Comparaison entre YOLO26 et YOLOv9#

Le domaine de la vision par ordinateur évolue rapidement, de nouvelles architectures repoussant constamment les limites de la vitesse et de la précision. Dans cette comparaison technique, nous examinons les différences entre YOLO26 et YOLOv9, deux modèles particulièrement influents dans le domaine de la détection d'objets en temps réel. Bien que les deux modèles proposent des innovations architecturales distinctes, comprendre leurs compromis en matière de performances, leurs capacités de déploiement et leurs exigences matérielles est essentiel pour choisir l'outil adapté à ton prochain projet de vision.

YOLO26 : la puissance optimisée pour l'edge#

Sorti au début de 2026, Ultralytics YOLO26 représente un bond générationnel en matière d'efficacité du déploiement et de stabilité de l'entraînement des modèles. Conçu comme un framework nativement de bout en bout, il s'attaque directement aux goulots d'étranglement du déploiement qui ont historiquement affecté les applications d'IA edge.

Détails du modèle :

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

Architecture et innovations#

YOLO26 repense fondamentalement le pipeline de post-traitement en introduisant une conception de bout en bout sans NMS. En éliminant la nécessité de la suppression non maximale (NMS), le modèle réduit considérablement la variabilité de la latence. Le déploiement sur les plateformes mobiles et edge devient ainsi nettement plus simple, notamment lors de l'exportation vers des frameworks comme ONNX et Apple CoreML.

De plus, la suppression de la Distribution Focal Loss (DFL) simplifie le processus d'exportation et améliore la compatibilité avec les microcontrôleurs basse consommation. Pour améliorer la stabilité de l'entraînement, YOLO26 intègre le nouvel optimiseur MuSGD, un hybride de la descente de gradient stochastique (SGD) et de Muon (inspiré par des innovations issues de l'entraînement des grands modèles de langage). Cela permet une convergence plus rapide et une extraction de caractéristiques plus robuste sur des jeux de données difficiles.

Pour détecter des éléments particulièrement difficiles dans des scènes comme les images aériennes prises par drone, YOLO26 utilise les fonctions de perte ProgLoss + STAL mises à jour. Celles-ci améliorent sensiblement le rappel pour la reconnaissance des petits objets. Le modèle propose également des améliorations spécifiques aux tâches, notamment un proto multi-échelle pour la segmentation d'instances, la Residual Log-Likelihood Estimation (RLE) pour l'estimation de pose et une fonction de perte angulaire spécialisée pour détecter les Oriented Bounding Boxes (OBB).

YOLOv9 : informations de gradient programmables#

Présenté au début de 2024, YOLOv9 a apporté des avancées théoriques dans la manière dont les réseaux neuronaux gèrent le flux des gradients pendant la phase d'entraînement, en mettant l'accent sur l'efficacité des paramètres et la conservation des caractéristiques profondes.

Détails du modèle :

• Auteurs : Chien-Yao Wang et Hong-Yuan Mark Liao
• Organisation : Institute of Information Science, Academia Sinica, Taïwan
• Date : 2024-02-21
• Arxiv : Article sur YOLOv9
• GitHub : Dépôt YOLOv9
• Documentation : Documentation de YOLOv9

Architecture et atouts#

YOLOv9 repose sur le concept d'informations de gradient programmables (PGI) et sur le Generalized Efficient Layer Aggregation Network (GELAN). Ces concepts s'attaquent au problème du goulot d'étranglement de l'information souvent observé dans les réseaux neuronaux profonds. En préservant les informations essentielles lors du processus feed-forward, GELAN garantit que les gradients utilisés pour mettre à jour les poids restent fiables. Cette architecture offre une grande précision et fait de YOLOv9 un candidat solide pour la recherche académique sur la théorie des réseaux neuronaux et l'optimisation des chemins de gradient avec le framework PyTorch.

Limites#

Malgré son excellente efficacité en matière de paramètres, YOLOv9 dépend fortement de la NMS traditionnelle pour le post-traitement des bounding boxes, ce qui peut créer des goulots d'étranglement computationnels lors de l'inférence sur des appareils edge. De plus, le dépôt officiel se concentre principalement sur la détection d'objets, ce qui nécessite un travail d'ingénierie personnalisé important pour l'adapter à des tâches spécialisées comme le suivi ou l'estimation de pose.

En apprends plus sur YOLOv9

Comparaison des performances#

Lors de l'évaluation de ces modèles pour un déploiement réel, il est essentiel de trouver le bon équilibre entre la précision (mAP), la vitesse d'inférence et l'utilisation de la mémoire. Les modèles Ultralytics sont réputés pour leurs faibles besoins en mémoire, tant pendant l'entraînement que pendant l'inférence, et nécessitent bien moins de mémoire CUDA que les alternatives basées sur Transformer comme RT-DETR.

Voici une comparaison directe des performances de YOLO26 et YOLOv9 sur le jeu de données COCO. Les meilleures valeurs de chaque colonne sont mises en évidence en gras.

Remarque : les vitesses CPU de YOLOv9 sont omises, car elles varient fortement selon la configuration de la NMS et sont généralement plus lentes que l'implémentation native sans NMS de YOLO26.

Cas d'utilisation et recommandations#

Le choix entre YOLO26 et YOLOv9 dépend des exigences spécifiques de ton projet, de tes contraintes de déploiement et de tes préférences en matière d'écosystème.

Quand choisir YOLO26#

YOLO26 est un choix pertinent pour :

• Déploiement edge sans NMS : les applications nécessitant une inférence cohérente à faible latence, 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 scénarios difficiles comme les images aériennes prises par drone ou l'analyse de capteurs IoT, où ProgLoss et STAL améliorent considérablement la précision sur les objets minuscules.

Quand choisir YOLOv9#

YOLOv9 est recommandé pour :

• Recherche sur les goulots d'étranglement de l'information : les projets académiques étudiant les architectures Programmable Gradient Information (PGI) et Generalized Efficient Layer Aggregation Network (GELAN).
• Études sur l'optimisation du flux des gradients : les recherches visant à comprendre et à limiter la perte d'informations dans les couches des réseaux profonds pendant l'entraînement.
• Évaluation comparative de la détection haute précision : les scénarios où les solides performances de YOLOv9 sur le benchmark COCO sont nécessaires comme référence pour comparer les architectures.

L'avantage Ultralytics#

Choisir un modèle ne consiste pas seulement à consulter un benchmark de précision ; l'écosystème logiciel environnant détermine la rapidité avec laquelle tu peux passer de la collecte des données à la production.

Facilité d'utilisation et écosystème#

L'API Python d'Ultralytics offre une expérience fluide, « de zéro à expert ». Plutôt que de cloner des dépôts complexes ou de configurer manuellement des scripts d'entraînement distribué, les développeurs peuvent installer le paquet via pip et commencer immédiatement l'entraînement. L'écosystème Ultralytics, activement maintenu, garantit des mises à jour fréquentes, des intégrations automatisées avec des plateformes de ML comme Weights & Biases et une documentation complète.

Polyvalence pour les tâches de vision#

Alors que YOLOv9 est principalement un moteur de détection, YOLO26 est un outil de vision généraliste. Grâce à une syntaxe unifiée, tu peux facilement passer de la détection d'objets à la segmentation d'images au niveau des pixels ou à la classification de l'image entière. Cette polyvalence réduit la dette technique liée à la maintenance de plusieurs bases de code distinctes pour différentes fonctionnalités de vision par ordinateur.

Entraînement et déploiement efficaces#

L'efficacité de l'entraînement est au cœur de la philosophie d'Ultralytics. YOLO26 utilise des poids préentraînés facilement disponibles et affiche une utilisation de la mémoire nettement inférieure à celle des Transformer de vision volumineux. Une fois l'entraînement terminé, les pipelines d'exportation intégrés permettent de convertir en un clic le modèle vers des formats optimisés comme TensorRT ou TensorFlow Lite, facilitant ainsi le passage en production.

Exemple de code : démarrer avec YOLO26#

La mise en œuvre de YOLO26 est remarquablement simple. L'extrait Python suivant montre comment charger un modèle préentraîné, l'entraîner sur des données personnalisées et exécuter une inférence avec l'API Ultralytics.

from ultralytics import YOLO

# Load the latest state-of-the-art YOLO26 nano model
model = YOLO("yolo26n.pt")

# Train the model on the COCO8 dataset utilizing the MuSGD optimizer
results = model.train(
    data="coco8.yaml",
    epochs=100,
    imgsz=640,
    device=0,  # Uses GPU 0, or use 'cpu' for CPU training
)

# Run an NMS-free inference on a sample image
predictions = model("https://ultralytics.com/images/bus.jpg")

# Display the bounding boxes and confidences
predictions[0].show()

En tirant parti de la vitesse, de l'architecture simplifiée et de l'écosystème robuste de YOLO26, les équipes peuvent commercialiser plus rapidement des applications avancées d'IA pour la vision, avec moins d'obstacles techniques que jamais.