Link to this sectionAnalyse comparative des options de déploiement de YOLO26#

YOLO26 prend en charge plus de 20 options de déploiement, chacune optimisée pour un environnement d'exécution, une cible matérielle ou une plateforme différente — de PyTorch et ONNX à TensorRT, OpenVINO, CoreML et des formats dédiés aux NPU en périphérie. Choisir la bonne option permet d'équilibrer la vitesse d'inférence, les contraintes matérielles et la facilité d'intégration. Ce guide compare chaque option pour t'aider à choisir celle qui convient le mieux à ton application, puis à consulter les meilleures pratiques de déploiement de modèles pour un déploiement fiable.

Le déploiement est l'étape du flux de travail d'un projet de vision par ordinateur où un modèle entraîné commence à effectuer un travail réel ; le format vers lequel tu exportes a donc un impact direct sur la vitesse, le coût et la portabilité.

Link to this sectionComment choisir la bonne option de déploiement pour ton modèle YOLO26#

Lorsqu'il est temps de déployer ton modèle YOLO26, le choix d'un format d'exportation adapté est très important. Comme indiqué dans la documentation d'exportation YOLO26 d'Ultralytics, la fonction model.export() convertit ton modèle entraîné en une variété de formats adaptés à divers environnements et exigences de performance.

Le format idéal dépend du contexte opérationnel et du matériel prévus pour ton modèle.

Link to this sectionOptions de déploiement de YOLO26#

Voici une courte description de chaque format et quand l'utiliser. Pour la procédure complète d'exportation, consulte la documentation d'exportation ; pour les critères comparatifs, passe directement au tableau de comparaison.

• PyTorch (.pt) : Le format natif d'entraînement et d'inférence, offrant une flexibilité maximale et une accélération GPU CUDA — idéal pour la recherche et le prototypage sans étape d'exportation requise.
• TorchScript (torchscript) : Sérialise le modèle pour un environnement d'exécution C++ sans Python, adapté aux systèmes de production où Python n'est pas disponible.
• ONNX (onnx) : Un format d'échange agnostique aux frameworks avec un large support multiplateforme et matériel via ONNX Runtime.
• OpenVINO (openvino) : La boîte à outils d'Intel pour une inférence optimisée sur les CPU, GPU intégrés et NPU Intel, courante dans l'IoT et l'informatique en périphérie.
• TensorRT (engine) : L'environnement d'exécution haute performance de NVIDIA offrant une inférence GPU de premier ordre avec une optimisation FP16 et INT8.
• CoreML (coreml) : Le format sur appareil d'Apple pour iOS, macOS, watchOS et tvOS, utilisant l'Apple Neural Engine.
• TF SavedModel (saved_model) : Le format standard de TensorFlow pour un service évolutif côté serveur avec TensorFlow Serving.
• TF GraphDef (pb) : Un format TensorFlow à graphe statique figé pour les environnements nécessitant un graphe de calcul fixe.
• TF Edge TPU (edgetpu) : Compile tes modèles .tflite pour les accélérateurs Google Coral Edge TPU.
• LiteRT (litert) : L'environnement d'exécution sur appareil de Google (anciennement TensorFlow Lite) pour l'inférence sur mobile, embarqué et navigateur à partir d'un seul modèle .tflite, avec prise en charge FP32 et INT8 et exécution dans le navigateur via LiteRT.js.
• PaddlePaddle (paddle) : Le framework de deep learning de Baidu, populaire en Chine, avec un large support matériel.
• MNN (mnn) : Un moteur d'inférence léger et haute performance optimisé pour les systèmes mobiles et embarqués ARM et x86-64.
• NCNN (ncnn) : Un framework d'inférence léger et haute performance optimisé pour les appareils mobiles ARM.
• Sony IMX500 (imx) : Exportations pour le capteur de vision intelligent IMX500 de Sony avec traitement sur puce, tel que la Raspberry Pi AI Camera.
• Rockchip RKNN (rknn) : Cible les NPU Rockchip sur des cartes embarquées avec quantification FP16 et INT8.
• ExecuTorch (executorch) : L'environnement d'exécution sur appareil natif de PyTorch pour mobile (iOS et Android) et les systèmes embarqués via XNNPACK.
• Axelera AI (axelera) : Compile pour l'AIPU Metis d'Axelera (jusqu'à 856 TOPS) via PCIe ou M.2 pour une inférence en périphérie à haut débit.
• DEEPX (deepx) : Cible le matériel NPU DEEPX avec quantification INT8 pour l'inférence en périphérie embarquée.
• Qualcomm QNN (qnn) : Inférence sur appareil sur Snapdragon Hexagon NPU, Adreno GPU et CPU via la pile Qualcomm AI.

L'intégration Hailo exporte les modèles de détection, segmentation, pose, OBB et classification YOLO directement vers le format HEF de Hailo ; consulte son tableau de compatibilité pour les modèles et cibles validés. L'intégration Ambarella suit un flux de travail basé d'abord sur ONNX et compile les exportations ONNX vers le format AmbaPB avec la chaîne d'outils CVflow d'Ambarella pour les SoC CVflow® tels que le CV72, en utilisant éventuellement l'entraînement prenant en compte la compression SpongeTorch.

Link to this sectionComparaison des options de déploiement#

Le tableau suivant résume les options de déploiement pour les modèles YOLO26 selon les critères qui guident généralement le choix. Pour un examen approfondi de chaque format, consulte la documentation des formats d'exportation.

Cette comparaison te donne une vue d'ensemble. Pour le déploiement, pèse les exigences et contraintes spécifiques de ton projet face à chaque option, et consulte le guide d'intégration lié pour le format que tu choisis.

Link to this sectionConclusion#

La large gamme de formats d'exportation de YOLO26 te permet d'adapter un modèle à presque tous les environnements, d'un serveur GPU cloud à une caméra en périphérie sur capteur. Une fois que tu as choisi un format, suis les meilleures pratiques de déploiement de modèles pour l'optimisation, le dépannage et la sécurité, et appuie-toi sur la communauté Ultralytics si tu rencontres un problème.

Link to this sectionFAQ#

Link to this sectionQuelles sont les options de déploiement disponibles pour YOLO26 sur différentes plateformes matérielles ?#

Ultralytics YOLO26 prend en charge divers formats de déploiement, chacun étant conçu pour des environnements et des plateformes matérielles spécifiques. Les principaux formats incluent :

• PyTorch pour la recherche et le prototypage, avec une excellente intégration Python.
• TorchScript pour les environnements de production où Python n'est pas disponible.
• ONNX pour la compatibilité multiplateforme et l'accélération matérielle.
• OpenVINO pour des performances optimisées sur le matériel Intel.
• TensorRT pour une inférence à haute vitesse sur les GPU NVIDIA.

Chaque format a des avantages uniques. Pour une présentation détaillée, consulte notre documentation sur le processus d'exportation.

Link to this sectionComment améliorer la vitesse d'inférence de mon modèle YOLO26 sur un CPU Intel ?#

Pour améliorer la vitesse d'inférence sur les CPU Intel, tu peux déployer ton modèle YOLO26 en utilisant la boîte à outils OpenVINO d'Intel. OpenVINO offre des gains de performance significatifs en optimisant les modèles pour tirer efficacement parti du matériel Intel.

1. Convertis ton modèle YOLO26 au format OpenVINO en utilisant la fonction model.export().
2. Suis le guide de configuration détaillé dans la documentation d'exportation Intel OpenVINO.

Pour plus d'informations, jette un œil à notre article de blog.

Link to this sectionPuis-je déployer des modèles YOLO26 sur des appareils mobiles ?#

Oui, les modèles YOLO26 peuvent être déployés sur des appareils mobiles en utilisant LiteRT (anciennement TensorFlow Lite) et NCNN pour Android, ainsi que CoreML ou LiteRT pour iOS. LiteRT est l'environnement d'exécution sur appareil de Google pour les appareils mobiles et embarqués ; il exécute le même modèle sur Android, iOS et le navigateur, offrant une inférence efficace sur l'appareil.

# Export command for NCNN format
model.export(format="ncnn")

Pour plus de détails sur le déploiement de modèles sur mobile, consulte notre guide d'intégration LiteRT.

Link to this sectionQuels facteurs dois-je prendre en compte lors du choix d'un format de déploiement pour mon modèle YOLO26 ?#

Lors du choix d'un format de déploiement pour YOLO26, prends en compte les facteurs suivants :

• Performance : Certains formats comme TensorRT offrent des vitesses exceptionnelles sur les GPU NVIDIA, tandis qu'OpenVINO est optimisé pour le matériel Intel.
• Compatibilité : ONNX offre une large compatibilité entre différentes plateformes.
• Facilité d'intégration : Des formats comme CoreML ou LiteRT sont conçus spécifiquement pour des écosystèmes comme iOS et Android, respectivement.
• Support de la communauté : Des formats comme PyTorch et TensorFlow disposent de ressources et d'un support communautaire étendus.

Pour une analyse comparative, consulte notre documentation sur les formats d'exportation.

Link to this sectionComment puis-je déployer des modèles YOLO26 dans une application web ?#

Pour déployer des modèles YOLO26 dans une application web, tu peux utiliser LiteRT.js, l'environnement d'exécution web de LiteRT, qui permet d'exécuter des modèles de machine learning directement dans le navigateur et Node.js. Cette approche élimine le besoin d'infrastructure backend et offre des performances en temps réel.

1. Exporte le modèle YOLO26 au format LiteRT.
2. Intègre le modèle exporté dans ton application web en utilisant LiteRT.js.

Pour des instructions étape par étape, consulte notre guide d'intégration LiteRT.