Commencer

YOLOX face à YOLO26

Le domaine de la vision par ordinateur a considérablement évolué au cours de la dernière décennie. Deux jalons de cette évolution sont la sortie de YOLOX, qui a popularisé les architectures sans ancres, et la présentation d’Ultralytics YOLO26, qui apporte une conception native de bout en bout, sans NMS, à la détection en temps réel. Cette comparaison examine leurs architectures, leurs indicateurs de performance et leurs scénarios de déploiement idéaux afin d’aider les développeurs à prendre des décisions éclairées pour leur prochain projet d’IA.

Présentation des modèles#

Comprendre les origines et les principaux objectifs de conception de chaque modèle permet de mieux situer leurs réalisations techniques respectives.

YOLOX#

Présenté à la mi-2021, YOLOX a marqué un tournant majeur en adoptant une architecture sans ancres associée à une tête découplée et à la stratégie d’assignation des étiquettes SimOTA. En abandonnant les mécanismes traditionnels de boîtes d’ancrage qui dominaient les architectures précédentes, YOLOX a contribué à rapprocher la recherche universitaire des applications industrielles en proposant un framework simple et efficace pour la détection d’objets.

En savoir plus sur YOLOX

YOLO26#

Publié en janvier 2026, YOLO26 s’appuie sur des années d’améliorations successives, en mettant l’accent sur le déploiement en périphérie et la simplification des pipelines d’entraînement. Il introduit une tête un-à-un facultative de bout en bout sans NMS (nms=False), qui omet l’étape traditionnelle de post-traitement par suppression des non-maxima (NMS) et simplifie le déploiement du modèle sur différents matériels. La suppression du module Distribution Focal Loss (DFL) simplifie également la tête et réduit la latence, ce qui fait de YOLO26 un excellent choix pour les applications modernes de vision par ordinateur.

Innovations architecturales#

Les architectures de ces deux modèles illustrent l’évolution rapide des méthodes d’apprentissage profond, notamment en ce qui concerne les fonctions de perte et le post-traitement.

L'approche YOLOX#

YOLOX a découplé les tâches de classification et de régression dans sa tête de prédiction, ce qui a considérablement accéléré la convergence pendant l’entraînement. Sa conception sans ancres a réduit le nombre de paramètres de conception et limité le besoin de réglages complexes des ancres avant l’entraînement. Associé à l’algorithme d’affectation des étiquettes SimOTA, YOLOX a atteint les meilleurs résultats de son époque, notamment sur des benchmarks standards comme le jeu de données COCO.

Les atouts de YOLO26#

YOLO26 privilégie l’efficacité architecturale. La suppression de NMS réduit non seulement la latence d’inférence, mais garantit également des temps d’exécution cohérents et prévisibles, un facteur essentiel pour les véhicules autonomes et la robotique.

Principales innovations de YOLO26 :

  • Optimiseur MuSGD : inspiré des techniques d’entraînement des grands modèles de langage (LLM), cet hybride de SGD et de Muon assure des entraînements stables et une convergence plus rapide.
  • Inférence CPU jusqu’à 43 % plus rapide : grâce à la suppression de DFL et à une architecture rationalisée, YOLO26n s’exécute jusqu’à 43 % plus vite que YOLO11n sur CPU, ce qui le rend adapté aux appareils de périphérie à ressources limitées, des simples capteurs IoT aux cartes Raspberry Pi.
  • ProgLoss + STAL : Progressive Loss et l’assignation des étiquettes adaptée aux petites cibles (STAL) améliorent la détection des petits objets, essentielle à l’analyse de l’imagerie aérienne et au contrôle qualité précis dans l’automatisation industrielle.
Optimisation prioritaire pour la périphérie

Si ton projet cible des systèmes embarqués ou des applications mobiles sans GPU dédié, les performances CPU optimisées de YOLO26 constituent un avantage important, avec une charge de calcul inférieure à celle des modèles des générations précédentes.

Performances et benchmarks#

Pour évaluer des modèles destinés à la production, il est essentiel d’analyser l’équilibre entre précision, vitesse et complexité de calcul. Voici une comparaison détaillée de modèles standard évalués avec une taille d’image de 640 pixels (et de 416 pour les variantes nano/tiny).

Modèletaille
(pixels)
mAPval50-95Vitesse
CPU ONNX
(ms)
Vitesse
T4 TensorRT10
(ms)
paramètres
(M)
FLOPs
(B)
YOLOXnano41625.8--0.911.08
YOLOXtiny41632.8--5.066.45
YOLOXs64040.5-2.569.026.8
YOLOXm64046.9-5.4325.373.8
YOLOXl64049.7-9.0454.2155.6
YOLOXx64051.1-16.199.1281.9
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 le montre le tableau, la série YOLO26 offre un meilleur équilibre des performances. Par exemple, YOLO26x atteint un mAP de 57,5 avec environ 44 % de paramètres en moins que YOLOXx, tout en offrant une inférence GPU plus rapide (11,8 ms contre 16,1 ms).

Expérience d’entraînement et écosystème#

L’ergonomie et la prise en charge de l’écosystème comptent parmi les principales différences entre ces architectures.

YOLOX reste une base de référence pour les chercheurs qui étudient les mécanismes sans ancres et l’assignation des étiquettes, mais sa configuration peut être complexe et nécessite souvent de configurer manuellement les dépendances et les opérateurs. À l’inverse, l’écosystème Ultralytics est conçu pour être facile à utiliser.

Avec l’API Python unifiée, les développeurs peuvent initialiser, entraîner et déployer des modèles YOLO26 en quelques lignes de code. Elle gère le téléchargement des jeux de données, prend en charge le réglage des hyperparamètres et permet l’exportation dans des formats comme ONNX, TensorRT et OpenVINO.

from ultralytics import YOLO

# Initialiser le petit modèle YOLO26 de bout en bout
model = YOLO("yolo26s.pt")

# Entraîner le modèle ; optimizer="auto" sélectionne MuSGD pour les entraînements longs (>10k itérations)
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Valider les performances du modèle sur l’ensemble de validation
metrics = model.val()

# Exporter le modèle optimisé pour un déploiement en périphérie
model.export(format="onnx")

Les modèles Ultralytics YOLO nécessitent également généralement moins de mémoire pendant l’entraînement que les solutions lourdes basées sur Transformer, ce qui permet aux ingénieurs d’utiliser des lots plus grands, même sur du matériel grand public.

Applications concrètes#

Le choix entre YOLOX et YOLO26 dépend en définitive de tes contraintes de déploiement et des exigences multitâches.

Les points forts de YOLOX#

YOLOX reste un choix viable pour certains benchmarks universitaires et les systèmes hérités basés sur la base de code originale de YOLOX. Son importance historique en fait une référence courante pour la recherche sur les détecteurs sans ancres et les stratégies d’assignation personnalisées.

Les points forts de YOLO26#

YOLO26 est conçu pour les applications industrielles modernes. Comme il prend nativement en charge la segmentation d’instances, la segmentation sémantique, l’estimation de profondeur, la classification d’images, l’estimation de pose et les boîtes englobantes orientées (OBB), il est plus polyvalent que les modèles dédiés à la seule détection.

  • Commerce de détail intelligent et gestion des stocks : la conception sans NMS permet aux systèmes de caisse automatisés de traiter des flux vidéo avec une faible latence et de reconnaître les produits sans goulot d’étranglement lié au post-traitement.
  • Drones et analyse aérienne : la fonction de perte angulaire spécialisée pour les OBB et ProgLoss + STAL rendent YOLO26 particulièrement adapté à la détection d’objets pivotés et de minuscules éléments dans de grandes images satellite.
  • Systèmes de sécurité en périphérie : avec une inférence CPU jusqu’à 43 % plus rapide (YOLO26n par rapport à YOLO11n), YOLO26 permet aux entreprises de déployer des systèmes d’analyse de sécurité performants directement sur du matériel local peu coûteux, sans avoir besoin d’une coûteuse puissance de calcul dans le cloud.

Cas d’utilisation et recommandations#

Le choix entre YOLOX et YOLO26 dépend des exigences spécifiques de ton projet, des contraintes de déploiement et de tes préférences en matière d’écosystème.

Quand choisir YOLOX#

YOLOX est un excellent choix pour :

  • Recherche sur la détection sans ancres : recherche universitaire qui utilise l’architecture épurée sans ancres de YOLOX comme référence pour expérimenter de nouvelles têtes de détection ou fonctions de perte.
  • Appareils périphériques ultralégers : déploiement sur des microcontrôleurs ou du matériel mobile ancien, où l’empreinte extrêmement réduite (0,91 M de paramètres) de la variante YOLOX-Nano est essentielle.
  • Études sur l’assignation d’étiquettes SimOTA : projets de recherche qui étudient les stratégies d’assignation d’étiquettes basées sur le transport optimal et leur impact sur la convergence de l’entraînement.

Quand choisir YOLO26#

YOLO26 est recommandé 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 sans GPU : Les appareils dépourvus d'accélération GPU dédiée, où l'inférence CPU jusqu'à 43 % plus rapide de YOLO26 (YOLO26n par rapport à YOLO11n) procure un avantage décisif.
  • Détection des petits objets : scénarios difficiles, comme l’imagerie aérienne par drone ou l’analyse de capteurs IoT, où ProgLoss et STAL améliorent la précision sur les objets minuscules.

Découvrir d’autres modèles Ultralytics#

Si tu explores l’évolution de la vision par ordinateur, la famille Ultralytics comprend d’autres modèles performants qui méritent ton attention :

  • YOLO11 : prédécesseur immédiat de YOLO26, il offre des performances robustes et bénéficie d’un large soutien communautaire pour les environnements de production stables.
  • YOLOv8 : une architecture éprouvée qui a établi la référence en matière de facilité d’utilisation et de flexibilité dans des milliers de déploiements réels.

En conclusion, YOLOX a introduit des concepts importants pour la détection d’objets, et YOLO26 apporte une amélioration générationnelle en matière de vitesse, de précision et de simplicité de déploiement, ce qui en fait le choix recommandé pour les nouveaux projets.

Commentaires

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