YOLOX ou YOLO26#

Le domaine de la vision par ordinateur a connu des transformations extraordinaires au cours de la dernière décennie. Deux étapes importantes de cette évolution sont la sortie de YOLOX, qui a popularisé les architectures sans ancres, et l'introduction récente de Ultralytics YOLO26, qui redéfinit complètement les performances en temps réel grâce à une conception nativement de bout en bout et sans NMS. Cette comparaison détaillée examine leurs architectures, leurs métriques de performance et leurs scénarios de déploiement idéaux afin de t'aider à prendre des décisions éclairées pour ton prochain projet d'IA.

Présentation des modèles#

Comprendre les origines et les principaux objectifs de conception de chaque modèle fournit un contexte essentiel pour apprécier leurs réalisations techniques respectives.

YOLOX#

• Auteurs : Zheng Ge, Songtao Liu, Feng Wang, Zeming Li et Jian Sun
• Organisation : Megvii
• Date : 2021-07-18
• Arxiv : 2107.08430
• GitHub : Megvii-BaseDetection/YOLOX
• Docs: YOLOX GitHub Docs

Introduit à la mi-2021, YOLOX a marqué un changement majeur en adoptant une conception sans ancres associée à une tête découplée et à la stratégie avancée d'attribution des étiquettes appelée SimOTA. En abandonnant les mécanismes traditionnels de boîtes d'ancrage qui dominaient les architectures précédentes, YOLOX a réussi à combler le fossé entre la recherche universitaire et les applications industrielles, en proposant un framework élégant et pourtant très efficace pour la détection d'objets.

En apprends plus sur YOLOX

YOLO26#

• Auteurs : Glenn Jocher et Jing Qiu
• Organisation : Ultralytics
• Date : 2026-01-14
• GitHub : ultralytics/ultralytics
• Plateforme : Ultralytics Platform

Sorti au début de 2026, YOLO26 est l'aboutissement de plusieurs années d'améliorations itératives, avec un accent particulier sur le déploiement en périphérie et la simplification des pipelines d'entraînement. Il introduit une conception de bout en bout sans NMS, éliminant complètement l'étape traditionnelle de post-traitement par suppression des maximums non maximaux. Cette avancée simplifie considérablement le déploiement des modèles sur des matériels variés. En outre, en supprimant le module Distribution Focal Loss (DFL), YOLO26 atteint une latence nettement inférieure, confirmant son statut de choix privilégié pour les applications modernes de vision par ordinateur.

Innovations architecturales#

Les architectures de ces deux modèles mettent en évidence la progression rapide des méthodes d'apprentissage profond, notamment en ce qui concerne les fonctions de perte et le post-traitement.

L’approche YOLOX#

YOLOX découplait les tâches de classification et de régression dans sa tête de prédiction, ce qui accélérait considérablement la convergence pendant l'entraînement. Sa nature sans ancres réduisait le nombre de paramètres de conception et limitait le besoin d'un réglage complexe des ancres avant l'entraînement. Associé à l'algorithme d'attribution des étiquettes SimOTA, YOLOX obtenait des résultats à l'état de l'art pour son époque, notamment sur des benchmarks standards comme le jeu de données COCO.

L'avantage de YOLO26#

YOLO26 pousse l'efficacité architecturale encore plus loin. La suppression de NMS réduit non seulement la latence d'inférence, mais garantit également des temps d'exécution cohérents et déterministes, un facteur essentiel pour les véhicules autonomes et la robotique.

Les principales innovations de YOLO26 comprennent :

• Optimiseur MuSGD : Inspiré des techniques d'entraînement des grands modèles de langage (LLM), ce mélange de SGD et de Muon garantit des entraînements exceptionnellement stables et une convergence plus rapide.
• Jusqu'à 43 % d'inférence plus rapide sur CPU : En éliminant DFL et en rationalisant l'architecture du réseau, YOLO26 est fortement optimisé pour les appareils edge aux ressources limitées, des simples capteurs IoT aux cartes Raspberry Pi.
• ProgLoss + STAL : Ces fonctions de perte avancées améliorent sensiblement la reconnaissance des petits objets, ce qui est essentiel pour analyser des images aériennes et effectuer un contrôle qualité précis dans l'automatisation industrielle.

Performances et benchmarks#

Lors de l'évaluation de modèles pour des environnements de production, il est essentiel d'analyser l'équilibre entre précision, vitesse et complexité computationnelle. Tu trouveras ci-dessous une comparaison détaillée de modèles standards évalués avec une taille d'image de 640 pixels (et de 416 pour les variantes nano/tiny).

Comme l'illustre le tableau, la série YOLO26 offre un meilleur équilibre entre les performances. Par exemple, YOLO26x atteint un impressionnant score de 57,5 mAP tout en utilisant près de deux fois moins de paramètres que le modèle YOLOXx, ce qui se traduit directement par des temps d'inférence GPU plus rapides (11,8 ms contre 16,1 ms) et une flexibilité de déploiement nettement supérieure.

Expérience d'entraînement et écosystème#

L'une des différences les plus importantes entre ces architectures réside dans leur facilité d'utilisation et le support de leur écosystème.

YOLOX reste un dépôt de référence pour les chercheurs qui étudient le flux des gradients et les mécanismes sans ancres, mais sa configuration peut être complexe et nécessite souvent une configuration manuelle des dépendances et des opérateurs. À l'inverse, l'écosystème Ultralytics définit la référence du secteur en matière de simplicité d'utilisation.

Grâce à l'API Python unifiée, les développeurs peuvent initialiser, entraîner et déployer des modèles YOLO26 avec une simplicité inégalée. Le système gère automatiquement le téléchargement des jeux de données, le réglage des hyperparamètres et l'export fluide vers des formats tels que ONNX, TensorRT et OpenVINO.

from ultralytics import YOLO

# Initialize the cutting-edge, end-to-end YOLO26 small model
model = YOLO("yolo26s.pt")

# Train the model efficiently with built-in MuSGD optimization
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Validate the model's performance on the validation set
metrics = model.val()

# Export the optimized model for edge deployment
model.export(format="onnx")

En outre, les modèles Ultralytics YOLO nécessitent beaucoup moins de mémoire pendant l'entraînement que les alternatives lourdes fondées sur des Transformers, ce qui permet aux ingénieurs d'entraîner des lots plus importants, même sur du matériel grand public.

Applications concrètes#

Le choix entre YOLOX et YOLO26 dépend finalement de tes contraintes de déploiement et de tes besoins en multitâche.

Là où YOLOX excelle#

YOLOX reste un candidat viable pour certains benchmarks universitaires et les systèmes existants fortement intégrés au framework MegEngine. Son importance historique en fait une base de référence populaire pour la recherche sur les détecteurs sans ancres et les stratégies d'attribution personnalisées.

Les points forts de YOLO26#

YOLO26 est fondamentalement conçu pour les applications industrielles modernes. Comme il prend nativement en charge la segmentation d'instances, l'estimation de pose et les boîtes englobantes orientées (OBB), il est bien plus polyvalent que les moteurs de détection standards.

• Commerce de détail et gestion des stocks intelligents : La conception sans NMS garantit que les systèmes de paiement automatisés traitent les flux vidéo avec une latence extrêmement faible et reconnaissent les produits sans le goulot d'étranglement des boucles de post-traitement.
• Analyse par drone et analyse aérienne : La fonction de perte angulaire spécialisée pour OBB et l'intégration de ProgLoss + STAL rendent YOLO26 inégalé pour détecter des objets orientés et de minuscules éléments dans de vastes images satellites.
• Systèmes de sécurité edge : Avec une inférence CPU 43 % plus rapide, YOLO26 permet aux entreprises de déployer des analyses de sécurité robustes directement sur du matériel local peu coûteux, sans nécessiter de calcul cloud onéreux.

Cas d'utilisation et recommandations#

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

Quand choisir YOLOX#

YOLOX est un choix solide pour :

• Recherche sur la détection sans ancres : La recherche universitaire utilisant l’architecture sans ancres claire de YOLOX comme référence pour expérimenter de nouvelles têtes de détection ou fonctions de perte.
• Appareils edge ultralégers : Le déploiement sur des microcontrôleurs ou du matériel mobile ancien, lorsque l’empreinte extrêmement réduite de la variante YOLOX-Nano (0.91M paramètres) est essentielle.
• Études sur l’attribution des labels SimOTA : Les projets de recherche qui étudient les stratégies d’attribution de labels fondées sur le transport optimal et leur impact sur la convergence de l’entraînement.

Quand choisir YOLO26#

YOLO26 est recommandé pour :

• Déploiement edge sans NMS : les applications nécessitant une inférence cohérente à faible latence, sans la complexité du post-traitement par suppression non maximale.
• Environnements exclusivement CPU : les appareils dépourvus d'accélération GPU dédiée, où l'inférence CPU jusqu'à 43 % plus rapide de YOLO26 constitue un avantage décisif.
• Détection de petits objets : les scénarios difficiles comme les images aériennes prises par drone ou l'analyse de capteurs IoT, où ProgLoss et STAL améliorent considérablement la précision sur les objets minuscules.

Découvrir d’autres modèles Ultralytics#

Si tu explores l'évolution de la vision par ordinateur, d'autres modèles très performants de la famille Ultralytics méritent également ton attention :

• YOLO11 : Le prédécesseur direct de YOLO26, offrant des performances robustes et un large soutien de la communauté pour les environnements de production stables.
• YOLOv8 : Une architecture largement éprouvée qui a établi la référence en matière de facilité d'utilisation et de flexibilité dans des milliers de déploiements réels.

En conclusion, bien que YOLOX ait introduit des concepts essentiels dans le domaine de la détection d'objets, le nouveau YOLO26 offre un bond générationnel en matière de vitesse, de précision et de simplicité de déploiement, ce qui en fait le choix évident pour les développeurs et les entreprises tournés vers l'avenir.