YOLO26 vs YOLOX
En 2021, YOLOX a introduit une conception sans ancres influente qui a comblé le fossé entre la recherche universitaire et les applications industrielles de la détection d’objets en temps réel. En janvier 2026, Ultralytics YOLO a publié YOLO26. Cette comparaison examine comment YOLO26 s’appuie sur les innovations précédentes et en quoi il diffère en matière de performance, de polyvalence et de facilité d’utilisation.
Présentation des modèles#
Comprendre les origines et les principes fondamentaux de ces modèles est essentiel pour prendre des décisions de déploiement éclairées.
Détails sur YOLO26#
- Auteurs : Glenn Jocher et Jing Qiu
- Organisation : Ultralytics
- Date : 2026-01-14
- GitHub : Dépôt GitHub d'Ultralytics
- Documentation : Documentation officielle de YOLO26
YOLO26 est le dernier modèle YOLO d’Ultralytics. Sa tête facultative de bout en bout sans NMS (nms=False) élimine les goulots d’étranglement du post-traitement. Il est optimisé pour les déploiements cloud et edge, et s’accompagne d’un écosystème prenant en charge diverses tâches de vision.
Détails sur YOLOX#
- Auteurs : Zheng Ge, Songtao Liu, Feng Wang, Zeming Li et Jian Sun
- Organisation : Megvii
- Date : 2021-07-18
- arXiv : Rapport technique sur YOLOX
- GitHub : Dépôt GitHub de YOLOX
- Docs : Documentation de YOLOX
YOLOX a marqué une avancée majeure en introduisant une tête découplée et une architecture sans ancres, ainsi que la stratégie d’assignation des étiquettes SimOTA. À sa sortie, le modèle offrait un excellent compromis entre vitesse et précision, ce qui en a fait un choix populaire pour de nombreux systèmes hérités.
Innovations architecturales#
Les différences entre YOLO26 et YOLOX reflètent les progrès de la conception en apprentissage profond entre 2021 et 2026.
Bien que YOLOX ait défendu l’approche sans ancres, il s’appuyait toujours sur la suppression traditionnelle des non-maxima (NMS) pour filtrer les boîtes englobantes redondantes. YOLO26 ajoute une tête facultative de bout en bout sans NMS (nms=False). Introduite dans les modèles YOLO par YOLOv10, cette approche ignore le post-traitement par NMS, ce qui accélère et simplifie les pipelines de déploiement tout en réduisant la variabilité de la latence.
De plus, YOLO26 intègre la suppression de DFL. La suppression de Distribution Focal Loss simplifie le processus d’export et améliore la compatibilité avec les appareils edge et le matériel basse consommation. Associée à d’autres optimisations architecturales, cette modification rend YOLO26n jusqu’à 43 % plus rapide sur CPU que YOLO11n, ce qui en fait un excellent choix pour les environnements dépourvus de GPU dédiés.
La stabilité de l’entraînement est un autre facteur de différenciation essentiel. YOLO26 utilise l’optimiseur MuSGD, un hybride de SGD et de Muon inspiré des innovations d’entraînement des LLM de Moonshot AI. Cet optimiseur apporte à la vision par ordinateur la stabilité d’entraînement des grands modèles de langage et facilite une convergence plus rapide.
YOLO26 utilise ProgLoss + STAL, un schéma progressif d’équilibrage de la fonction de perte et une stratégie d’affectation des étiquettes adaptée aux petits objets, qui améliorent leur reconnaissance. C’est important pour des tâches comme le traitement d’images aériennes et l’analyse d’environnements denses.
Performances et benchmarks#
Sur le jeu de données COCO, YOLO26 atteint une mAP supérieure à celle de YOLOX à toutes les tailles comparables (par exemple, 48,6 contre 40,5 pour les modèles s), avec une latence TensorRT sur T4 plus faible.
| 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 |
| YOLOXnano | 416 | 25.8 | - | - | 0.91 | 1.08 |
| YOLOXtiny | 416 | 32.8 | - | - | 5.06 | 6.45 |
| YOLOXs | 640 | 40.5 | - | 2.56 | 9.0 | 26.8 |
| YOLOXm | 640 | 46.9 | - | 5.43 | 25.3 | 73.8 |
| YOLOXl | 640 | 49.7 | - | 9.04 | 54.2 | 155.6 |
| YOLOXx | 640 | 51.1 | - | 16.1 | 99.1 | 281.9 |
Remarque : YOLO26x atteint une mAP de 57,5 avec 55,7 M de paramètres, contre une mAP de 51,1 avec 99,1 M de paramètres pour YOLOXx.
Écosystème et facilité d'utilisation#
L’un des principaux avantages de YOLO26 est l’écosystème bien maintenu d’Ultralytics. Alors que YOLOX nécessite de parcourir des bases de code de recherche et de configurer manuellement l’environnement, Ultralytics offre une expérience de développement plus simple.
Grâce à l’API Python unifiée, les développeurs peuvent facilement passer d’une tâche à l’autre, comme la détection d’objets, la segmentation d’instances, la segmentation sémantique, l’estimation de profondeur, la classification d’images, l’estimation de pose et les OBB. YOLOX se limite à la détection par boîtes englobantes.
Exemple d’entraînement#
L’entraînement d’un modèle sur un jeu de données personnalisé avec Ultralytics est efficace. Le pipeline d’entraînement maintient une faible utilisation de la mémoire CUDA, ce qui permet d’augmenter la taille des lots sur du matériel grand public par rapport à de nombreuses architectures plus anciennes ou à des modèles Transformer imposants.
from ultralytics import YOLO
# Initialise le petit modèle YOLO26
model = YOLO("yolo26s.pt")
# Entraîner le modèle sur le jeu de données COCO8
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=0)
# Exporte le modèle entraîné au format ONNX pour le déploiement
model.export(format="onnx")La plateforme Ultralytics améliore encore ce workflow en proposant l’entraînement cloud, l’annotation de jeux de données assistée par l’IA et des options de déploiement pour les équipes qui passent du prototype à la production.
Cas d’utilisation idéaux et applications concrètes#
Le choix du modèle dépend de ton environnement de déploiement.
IA en périphérie et IoT#
Pour les applications nécessitant un traitement local sur du matériel limité, comme les systèmes d’alarme de sécurité intelligents ou les capteurs environnementaux distants, YOLO26 est le meilleur choix. Sa tête facultative sans NMS et son exécution rapide sur CPU lui permettent de fonctionner sur des appareils comme le Raspberry Pi, sans recourir à des solutions de contournement complexes liées à la quantification.
Robotique autonome#
Les applications robotiques nécessitent une grande précision et une faible latence. Les capacités d’estimation de pose de YOLO26, renforcées par Residual Log-Likelihood Estimation (RLE), permettent aux robots de comprendre la cinématique humaine en temps réel. L’absence de détection native des points clés dans YOLOX le rend inadapté aux tâches avancées d’interaction humain-robot.
Inspection à haute altitude et inspection aérienne#
Lors de l’inspection d’infrastructures par drone, la détection de petits défauts est essentielle. ProgLoss et STAL dans YOLO26 améliorent le rappel sur les petits objets. De plus, YOLO26 prend nativement en charge les boîtes englobantes orientées (OBB) et une fonction de perte d’angle spécialisée qui résout les problèmes de limites, ce qui le rend bien adapté aux images satellitaires et aériennes où les objets sont orientés dans toutes les directions.
Déploiements hérités#
YOLOX peut encore être utilisé dans des environnements existants où des pipelines de déploiement C++ ont été explicitement conçus autour des sorties spécifiques de sa tête découplée en 2021. Pour les nouveaux projets, la migration vers l’écosystème Ultralytics est recommandée pour bénéficier de ses gains de performance et du soutien continu de sa communauté.
Découvrir d'autres modèles#
Bien que YOLO26 soit le modèle Ultralytics recommandé, l’écosystème propose divers modèles adaptés à des besoins précis. Les développeurs intéressés par les architectures fondées sur les Transformers peuvent essayer RT-DETR, qui propose une autre approche de la détection de bout en bout. Par ailleurs, YOLO11 reste une option éprouvée pour les environnements de production qui nécessitent des évaluations comparatives historiques approfondies.
En résumé, le passage de YOLOX à YOLO26 illustre la rapidité des progrès dans le domaine. Grâce à une API intuitive, à un ensemble de fonctionnalités polyvalent et à une grande efficacité, YOLO26 est le choix recommandé pour les chercheurs et les développeurs.
Commentaires
Pose une question, partage tes résultats ou aide quelqu’un d’autre.