Commencer

YOLOv8 contre YOLO26

La vision par ordinateur a connu une évolution rapide ces dernières années. Parmi les architectures les plus populaires pour les applications en temps réel figurent les modèles développés par Ultralytics. Ce guide propose une comparaison technique entre Ultralytics YOLOv8 et le dernier modèle Ultralytics YOLO26, en examinant leurs architectures, leurs mesures de performances et leurs cas d’utilisation idéaux pour t’aider à choisir le modèle adapté à ton déploiement.

Présentation des modèles#

YOLOv8 et YOLO26 représentent tous deux des étapes importantes dans la famille de modèles YOLO. Ils partagent la philosophie fondamentale d’Ultralytics : proposer des modèles rapides, précis et faciles à utiliser grâce à une API Python unifiée.

YOLOv8 : la référence polyvalente#

Sorti au début de 2023, YOLOv8 a profondément remanié le framework YOLO en introduisant une conception sans ancres et une prise en charge robuste de plusieurs tâches de vision par ordinateur.

YOLOv8 a rapidement été largement adopté grâce à son équilibre entre performances et à son intégration poussée dans l’écosystème Ultralytics. Il prend nativement en charge la détection d’objets, la segmentation d’instances, la classification d’images, l’estimation de pose et les boîtes englobantes orientées (OBB). Cependant, il s’appuie sur la suppression non maximale (NMS) standard pour le post-traitement, ce qui peut entraîner des goulots d’étranglement au niveau de la latence dans les environnements edge très contraints.

YOLO26 : la nouvelle génération de l’IA edge#

Sorti en janvier 2026, YOLO26 s’appuie sur ses prédécesseurs et les optimise pour les scénarios de déploiement modernes, en particulier l’IA edge et les appareils basse consommation.

YOLO26 apporte plusieurs améliorations techniques. La plus notable est la conception de bout en bout sans NMS que YOLOv10 a introduite dans les modèles YOLO. Cette architecture élimine le besoin de post-traitement par NMS, simplifie les pipelines d’exportation et réduit la variabilité de la latence. La suppression de la perte focale de distribution (DFL) rationalise également la tête de détection, ce qui facilite le déploiement sur le matériel d’IA edge.

Autres modèles Ultralytics

Au-delà de YOLOv8 et YOLO26, tu peux aussi envisager YOLO11, qui comble l’écart entre ces deux générations grâce à des architectures améliorées, ou YOLOv5 pour les intégrations existantes.

Innovations architecturales et d’entraînement#

YOLO26 apporte plusieurs améliorations internes qui rehaussent les performances de référence de YOLOv8.

Entraînement optimisé avec MuSGD#

Les modèles Ultralytics sont réputés pour leur entraînement efficace et nécessitent généralement moins de mémoire que les architectures à base de Transformer comme RT-DETR. YOLO26 va plus loin avec l’optimiseur MuSGD. Inspiré des techniques d’entraînement des grands modèles de langage (LLM), notamment Kimi K2 de Moonshot AI, cet hybride de descente de gradient stochastique (SGD) et de Muon accélère la convergence et stabilise l’entraînement sur des jeux de données complexes.

Fonction de perte et attribution des étiquettes#

Pour les tâches exigeant une grande précision, comme l’imagerie par drone ou les capteurs IoT, YOLO26 introduit ProgLoss + STAL. Progressive Loss et Small-Target-Aware Label Assignment (STAL) améliorent la détection des petits objets. De plus, YOLO26 apporte des améliorations propres à chaque tâche : un proto multi-échelle pour générer de meilleurs masques en segmentation, Residual Log-Likelihood Estimation (RLE) pour affiner l’estimation de pose et une fonction de perte d’angle spécialisée pour résoudre les problèmes de limites lors de la détection des boîtes englobantes orientées (OBB).

Analyse et comparaison des performances#

Le tableau suivant met en évidence les différences de performances entre les deux modèles sur le jeu de données COCO. Les meilleures valeurs de chaque catégorie de taille sont indiquées en gras.

Modèletaille
(pixels)
mAPval50-95Vitesse
CPU ONNX
(ms)
Vitesse
T4 TensorRT10
(ms)
paramètres
(M)
FLOPs
(B)
YOLOv8n64037.380.41.473.28.7
YOLO26n64040.938.91.72.45.5
YOLOv8s64044.9128.42.6611.228.6
YOLO26s64048.687.22.59.520.9
YOLOv8m64050.2234.75.8625.978.9
YOLO26m64053.1220.04.720.468.4
YOLOv8l64052.9375.29.0643.7165.1
YOLO26l64055.0286.26.224.886.8
YOLOv8x64053.9479.114.3768.2257.8
YOLO26x64057.5525.811.855.7194.4

Analyse des mesures#

Les données montrent une amélioration générationnelle : YOLO26 surpasse YOLOv8 sur presque toutes les métriques. Le modèle YOLO26 Nano (YOLO26n) atteint 40,9 mAP, nettement plus que les 37,3 de YOLOv8n, tout en utilisant moins de paramètres et de FLOPs.

L’une des améliorations les plus importantes concerne la vitesse d’inférence sur CPU. Grâce à son architecture simplifiée et à la suppression de la DFL, YOLO26n effectue l’inférence CPU ONNX en 38,9 ms, contre 80,4 ms pour YOLOv8n. L’article sur YOLO26 indique également une inférence CPU jusqu’à 43 % plus rapide que celle de YOLO11n. YOLO26 convient donc particulièrement au Raspberry Pi et aux autres appareils edge à ressources limitées. Les deux modèles offrent des vitesses comparables sur GPU avec TensorRT, mais l’efficacité de YOLO26 en matière de paramètres peut aussi réduire l’empreinte mémoire pendant l’entraînement et l’inférence.

Facilité d’utilisation et écosystème#

Les deux modèles profitent de l’écosystème Ultralytics bien entretenu. L’API unifiée permet aux développeurs de passer de YOLOv8 à YOLO26 en modifiant la chaîne de caractères du nom du modèle.

Que tu effectues du réglage d’hyperparamètres, du suivi d’expériences ou que tu explores de nouveaux jeux de données, la documentation Ultralytics propose de nombreuses ressources. De plus, Ultralytics Platform offre un moyen simplifié d’annoter les données, d’entraîner les modèles et de les déployer dans le cloud ou en local.

Exemple de code#

Tu trouveras ci-dessous un exemple complet et exécutable d’entraînement, d’inférence et d’exportation avec l’API Python Ultralytics :

from ultralytics import YOLO

# Charge le dernier modèle YOLO26 Nano
model = YOLO("yolo26n.pt")

# Entraîner le modèle sur le jeu de données COCO8 pendant 50 époques
# optimizer="auto" sélectionne MuSGD pour les entraînements longs (>10k itérations) et AdamW pour les courts, comme celui-ci
train_results = model.train(
    data="coco8.yaml",
    epochs=50,
    imgsz=640,
    device="cpu",  # Utiliser '0' pour l’entraînement sur GPU
)

# Lancer l’inférence sur une image d’exemple
# L’architecture sans NMS produit des prédictions nettes et rapides
results = model("https://ultralytics.com/images/bus.jpg", nms=False)

# Afficher les prédictions
results[0].show()

# Exporte au format ONNX pour un déploiement sur CPU
export_path = model.export(format="onnx")
Simplicité du déploiement

Le déploiement de YOLO26 dans des formats comme CoreML ou OpenVINO est plus simple qu’avec les anciens modèles : exporté avec nms=False, le modèle renvoie directement les détections finales, sans étape NMS distincte à implémenter sur l’appareil cible.

Cas d’utilisation idéaux#

Le bon choix dépend de ta cible de déploiement et de ton infrastructure existante.

Quand choisir YOLO26 :

  • Informatique edge et robotique : son inférence CPU plus rapide et sa conception sans NMS en font un excellent choix pour les systèmes embarqués, les appareils mobiles et les robots autonomes.
  • Imagerie aérienne et satellitaire : ProgLoss + STAL confèrent à YOLO26 un avantage pour détecter de minuscules objets dans des scènes complexes à haute résolution.
  • Nouveaux projets : dernière version stable, YOLO26 est le modèle recommandé pour tout nouveau pipeline de machine learning, avec une prise en charge plus étendue des tâches, qui inclut la segmentation sémantique et l’estimation de profondeur.

Quand conserver YOLOv8 :

  • Infrastructure héritée : si ton pipeline de production actuel est étroitement lié aux tenseurs de sortie spécifiques et au post-traitement NMS de YOLOv8, la migration peut nécessiter quelques adaptations mineures.
  • Références universitaires : YOLOv8 reste une référence stable et très citée pour les travaux universitaires de recherche en vision par ordinateur comparant des architectures plus anciennes.

En conclusion, YOLOv8 a établi une référence solide pour les tâches de vision en temps réel, et YOLO26 s’appuie sur ses acquis. Avec d’importants gains d’efficacité sur CPU, un déploiement sans NMS et une optimisation de l’entraînement inspirée des LLM, YOLO26 permet de déployer des modèles précis sur une vaste gamme de matériels.

Commentaires

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