YOLO26 vs YOLOv9#

Cette comparaison technique examine les différences entre YOLO26 et YOLOv9, deux modèles influents pour la détection d’objets en temps réel. Chacun propose des innovations architecturales distinctes. Comprendre les compromis entre leurs performances, leurs capacités de déploiement et leurs exigences matérielles est essentiel pour choisir le bon outil pour ton prochain projet de vision.

YOLO26 : détection optimisée pour l’edge#

Lancé au début de 2026, Ultralytics YOLO26 vise l’efficacité du déploiement et la stabilité de l’entraînement. Son inférence de bout en bout facultative répond aux goulots d’étranglement du déploiement qui affectent depuis longtemps les applications d’IA en périphérie.

Détails du modèle :

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

Architecture et innovations#

YOLO26 repense le pipeline de post-traitement en introduisant une conception de bout en bout sans NMS. Exécuté avec sa tête facultative à correspondance un-à-un (nms=False), le modèle ignore la suppression des non-maxima (NMS) et réduit les variations de latence. Le déploiement sur des plateformes mobiles et périphériques s’en trouve facilité, en particulier lors de l’export vers des frameworks comme ONNX et Apple CoreML.

De plus, la suppression de la fonction de perte focale de distribution (DFL) simplifie le processus d’export et améliore la compatibilité avec les appareils périphériques basse consommation. Pour améliorer la stabilité de l’entraînement, YOLO26 intègre l’optimiseur MuSGD, qui combine la descente de gradient stochastique (SGD) et Muon et s’inspire des innovations en matière d’entraînement des grands modèles de langage (LLM). Il en résulte une convergence plus rapide.

Pour détecter de petits objets dans des scènes comme les images aériennes prises par drone, YOLO26 utilise ProgLoss + STAL (perte progressive et attribution d’étiquettes tenant compte des petites cibles), ce qui améliore le rappel des petits objets. Il inclut aussi des améliorations propres à certaines tâches, notamment un proto multi-échelle pour la segmentation d’instances, l’estimation résiduelle du log-vraisemblance (RLE) pour l’estimation de pose et une fonction de perte spécialisée pour les angles afin de détecter les boîtes englobantes orientées (OBB).

YOLOv9 : informations de gradient programmables#

Présenté au début de 2024, YOLOv9 a introduit des avancées théoriques sur la gestion du flux de gradients par les réseaux neuronaux pendant l’entraînement, en mettant l’accent sur l’efficacité des paramètres et la préservation 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 YOLOv9

Architecture et points forts#

YOLOv9 repose sur le concept d’informations de gradient programmables (PGI) et sur le réseau généralisé d’agrégation efficace des couches (GELAN). Ces concepts s’attaquent au problème de goulot d’étranglement de l’information, souvent observé dans les réseaux neuronaux profonds. En préservant les informations essentielles tout au long de la propagation avant, GELAN garantit la fiabilité des gradients utilisés pour mettre à jour les poids. Cette architecture offre une grande précision et fait de YOLOv9 un excellent candidat pour la recherche universitaire sur la théorie des réseaux neuronaux et l’optimisation des chemins de gradient avec le framework PyTorch.

Limites#

Malgré son excellente efficacité en nombre de paramètres, YOLOv9 s’appuie sur la NMS classique pour le post-traitement des boîtes englobantes, ce qui peut créer des goulots d’étranglement lors de l’inférence sur des appareils périphériques. De plus, le dépôt officiel se concentre principalement sur la détection d’objets ; il faut donc développer des solutions personnalisées pour l’adapter à des tâches spécialisées comme le suivi ou l’estimation de pose.

En savoir plus sur YOLOv9

Comparaison des performances#

Pour évaluer ces modèles en vue d’un déploiement réel, il est essentiel de trouver un équilibre entre précision (mAP), vitesse d’inférence et utilisation mémoire. Les modèles Ultralytics sont réputés pour leurs faibles besoins en mémoire pendant l’entraînement comme pendant l’inférence ; ils nécessitent généralement moins de mémoire CUDA que les solutions basées sur des Transformers 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 indiquées en gras.

Remarque : les vitesses CPU ONNX de YOLOv9 ne sont pas indiquées dans ce tableau. Sur T4 TensorRT, YOLO26 est plus rapide que YOLOv9 à toutes les tailles et plus précis à chaque taille comparable (par exemple, 57,5 contre 55,6 mAP pour YOLO26x et YOLOv9e, avec moins de paramètres).

Cas d’utilisation et recommandations#

Le choix entre YOLO26 et YOLOv9 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 : 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 YOLOv9#

YOLOv9 est recommandé pour :

• Recherche sur les goulots d’étranglement de l’information : les projets universitaires qui étudient les architectures à informations de gradient programmables (PGI) et à réseau généralisé d’agrégation efficace des couches (GELAN).
• Études sur l’optimisation du flux de gradients : les recherches axées sur la compréhension et l’atténuation des pertes d’information dans les couches profondes des réseaux pendant l’entraînement.
• Évaluation comparative de la détection de haute précision : les scénarios où les solides performances de YOLOv9 sur COCO servent de référence pour comparer les architectures.

L’avantage Ultralytics#

Choisir un modèle ne se résume pas à lire un benchmark de précision : l’écosystème logiciel associé détermine la rapidité avec laquelle tu peux passer de la collecte de données à la production.

Facilité d’utilisation et écosystème#

L’API Python Ultralytics simplifie le flux de travail. Au lieu de cloner des dépôts complexes ou de configurer manuellement des scripts d’entraînement distribué, les développeurs peuvent installer le package via pip et commencer immédiatement l’entraînement. L’écosystème Ultralytics, activement maintenu, fournit des mises à jour fréquentes, des intégrations avec des plateformes d’apprentissage automatique comme Weights & Biases et une documentation complète.

Polyvalence pour les tâches de vision#

YOLOv9 est principalement un modèle de détection, tandis que YOLO26 est un modèle de vision polyvalent. Avec une syntaxe unifiée, tu peux passer de la détection d’objets à la segmentation d’images, la segmentation sémantique, l’estimation de profondeur, la classification de l’image entière, l’estimation de pose ou OBB. 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#

YOLO26 utilise des poids préentraînés facilement accessibles et nécessite généralement moins de mémoire que les grands Transformers de vision. Une fois l’entraînement terminé, les pipelines d’export intégrés permettent de convertir le modèle en une seule ligne de code vers des formats optimisés comme TensorRT ou LiteRT, ce qui facilite le passage en production.

Exemple de code : démarrer avec YOLO26#

L’extrait Python suivant montre comment charger un modèle préentraîné, l’entraîner sur des données personnalisées et effectuer une inférence avec l’API Ultralytics.

from ultralytics import YOLO

# Charger le dernier modèle nano YOLO26
model = YOLO("yolo26n.pt")

# Entraîner le modèle sur le jeu de données COCO8 (optimizer='auto' sélectionne MuSGD pour les entraînements plus longs)
results = model.train(
    data="coco8.yaml",
    epochs=100,
    imgsz=640,
    device=0,  # Utilise le GPU 0, ou 'cpu' pour l’entraînement sur CPU
)

# Effectuer une inférence sans NMS sur une image d’exemple
predictions = model("https://ultralytics.com/images/bus.jpg", nms=False)

# Afficher les boîtes englobantes et les niveaux de confiance
predictions[0].show()

Grâce à la vitesse, à l’architecture simplifiée et à l’écosystème de YOLO26, les équipes peuvent commercialiser plus rapidement des applications d’IA de vision et rencontrer moins d’obstacles techniques.