en adoptant entièrement une architecture sans ancres, qui se généralisait mieux aux différentes proportions des jeux de données.
- Module C2f : Il a remplacé l’ancien module C3 par le bloc C2f, qui améliore la circulation des gradients dans le backbone du réseau.
- Tête découplée : YOLOv8 dispose d'une tête découplée où la classification et la régression des boîtes englobantes sont calculées indépendamment, ce qui améliore la précision moyenne moyenne (mAP).
- Polyvalence des tâches : C'était l'un des premiers modèles à fournir une API unifiée prête à l'emploi pour la détection, la segmentation, la classification d'images, l'estimation de pose et, plus tard, les tâches OBB.
Métriques de performance et besoins en ressources#
Lors de l'évaluation de modèles destinés à la production, l'équilibre entre précision, vitesse d'inférence et taille du modèle est essentiel. YOLO26 est plus précis que YOLOv8 à toutes les tailles, avec moins de paramètres et de FLOPs, ainsi qu'une latence TensorRT sur T4 plus faible à partir de l'échelle s.
| Modèle | taille (pixels) | mAPval50-95 | Vitesse CPU ONNX (ms) | Vitesse T4 TensorRT10 (ms) | paramètres (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLO26n | 640 | 40.9 | 38.9 | 1.7 | 2.4 | 5.5 |
| YOLO26s | 640 | 48.6 | 87.2 | 2.5 | 9.5 | 20.9 |
| YOLO26m | 640 | 53.1 | 220.0 | 4.7 | 20.4 | 68.4 |
| YOLO26l | 640 | 55.0 | 286.2 | 6.2 | 24.8 | 86.8 |
| YOLO26x | 640 | 57.5 | 525.8 | 11.8 | 55.7 | 194.4 |
| YOLOv8n | 640 | 37.3 | 80.4 | 1.47 | 3.2 | 8.7 |
| YOLOv8s | 640 | 44.9 | 128.4 | 2.66 | 11.2 | 28.6 |
| YOLOv8m | 640 | 50.2 | 234.7 | 5.86 | 25.9 | 78.9 |
| YOLOv8l | 640 | 52.9 | 375.2 | 9.06 | 43.7 | 165.1 |
| YOLOv8x | 640 | 53.9 | 479.1 | 14.37 | 68.2 | 257.8 |
Remarque : les valeurs mises en évidence illustrent l’équilibre des performances et les gains d’efficacité de l’architecture YOLO26 par rapport à son prédécesseur.
Analyse#
YOLO26 offre une inférence CPU plus rapide que les modèles YOLOv8 comparables à la plupart des échelles. Par exemple, YOLO26n s'exécute en 38.9 ms sur CPU avec ONNX, contre 80.4 ms pour YOLOv8n, tandis que la mAP passe de 37.3 à 40.9. Ce gain d'efficacité CPU provient en grande partie de la suppression de DFL et de la tête sans NMS, ce qui fait de YOLO26 un excellent choix pour les environnements dépourvus de GPU dédié. YOLOv8x fait exception : il s'exécute plus rapidement sur CPU que YOLO26x (479.1 ms contre 525.8 ms).
De plus, les modèles YOLO26 présentent moins de paramètres et de FLOPs dans leurs catégories de taille respectives, ce qui réduit l’utilisation de la mémoire GPU lors de l’inférence et de l’entraînement.
Les avantages de l’écosystème Ultralytics#
L'infrastructure qui entoure le modèle est un facteur majeur à prendre en compte lors du choix d'un modèle d'IA. YOLO26 et YOLOv8 tirent tous deux parti de l'Ultralytics Platform unifiée et de la même expérience de développement.
- Facilité d'utilisation : Les développeurs peuvent charger, entraîner et exporter des modèles en quelques lignes de code. L'API Python reste cohérente d'une génération de modèles à l'autre.
- Efficacité de l'entraînement : Les modèles Ultralytics YOLO nécessitent généralement moins de mémoire CUDA pendant l'entraînement que les modèles Transformer, comme RT-DETR. Cela permet d'utiliser des tailles de lot plus grandes sur du matériel grand public.
- Écosystème bien entretenu : Grâce à des mises à jour continues, des pipelines CI/CD rigoureux et des intégrations poussées avec des outils comme Weights & Biases et TensorRT, le dépôt Ultralytics est prêt pour la production.
- Polyvalence : Un seul import permet de prendre en charge diverses tâches et divers jeux de données, pour concevoir des systèmes complexes nécessitant le suivi, la classification et la segmentation simultanés.
L'API Ultralytics étant fortement normalisée, la mise à niveau d'un système de production de YOLOv8 vers YOLO26 peut se résumer à remplacer la chaîne "yolov8n.pt" par "yolo26n.pt" dans ton script.
Applications concrètes#
Le choix entre ces modèles dépend souvent de tes contraintes de déploiement, même si YOLO26 est recommandé pour les nouveaux projets.
Informatique en périphérie et réseaux IoT#
Pour les environnements en périphérie, comme les déploiements sur Raspberry Pi ou les capteurs installés dans les ateliers d'usine, YOLO26 est le meilleur choix. Sa vitesse CPU et sa tête sans NMS facultative aident les caméras intelligentes à traiter des vidéos à fréquence d'images élevée pour la gestion du stationnement, sans goulots d'étranglement dus au post-traitement.
Imagerie aérienne et en haute altitude#
Pour la surveillance agricole ou l'inspection d'infrastructures par drone, la détection de petits objets est essentielle. L'implémentation ProgLoss + STAL de YOLO26 l'aide à détecter les petits nuisibles ou les fines fissures dans les canalisations, qui pourraient échapper à des architectures plus anciennes comme YOLOv8. C'est utile lors de l'entraînement sur des jeux de données aériens comme VisDrone.
Anciens systèmes GPU#
YOLOv8 reste pertinent pour les systèmes étroitement liés à ses sorties spécifiques de régression des boîtes englobantes ou pour les déploiements d'entreprise soumis à de longs cycles de validation, qui ne peuvent pas facilement migrer vers d'autres architectures.
Cas d’utilisation et recommandations#
Le choix entre YOLO26 et YOLOv8 dépend des exigences propres à ton projet, de tes 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 sans GPU : Les appareils dépourvus d'accélération GPU dédiée, où l'inférence CPU jusqu'à 43 % plus rapide de YOLO26 (YOLO26n par rapport à YOLO11n) procure un avantage décisif.
- 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 YOLOv8#
YOLOv8 est recommandé pour :
- Déploiement polyvalent multi-tâches : Les projets qui nécessitent un modèle éprouvé pour la détection, la segmentation, la classification et l'estimation de pose au sein de l'écosystème Ultralytics.
- Systèmes de production établis : les environnements de production existants déjà basés sur l’architecture YOLOv8 et dotés de pipelines de déploiement stables et bien testés.
- Large soutien de la communauté et de l’écosystème : les applications qui tirent parti des nombreux tutoriels, intégrations tierces et ressources communautaires actives de YOLOv8.
Exemple de code : pour commencer#
Le code Python suivant montre comment entraîner un modèle YOLO26 sur le jeu de données COCO8 et exécuter une inférence sans NMS.
from ultralytics import YOLO
# Charger le modèle YOLO26 Nano très efficace
model = YOLO("yolo26n.pt")
# Entraîner sur le jeu de données COCO8 standard
# Les hyperparamètres et les augmentations par défaut sont appliqués automatiquement
results = model.train(
data="coco8.yaml",
epochs=100,
imgsz=640,
device="0", # premier GPU CUDA ; utilise device="cpu" pour entraîner sur CPU
)
# Lancer une inférence de bout en bout, sans NMS, sur une image source
predictions = model("https://ultralytics.com/images/bus.jpg", nms=False)
# Visualiser les détections obtenues
predictions[0].show()Autres modèles à envisager#
YOLO26 est le modèle Ultralytics recommandé, mais les développeurs qui créent diverses applications peuvent aussi explorer :
- YOLO11 : le prédécesseur direct de YOLO26, qui affine YOLOv8 et reste largement utilisé dans les systèmes de production.
- RT-DETR : le Transformer de détection en temps réel de Baidu. C'est un bon choix pour les chercheurs qui étudient le mécanisme d'attention dans les tâches de vision, bien qu'il nécessite davantage de mémoire CUDA à l'entraînement que les modèles Ultralytics YOLO classiques.
Pour entraîner des modèles dans le cloud, annoter des jeux de données et déployer des modèles depuis un même endroit, consulte Ultralytics Platform.
Commentaires
Pose une question, partage tes résultats ou aide quelqu’un d’autre.