Analyse comparative des options de déploiement de YOLO26#

YOLO26 prend en charge plus de 20 options de déploiement, chacune optimisée pour un runtime, une cible matérielle ou une plateforme différente — de PyTorch et ONNX à TensorRT, OpenVINO, CoreML et aux formats dédiés aux NPU edge. Le choix de la bonne option nécessite de trouver un équilibre entre la vitesse d'inférence, les contraintes matérielles et la facilité d'intégration. Ce guide compare chaque option afin que tu puisses choisir celle qui convient le mieux à ton application, puis consulter les bonnes pratiques de déploiement des modèles pour la déployer de manière 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 l'exportes a donc un impact direct sur la vitesse, le coût et la portabilité.

Comment sélectionner la bonne option de déploiement pour ton modèle YOLO26#

Lorsque vient le moment de déployer ton modèle YOLO26, il est très important de sélectionner un format d'exportation adapté. Comme indiqué dans la documentation d'exportation d'Ultralytics YOLO26, la fonction model.export() convertit ton modèle entraîné dans différents formats adaptés à des environnements et des exigences de performances variés.

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

Ignore l'exportation manuelle

Pour un déploiement géré sans exportation manuelle, Ultralytics Platform fournit des points de terminaison d'inférence prêts à l'emploi, avec mise à l'échelle automatique dans 42 régions du monde.

Les options de déploiement de YOLO26#

Voici une brève description de chaque format et des situations dans lesquelles l'utiliser. Pour découvrir la procédure complète d'exportation, consulte la documentation d'exportation ; pour comparer les critères côte à côte, consulte le tableau comparatif.

• PyTorch (.pt) : le format natif pour l'entraînement et l'inférence, offrant une flexibilité maximale et une accélération GPU via NVIDIA CUDA ou AMD ROCm — idéal pour la recherche et le prototypage, sans étape d'exportation requise.
• TorchScript (torchscript) : sérialise le modèle pour un runtime C++ sans Python, adapté aux systèmes de production où Python n'est pas disponible.
• ONNX (onnx) : un format d'échange indépendant des frameworks, offrant une large prise en charge multiplateforme et matérielle via ONNX Runtime.
• OpenVINO (openvino) : la boîte à outils d'Intel pour l'inférence optimisée sur les CPU Intel, les GPU intégrés et les NPU, courante dans l'IoT et l'informatique edge.
• TensorRT (engine) : le runtime haute performance de NVIDIA, offrant une inférence GPU de premier ordre avec une optimisation FP16 et INT8.
• CoreML (coreml) : le format Apple exécuté sur l'appareil pour iOS, macOS, watchOS et tvOS, utilisant l'Apple Neural Engine.
• TF SavedModel (saved_model) : le format standard de TensorFlow pour le serving côté serveur à grande échelle 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 les modèles .tflite pour les accélérateurs Google Coral Edge TPU.
• LiteRT (litert) : le runtime Google exécuté sur l'appareil (anciennement TensorFlow Lite) pour l'inférence mobile, embarquée et dans le navigateur à partir d'un unique modèle .tflite, avec prise en charge de FP32 et INT8 et exécution dans le navigateur via LiteRT.js.
• PaddlePaddle (paddle) : le framework de deep learning de Baidu, très utilisé en Chine, offrant une large prise en charge matérielle.
• MNN (mnn) : un moteur d'inférence léger et haute performance, optimisé pour les systèmes ARM et x86-64 mobiles et embarqués.
• NCNN (ncnn) : un framework d'inférence haute performance et léger, optimisé pour les appareils mobiles ARM.
• Sony IMX500 (imx) : exporte les modèles vers le capteur de vision intelligent IMX500 de Sony, avec traitement sur puce, comme celui de la Raspberry Pi AI Camera.
• Rockchip RKNN (rknn) : cible les NPU Rockchip sur les cartes embarquées avec quantification FP16 et INT8.
• ExecuTorch (executorch) : le runtime natif de PyTorch exécuté sur l'appareil pour les environnements mobiles (iOS et Android) et embarqués via XNNPACK.
• Axelera AI (axelera) : compile pour l'AIPU Metis d'Axelera (jusqu'à 856 TOPS) via PCIe ou M.2, pour l'inférence edge à haut débit.
• DEEPX (deepx) : cible le matériel NPU DEEPX avec quantification INT8 pour l'inférence edge embarquée.
• Qualcomm QNN (qnn) : inférence sur l'appareil avec le NPU Hexagon, le GPU Adreno et le CPU Snapdragon via la pile Qualcomm AI.
• Core AI (coreai) : Le nouveau format .aimodel d'Apple pour iOS 27 et macOS 27, pris en charge sur le CPU, le GPU et le Apple Neural Engine ; l'exportation nécessite macOS 26 ou une version ultérieure sur Apple silicon.

L'intégration Hailo exporte directement les modèles YOLO de détection, de segmentation, de segmentation sémantique, d'estimation de profondeur, de classification, de pose et d'OBB vers Hailo HEF ; consulte son tableau de compatibilité pour connaître les modèles et cibles validés. L'intégration Ambarella suit un flux de travail axé sur ONNX et compile les exportations ONNX au format AmbaPB avec la chaîne d'outils CVflow d'Ambarella pour les SoC CVflow® tels que le CV72, en utilisant éventuellement l'entraînement tenant compte de la compression SpongeTorch. L'intégration Huawei Ascend compile les exportations ONNX au format hors ligne .om avec le compilateur CANN ATC pour l'inférence FP16 sur les processeurs Ascend AI.

Comparaison des options de déploiement#

Le tableau suivant récapitule les options de déploiement pour les modèles YOLO26 selon les critères qui déterminent généralement le choix. Pour une analyse approfondie de chaque format, consulte la documentation des formats d'exportation.

Cette comparaison te donne une vue d’ensemble. Pour le déploiement, évalue les exigences et contraintes spécifiques de ton projet au regard de chaque option, puis consulte le guide d’intégration associé au format que tu as choisi.

Conclusion#

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

FAQ#