YOLOX face à YOLO26#

Le domaine de la vision par ordinateur a connu des transformations remarquables au cours de la dernière décennie. Deux jalons importants de cette évolution sont la sortie de YOLOX, qui a popularisé les architectures sans ancres, et l’arrivée récente d’Ultralytics YOLO26, qui redéfinit entièrement les performances en temps réel grâce à une conception native de bout en bout sans NMS. Cette comparaison détaillée examine leurs architectures, leurs métriques 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#

• 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
• Documentation : Documentation GitHub de YOLOX

Présenté à la mi-2021, YOLOX a marqué un tournant important en adoptant une conception sans ancres, associée à une tête découplée et à une stratégie avancée d’affectation des étiquettes appelée SimOTA. En abandonnant les mécanismes traditionnels fondés sur des boîtes d’ancrage qui dominaient les architectures précédentes, YOLOX a réussi à faire le lien entre la recherche universitaire et les applications industrielles, en proposant un framework élégant et très efficace pour la détection d’objets.

En savoir 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 le fruit de plusieurs années d’améliorations successives, avec une priorité donnée au déploiement en périphérie et à la simplification des pipelines d’entraînement. Il introduit une tête optionnelle un-à-un de bout en bout sans NMS (nms=False) qui ignore l’étape traditionnelle de suppression non maximale lors du post-traitement. Cette avancée simplifie considérablement le déploiement du modèle sur une grande variété de matériels. De plus, en supprimant le module de perte focale de distribution (DFL), YOLO26 réduit considérablement la latence, ce qui en fait un choix de premier plan 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 pousse encore plus loin l’efficacité architecturale. La suppression de NMS réduit non seulement la latence d’inférence, mais garantit aussi des temps d’exécution constants et déterministes, 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 garantit des entraînements particulièrement stables et une convergence plus rapide.
• Jusqu’à 43 % d’accélération de l’inférence sur CPU : en éliminant DFL et en simplifiant l’architecture du réseau, YOLO26 est fortement optimisé pour les appareils en périphérie 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, un point essentiel pour analyser les images aériennes et effectuer un contrôle qualité précis dans l’automatisation industrielle.

Performances et benchmarks#

Lorsqu’on évalue des modèles destinés à la production, il est essentiel d’analyser l’équilibre entre précision, vitesse et complexité de calcul. Tu trouveras ci-dessous une comparaison détaillée de modèles standard évalués avec une taille d’image de 640 pixels (et de 416 pour les variantes nano/tiny).

Comme le montre le tableau, la série YOLO26 offre un meilleur équilibre des 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 une inférence GPU plus rapide (11.8 ms contre 16.1 ms) et une flexibilité de déploiement bien supérieure.

Expérience d’entraînement et écosystème#

L’une des différences les plus marquées entre ces architectures concerne leur facilité d’utilisation et le soutien de leur écosystème.

YOLOX reste un dépôt de référence pour les chercheurs qui étudient les mécanismes sans ancres et l’affectation des étiquettes, mais sa configuration peut être complexe et nécessite souvent la configuration manuelle des dépendances et des opérateurs. À l’inverse, l’écosystème Ultralytics définit la norme du secteur en matière de facilité d’utilisation.

Grâce à l’API Python unifiée, les développeurs peuvent initialiser, entraîner et déployer des modèles YOLO26 en toute simplicité. Le système prend automatiquement en charge le téléchargement des jeux de données, le réglage des hyperparamètres et l’exportation fluide vers des formats comme ONNX, TensorRT et OpenVINO.

from ultralytics import YOLO

# Initialiser le modèle YOLO26 small de pointe, 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")

De plus, les modèles Ultralytics YOLO nécessitent beaucoup moins de mémoire pendant l’entraînement que les solutions de remplacement lourdes fondées sur les Transformer, ce qui permet aux ingénieurs d’entraîner des modèles avec des tailles de lot plus importantes, 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 candidat viable pour certains benchmarks universitaires et les systèmes existants reposant sur la base de code YOLOX d’origine. Son importance historique en fait une référence populaire pour la recherche sur les détecteurs sans ancres et les stratégies d’affectation personnalisées.

Les points forts de YOLO26#

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

• Commerce et gestion des stocks intelligents : la conception sans NMS garantit que les systèmes de caisse automatisés traitent les flux vidéo avec une latence extrêmement faible et reconnaissent les produits sans être ralentis par des boucles de post-traitement.
• Drones et analyse aérienne : la perte d’angle spécialisée pour OBB et l’intégration de ProgLoss + STAL rendent YOLO26 inégalé pour détecter les objets pivotés et les minuscules détails dans de vastes images satellites.
• Systèmes de sécurité en périphérie : grâce à une inférence sur CPU 43 % plus rapide, YOLO26 permet aux entreprises de déployer des systèmes d’analyse de sécurité performants directement sur du matériel local peu coûteux, sans nécessiter de coûteuses ressources 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 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 situations difficiles, comme l’imagerie aérienne par drone ou l’analyse de capteurs IoT, où ProgLoss et STAL améliorent considérablement la précision pour 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 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 norme en matière de facilité d’utilisation et de flexibilité dans des milliers de déploiements en conditions réelles.

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