Commencer

YOLOv7 vs YOLO26

L’évolution de la vision par ordinateur a été marquée par des étapes importantes, et la comparaison des architectures historiques avec les modèles modernes apporte des enseignements précieux aux ingénieurs en apprentissage automatique. Cette comparaison technique examine les différences entre le modèle influent YOLOv7 et Ultralytics YOLO26, en mettant en évidence les avancées en matière d’architecture, de méthodes d’entraînement et d’efficacité du déploiement.

YOLOv7 : le pionnier du « bag-of-freebies »#

Présenté à la mi-2022, YOLOv7 a fait progresser la détection en temps réel sur GPU grâce à plusieurs optimisations architecturales qui ont amélioré la précision sans augmenter le coût d’inférence.

Détails du modèle

YOLOv7 a introduit le concept de « bag-of-freebies » entraînable, qui faisait largement appel aux techniques de reparamétrisation et aux réseaux d’agrégation de couches efficaces étendus (E-ELAN). Le modèle pouvait ainsi apprendre des caractéristiques plus variées et améliorer continuellement la capacité d’apprentissage du réseau sans détruire le chemin de gradient d’origine. Bien qu’il ait obtenu les meilleurs résultats COCO de l’époque, son architecture repose sur des sorties fondées sur des ancres et nécessite un post-traitement par suppression non maximale (NMS), susceptible de créer des goulots d’étranglement de latence lors du déploiement.

En savoir plus sur YOLOv7

YOLO26 : la référence d’IA visuelle pensée pour la périphérie#

Publié en janvier 2026, Ultralytics YOLO26 repense le pipeline de détection pour privilégier la facilité de déploiement, la stabilité de l’entraînement et l’efficacité matérielle.

Détails du modèle

YOLO26 est conçu pour répondre aux besoins modernes de déploiement. Son architecture apporte plusieurs innovations clés :

  • Architecture de bout en bout sans NMS : YOLO26 propose une tête facultative à correspondance un-à-un (nms=False) qui omet le post-traitement NMS, une approche introduite pour la première fois dans YOLOv10. Le pipeline de déploiement est ainsi plus rapide et plus simple, sans les variations de latence généralement causées par les scènes encombrées.
  • Suppression de DFL : en supprimant Distribution Focal Loss (DFL), le modèle est simplifié pour l’exportation, ce qui améliore sa compatibilité avec les appareils de périphérie et le matériel IoT à faible consommation.
  • Inférence CPU jusqu’à 43 % plus rapide : grâce à ses simplifications architecturales, YOLO26 est optimisé pour l’informatique en périphérie et les appareils sans GPU dédié ; YOLO26n s’exécute jusqu’à 43 % plus vite sur CPU que YOLO11n.
  • Optimiseur MuSGD : inspiré des techniques d’entraînement des grands modèles de langage (notamment Kimi K2 de Moonshot AI), YOLO26 utilise l’optimiseur MuSGD, un hybride de la descente de gradient stochastique et de Muon. Il assure ainsi un entraînement plus stable et une convergence plus rapide pour les tâches de vision par ordinateur.
  • ProgLoss + STAL : une perte progressive et une stratégie d’assignation des étiquettes adaptée aux petites cibles améliorent la reconnaissance des petits objets, un point essentiel pour l’imagerie aérienne, la robotique et l’inspection automatisée de la qualité.
  • Améliorations spécifiques aux tâches : au-delà de la détection d’objets standard, YOLO26 intègre des prototypes multi-échelles et une fonction de perte spécialisée de segmentation sémantique pour les tâches de segmentation, l’estimation résiduelle du maximum de vraisemblance (RLE) pour l’estimation de pose et des algorithmes spécialisés de perte angulaire pour résoudre les problèmes de délimitation des boîtes englobantes orientées (OBB).
Migration vers YOLO26

Pour les projets qui utilisent déjà le paquet ultralytics, passer à YOLO26 est aussi simple que de modifier le nom du modèle dans ton code Python en yolo26n.pt ; les poids se téléchargent automatiquement. Les projets YOLOv7 issus du dépôt d’origine peuvent réutiliser leurs jeux de données au format YOLO et être réentraînés avec l’API Ultralytics.

Comparaison des performances et des métriques#

En matière d’empreinte de calcul, YOLO26 offre un meilleur équilibre entre précision, vitesse et besoins en mémoire. Les modèles fondés sur des Transformer ou les anciennes architectures volumineuses nécessitent souvent de grandes allocations de mémoire CUDA, tandis que YOLO26 s’entraîne efficacement sur des GPU grand public.

Modèletaille
(pixels)
mAPval50-95Vitesse
CPU ONNX
(ms)
Vitesse
T4 TensorRT10
(ms)
paramètres
(M)
FLOPs
(B)
YOLOv7l64051.4-6.8436.9104.7
YOLOv7x64053.1-11.5771.3189.9
YOLO26n64040.938.91.72.45.5
YOLO26s64048.687.22.59.520.9
YOLO26m64053.1220.04.720.468.4
YOLO26l64055.0286.26.224.886.8
YOLO26x64057.5525.811.855.7194.4

Comme on le voit ci-dessus, le modèle YOLO26m atteint la même précision que le modèle bien plus volumineux YOLOv7x (53,1 mAP), avec moins d’un tiers de ses paramètres (20,4 M contre 71,3 M) et une inférence plus rapide avec TensorRT (4,7 ms contre 11,57 ms).

Les avantages de l’écosystème Ultralytics#

Le déploiement de modèles historiques implique souvent des dépôts tiers complexes, des conflits de dépendances et des scripts d’exportation manuels. À l’inverse, Ultralytics Platform offre un écosystème cohérent et bien entretenu qui simplifie l’ensemble du cycle de vie de l’apprentissage automatique.

  • Facilité d’utilisation : grâce à une API Python intuitive et à une documentation exhaustive, tu peux annoter, entraîner et déployer des modèles en quelques minutes. L’exportation vers des formats comme ONNX ou CoreML ne nécessite qu’une seule ligne de code.
  • Besoins en mémoire : les modèles Ultralytics sont réputés pour leur faible consommation de mémoire. Contrairement à certains grands Transformer de vision, YOLO26 peut être ajusté sur du matériel standard sans provoquer d’erreurs de mémoire insuffisante (OOM).
  • Polyvalence : alors que YOLOv7 était principalement un détecteur d’objets (avec quelques branches expérimentales pour d’autres tâches), YOLO26 est un cadre unifié qui prend en charge la détection, la segmentation d’instances, la segmentation sémantique, l’estimation de profondeur, la classification, l’estimation de pose et les OBB, ainsi que le suivi de plusieurs objets.
Autres modèles Ultralytics

Bien que YOLO26 soit désormais la référence recommandée, les développeurs qui migrent des systèmes historiques peuvent également explorer YOLO11, la génération précédente de la gamme Ultralytics, qui offre une stabilité éprouvée pour les projets nécessitant une prise en charge à long terme.

Exemple de code : entraînement et déploiement#

L’exemple suivant présente le flux de travail ultralytics, qui remplace les longues séries d’arguments en ligne de commande utilisées par les anciens dépôts.

from ultralytics import YOLO

# Load the lightweight YOLO26 nano model
model = YOLO("yolo26n.pt")

# Train the model efficiently on a dataset (e.g., COCO8)
results = model.train(
    data="coco8.yaml",
    epochs=100,
    imgsz=640,
    batch=32,  # Efficient memory usage allows larger batch sizes
    device=0,
)

# Run an NMS-free, end-to-end inference on a test image
predictions = model("https://ultralytics.com/images/bus.jpg", nms=False)

# Export directly to ONNX for edge deployment
export_path = model.export(format="onnx")
print(f"Model exported successfully to: {export_path}")

Cas d'utilisation concrets#

Le choix de la bonne architecture dépend des contraintes de ton environnement de production.

Quand envisager YOLOv7 : YOLOv7 reste un outil précieux pour les comparaisons universitaires fondées sur les normes de 2022. Si ton infrastructure utilise des pipelines CUDA historiques configurés en dur pour les sorties d’ancres spécifiques de YOLOv7 et que tu ne peux pas consacrer de ressources à leur refonte, YOLOv7 continuera de servir de détecteur de référence robuste.

Quand choisir YOLO26 : Pour les nouveaux projets, YOLO26 est le choix recommandé. Sa tête facultative sans NMS convient aux systèmes de navigation autonome à faible latence et de sécurité en temps réel. La suppression de DFL et l’inférence CPU plus rapide le rendent particulièrement adapté aux déploiements d’IA en périphérie, par exemple sur un Raspberry Pi ou dans des appareils électroniques grand public. De plus, les améliorations ProgLoss + STAL l’aident à détecter de minuscules anomalies dans le contrôle qualité industriel ou l’imagerie satellitaire.

En définitive, YOLO26 offre aux développeurs un excellent équilibre entre précision, vitesse et simplicité, soutenu par une communauté open source active.

Contributeurs

Commentaires2

Pose une question, partage tes résultats ou aide quelqu’un d’autre.

  1. Murat Raimbekov(modifié)

    hey @bit-scientist, you're right - the YOLOv7 vs YOLO26 comparison tables only included YOLOv7l (51.4 mAP, 36.9M params) and YOLOv7x (53.1 mAP, 71.3M params) at 640px. they didn't include YOLOv7-tiny or the higher-resolution variants (W6, E6, D6, E6E at 1280px).

    these variants do exist in the yolov7 model docs with the numbers from the original paper:

    variantimgszmAPparams (M)flops (B)
    YOLOv7-tiny-SiLU64038.76.213.8
    YOLOv764051.436.9104.7
    YOLOv7-X64053.171.3189.9
    YOLOv7-W6128054.970.4360.0
    YOLOv7-E6128056.097.2515.2
    YOLOv7-D6128056.6154.7806.8
    YOLOv7-E6E128056.8151.7843.2

    the comparison focused on the two 640-resolution scales that line up most directly with the modern yolo26 sizes (n/s/m/l/x @ 640).

    worth noting: yolov7 is a third-party model from wang et al. and is not natively supported in the ultralytics package. we publish docs for reference, but training/inference uses the original WongKinYiu/yolov7 repo.

    1