Ultralytics YOLO26#

Présentation#

Ultralytics YOLO26 est une famille unifiée de modèles de vision en temps réel présentée dans l'article Ultralytics YOLO26. Elle introduit l'inférence native de bout en bout, une tête de détection plus légère, une recette d'entraînement mise à jour et des têtes dédiées aux tâches de détection, de segmentation, d'estimation de pose, de classification et de détection orientée.

Sur ses cinq échelles de détection, YOLO26 atteint 40,9-57,5 mAP sur COCO avec une latence TensorRT de 1,7-11,8 ms sur T4. L'article indique également une inférence CPU ONNX jusqu'à 43 % plus rapide avec YOLO26n qu'avec YOLO11n sur un Intel Xeon CPU @ 2.00 GHz.

Consulte l'aperçu de YOLO27, qui n'est pas encore sorti pour découvrir l'architecture prévue, les tâches et les premiers benchmarks.

from ultralytics import YOLO

model = YOLO("yolo26n.pt")  # charger un modèle YOLO26n préentraîné
results = model("path/to/bus.jpg")  # lancer l’inférence

La famille de modèles YOLO26 repose sur quatre axes de conception :

• Inférence native de bout en bout : la tête de détection one-to-one facultative produit des prédictions sans suppression non maximale (NMS), ce qui simplifie le déploiement et réduit le post-traitement.
• Régression des boîtes plus légère : YOLO26 supprime la perte focale de distribution (DFL), ce qui réduit la complexité de la tête de détection tout en préservant une plage de régression non contrainte.
• Mises à jour de la recette d'entraînement : le pipeline d'entraînement combine MuSGD (un optimiseur hybride Muon + SGD), Progressive Loss et STAL (attribution d'étiquettes adaptée aux petites cibles) pour améliorer l'optimisation, orienter la supervision vers la tête utilisée à l'inférence et maintenir une couverture positive des étiquettes pour les petits objets. Les hyperparamètres complets des points de contrôle publiés sont décrits dans le guide de la recette d'entraînement YOLO26.
• Têtes et fonctions de perte dédiées aux tâches : YOLO26 ajoute des conceptions ciblées pour la segmentation d'instances, les variantes de segmentation sémantique, l'estimation de pose et la détection orientée, tout en conservant un pipeline de modèle unique pour toutes les tâches.

Ensemble, ces mises à jour améliorent le compromis précision-latence pour les différentes tailles de modèles et cibles de déploiement.

Fonctionnalités clés#

• Régression sans DFL YOLO26 supprime la perte focale de distribution (DFL), réduisant la complexité de la tête de détection et simplifiant l'exportation.

• Inférence de bout en bout sans NMS YOLO26 prend en charge l'inférence native de bout en bout avec nms=False, et produit des prédictions sans étape NMS distincte. Le chemin par défaut one-to-many utilise NMS pour améliorer la précision.

• Progressive Loss + STAL Progressive Loss oriente davantage l'entraînement vers la tête utilisée à l'inférence, tandis que STAL améliore la couverture positive des étiquettes pour les petits objets.

• Optimiseur MuSGD Un optimiseur hybride qui combine SGD et Muon, en adaptant à la vision par ordinateur des idées d'optimisation issues de l'entraînement de grands modèles de langage.

• Déploiement efficace La tête simplifiée et le chemin facultatif sans NMS réduisent la surcharge liée à l'inférence sur les différentes cibles d'exportation et configurations matérielles, notamment l'accélération CPU ONNX signalée dans l'article pour YOLO26n par rapport à YOLO11n.

• Améliorations de la segmentation d'instances Ajoute une fonction de perte de segmentation sémantique pour améliorer la convergence du modèle et un module proto amélioré qui exploite les informations multi-échelles afin d'obtenir des masques de meilleure qualité. L'article fait état de gains par rapport à YOLO11 allant jusqu'à +2,5 AP pour les boîtes et +3,7 AP pour les masques en segmentation d'instances sur COCO.

• Estimation précise de la pose Intègre l'estimation du log-vraisemblance résiduel (RLE) pour localiser les points clés avec plus de précision et optimise le décodage afin d'accélérer l'inférence. L'article rapporte un gain allant jusqu'à +7,2 AP par rapport à YOLO11 pour l'estimation de pose sur COCO.

• Décodage OBB amélioré Introduit une fonction de perte angulaire spécialisée pour améliorer la précision de détection des objets carrés et optimise le décodage OBB afin de résoudre les problèmes de discontinuité aux limites. L'article rapporte un gain allant jusqu'à +3,4 mAP par rapport à YOLO11 pour la détection orientée sur DOTA-v1.0.

Tâches et modes pris en charge#

YOLO26 prend en charge l'ensemble standard des tâches Ultralytics sur cinq échelles de modèles :

Ce framework unifié couvre la détection en temps réel, la segmentation d'instances, la segmentation sémantique, l'estimation de profondeur monoculaire, la classification, l'estimation de pose et la détection d'objets orientés, avec prise en charge de l'entraînement, de la validation, de l'inférence et de l'exportation.

Indicateurs de performance#

Les valeurs de Params et FLOPs correspondent au modèle fusionné après la fusion Conv/BatchNorm et la suppression de la branche de détection inutilisée. Les mesures de vitesse sélectionnent la tête sans NMS avec nms=False. Les points de contrôle préentraînés conservent l'architecture d'entraînement complète et peuvent afficher des nombres plus élevés.

Exemples d'utilisation#

Cette section présente des exemples simples d'entraînement et d'inférence avec YOLO26. Pour consulter la documentation complète sur ces modes et d'autres, consulte les pages de documentation Predict, Train, Val et Export.

Note que l'exemple ci-dessous concerne les modèles YOLO26 Detect pour la détection d'objets. Pour découvrir les autres tâches prises en charge, consulte la documentation Segment, segmentation sémantique, profondeur, classification, pose et OBB.

from ultralytics import YOLO

# Charger un modèle YOLO26n préentraîné sur COCO
model = YOLO("yolo26n.pt")

# Lancer l'inférence avec le modèle YOLO26n sur l'image 'bus.jpg'
results = model("path/to/bus.jpg")

# Entraîner le modèle sur le jeu de données d'exemple COCO8 pendant 100 époques
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

from ultralytics import YOLO

model = YOLO("yolo26n.pt")

# Utiliser la tête one-to-many (par défaut, Ultralytics applique NMS)
results = model.predict("image.jpg")  # inference
metrics = model.val(data="coco.yaml")  # validation
model.export(format="onnx")  # export

# Activer la tête one-to-one sans NMS
results = model.predict("image.jpg", nms=False)  # inference
metrics = model.val(data="coco.yaml", nms=False)  # validation
model.export(format="onnx", nms=False)  # export

YOLOE-26 : détection et segmentation à vocabulaire ouvert#

YOLO26 alimente également YOLOE-26, une variante à vocabulaire ouvert qui détecte et segmente des catégories d'objets à partir de prompts textuels, de prompts visuels ou d'un mode sans prompt, plutôt qu'à partir d'une liste de classes fixe apprise pendant l'entraînement. YOLOE-26 conserve la tête optionnelle de bout en bout (e2e) sans NMS de YOLO26, ce qui permet une inférence à vocabulaire ouvert suffisamment rapide pour les environnements dynamiques où les catégories cibles évoluent. YOLOE-26x atteint 40.6 AP sur LVIS minival avec des prompts textuels, 38.5 AP avec des prompts visuels et 31.1 AP sans prompt — les résultats Non-E2E de l'article, que sa tête de bout en bout devance de 1.1, 2.3 et 1.2 AP.

Consulte la documentation YOLOE pour les tableaux de performances par échelle, les variantes sans prompt et des exemples d'utilisation complets.

Citations et remerciements#

Pour une description technique complète de l'architecture YOLO26, de la recette d'entraînement, des têtes de tâche et de l'extension YOLOE-26 à vocabulaire ouvert, lis Ultralytics YOLO26: Unified Real-Time End-to-End Vision Models. Si tu utilises YOLO26 dans tes travaux de recherche, cite :

@misc{jocher2026ultralyticsyolo26unifiedrealtime,
  title = {Ultralytics YOLO26: Unified Real-Time End-to-End Vision Models},
  author = {Glenn Jocher and Jing Qiu and Mengyu Liu and Shuai Lyu and Fatih Cagatay Akyon and Muhammet Esat Kalfaoglu},
  year = {2026},
  eprint = {2606.03748},
  archivePrefix = {arXiv},
  primaryClass = {cs.CV},
  doi = {10.48550/arXiv.2606.03748},
  url = {https://arxiv.org/abs/2606.03748},
}

Le code, les modèles et la documentation YOLO26 sont disponibles dans le dépôt GitHub d'Ultralytics et la documentation Ultralytics, sous les licences AGPL-3.0 et Enterprise.

FAQ#