YOLO26 vs YOLOv9#

Le paysage de la vision par ordinateur progresse rapidement, avec de nouvelles architectures repoussant continuellement les limites de la vitesse et de la précision. Dans cette comparaison technique, nous examinons les différences entre YOLO26 et YOLOv9, deux modèles très 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 termes de performances, leurs capacités de déploiement et leurs exigences matérielles est crucial pour choisir le bon outil pour ton prochain projet de vision.

YOLO26 : La puissance optimisée pour l'Edge#

Sorti au début de l'année 2026, Ultralytics YOLO26 représente un bond générationnel en matière d'efficacité de déploiement et de stabilité d'entraînement des modèles. Conçu pour être un framework nativement de bout en bout, il répond directement aux goulots d'étranglement de déploiement qui ont historiquement pénalisé les applications d'IA en périphérie (edge AI).

Détails du modèle :

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

Architecture et innovations#

YOLO26 repense fondamentalement le pipeline de post-traitement en introduisant une conception de bout en bout sans NMS (End-to-End NMS-Free Design). En éliminant le besoin de suppression des non-maxima (NMS), le modèle atteint une variabilité de latence considérablement plus faible. Cela simplifie grandement le déploiement sur les plateformes mobiles et en périphérie (edge), en particulier lors de l'exportation vers des frameworks tels que ONNX et Apple CoreML.

De plus, la suppression de la perte de distribution focale (DFL) rationalise 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 descente de gradient stochastique (SGD) et de Muon (inspiré par des innovations dans 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 très difficiles dans des scènes telles que l'imagerie aérienne par drone, YOLO26 utilise les fonctions de perte mises à jour ProgLoss + STAL. Celles-ci offrent des améliorations notables du rappel pour la reconnaissance de petits objets. De plus, il bénéficie d'améliorations spécifiques aux tâches, notamment le proto multi-échelle pour la segmentation d'instances, l'estimation de log-vraisemblance résiduelle (RLE) pour l'estimation de pose, et une perte d'angle spécialisée pour la détection de boîtes englobantes orientées (OBB).

En savoir plus sur YOLO26

YOLOv9 : Programmable Gradient Information#

Introduit début 2024, YOLOv9 a apporté des avancées théoriques sur la manière dont les réseaux de neurones gèrent le flux de gradient pendant la phase d'entraînement, en se concentrant sur l'efficacité des paramètres et la rétention profonde des caractéristiques.

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 : YOLOv9 Paper
• GitHub : YOLOv9 Repository
• Docs : YOLOv9 Documentation

Architecture et points forts#

YOLOv9 est construit autour du concept d'informations de gradient programmables (PGI) et du réseau d'agrégation de couches efficace généralisé (GELAN). Ces concepts répondent au problème du goulot d'étranglement de l'information souvent observé dans les réseaux de neurones profonds. En préservant les informations essentielles tout au long du processus de propagation avant, GELAN garantit que les gradients utilisés pour les mises à jour des 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 de neurones et l'optimisation des chemins de gradient en utilisant le framework PyTorch.

Limites#

Malgré son excellente efficacité en matière de paramètres, YOLOv9 repose largement sur le NMS traditionnel pour le post-traitement des boîtes englobantes, ce qui peut créer des goulots d'étranglement informatiques lors de l'inférence sur des appareils en périphérie. De plus, le dépôt officiel est largement axé sur la détection d'objets, nécessitant un travail d'ingénierie personnalisé important pour l'adapter à des tâches spécialisées telles que le suivi ou l'estimation de pose.

En savoir plus sur YOLOv9

Comparaison des performances#

Lors de l'évaluation de ces modèles pour un déploiement réel, il est essentiel de trouver un 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 lors de l'entraînement et de l'inférence, nécessitant beaucoup moins de mémoire CUDA que les alternatives basées sur les Transformers comme RT-DETR.

Vous trouverez ci-dessous une comparaison directe des performances de YOLO26 et YOLOv9 sur le dataset COCO. Les meilleures valeurs de chaque colonne sont en gras.

Remarque : Les vitesses CPU pour YOLOv9 sont omises car elles varient considérablement en fonction de la configuration du 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 judicieux pour :

• Déploiement en périphérie sans NMS : Applications nécessitant une inférence cohérente et à faible latence sans la complexité du post-traitement par Non-Maximum Suppression.
• Environnements CPU uniquement : Appareils sans accélération GPU dédiée, où l'inférence CPU jusqu'à 43 % plus rapide de YOLO26 offre un avantage décisif.
• Détection de petits objets : Les scénarios complexes tels que l'imagerie par drone aérien ou l'analyse par capteurs IoT où ProgLoss et STAL améliorent considérablement la précision sur les minuscules objets.

Quand choisir YOLOv9#

YOLOv9 est recommandé pour :

• Recherche sur le goulot d'étranglement de l'information : Projets académiques étudiant les architectures Programmable Gradient Information (PGI) et Generalized Efficient Layer Aggregation Network (GELAN).
• Études sur l'optimisation du flux de gradient : Recherche axée sur la compréhension et l'atténuation de la perte d'informations dans les couches profondes du réseau pendant l'entraînement.
• Benchmarks de détection haute précision : Scénarios où les performances solides de YOLOv9 sur le benchmark COCO sont nécessaires comme point de référence pour les comparaisons architecturales.

L'avantage Ultralytics#

Choisir un modèle implique bien plus que la simple lecture d'un benchmark de précision ; l'écosystème logiciel environnant dicte la rapidité avec laquelle tu peux passer de la collecte de données à la production.

Facilité d'utilisation et écosystème#

L'API Python Ultralytics offre une expérience fluide de type "zéro à héros". Au lieu de cloner des dépôts complexes ou de configurer manuellement des scripts d'entraînement distribué, tu peux installer le paquet via pip et commencer à t'entraîner immédiatement. L'écosystème Ultralytics, maintenu activement, garantit des mises à jour fréquentes, des intégrations automatisées avec des plateformes MLOps 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 à usage général. En utilisant une syntaxe unique et unifiée, tu peux facilement passer de la détection d'objets à la segmentation d'images au pixel près ou à la classification d'images entières. 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 la pierre angulaire de la philosophie d'Ultralytics. YOLO26 utilise des poids pré-entraînés facilement disponibles et affiche une utilisation de la mémoire nettement inférieure à celle des transformateurs de vision volumineux. Une fois l'entraînement terminé, les pipelines d'exportation intégrés permettent des conversions en un clic vers des formats optimisés comme TensorRT ou TensorFlow Lite, facilitant ainsi le passage à la production.

Exemple de code : Démarrer avec YOLO26#

L'implémentation de YOLO26 est remarquablement simple. L'extrait Python suivant montre comment charger un modèle pré-entraîné, l'entraîner sur des données personnalisées et exécuter l'inférence en utilisant 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 mettre sur le marché des applications d'IA de vision avancées plus rapidement et avec moins d'obstacles techniques que jamais auparavant.