Link to this sectionUltralytics YOLO26#

Link to this sectionPrésentation#

Ultralytics YOLO26 est une famille unifiée de modèles de vision en temps réel décrite dans le document Ultralytics YOLO26. Il introduit une inférence native de bout en bout, une tête de détection plus légère, une méthode d'entraînement mise à jour et des têtes spécifiques aux tâches pour la détection, la segmentation, l'estimation de pose, la classification et la détection orientée.

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

La famille de modèles YOLO26 est construite autour de quatre domaines de conception :

• Inférence native de bout en bout : La tête de détection par défaut un-pour-un génère des prédictions sans suppression non maximale (NMS), simplifiant le déploiement et réduisant le post-traitement.
• Régression de boîte plus légère : YOLO26 supprime la Distribution Focal Loss (DFL), réduisant la complexité de la tête de détection tout en préservant une plage de régression non contrainte.
• Mises à jour de la méthode d'entraînement : Le pipeline d'entraînement combine MuSGD, Progressive Loss et STAL pour améliorer l'optimisation, orienter la supervision vers la tête utilisée lors de l'inférence et maintenir une couverture d'étiquettes positives pour les petits objets.
• Têtes et pertes spécifiques aux tâches : YOLO26 ajoute des conceptions ciblées pour la segmentation d'instance, 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 à travers les échelles de modèles et les cibles de déploiement.

Link to this sectionFonctionnalités clés#

• Régression sans DFL YOLO26 supprime la Distribution Focal Loss (DFL), réduisant la complexité de la tête de détection et simplifiant l'exportation.

• Inférence de bout en bout sans NMS Contrairement aux détecteurs traditionnels qui dépendent du NMS comme étape de post-traitement distincte, YOLO26 est nativement de bout en bout par défaut. Les prédictions sont générées directement, réduisant la latence et simplifiant l'intégration en production.

• Progressive Loss + STAL Progressive Loss déplace l'accent de l'entraînement vers la tête d'inférence, tandis que STAL améliore la couverture des étiquettes positives pour les petits objets.

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

• Déploiement efficace La tête simplifiée et le chemin par défaut sans NMS réduisent la surcharge d'inférence sur les cibles d'exportation et les profils matériels, incluant l'accélération CPU ONNX rapportée pour YOLO26n par rapport à YOLO11n.

• Améliorations de la segmentation d'instance Introduit une perte de segmentation sémantique pour améliorer la convergence du modèle et un module proto mis à niveau qui exploite des informations multi-échelles pour une qualité de masque supérieure. Le document rapporte des gains par rapport à YOLO11 allant jusqu'à +2,5 AP de boîte et +3,7 AP de masque sur la segmentation d'instance COCO.

• Estimation de pose de précision Intègre l'estimation de log-vraisemblance résiduelle (RLE) pour une localisation plus précise des points clés et optimise le processus de décodage pour une vitesse d'inférence accrue. Le document rapporte jusqu'à +7,2 AP par rapport à YOLO11 sur l'estimation de pose COCO.

• Décodage OBB raffiné Introduit une perte d'angle spécialisée pour améliorer la précision de détection des objets de forme carrée et optimise le décodage OBB pour résoudre les problèmes de discontinuité aux limites. Le document rapporte jusqu'à +3,4 mAP par rapport à YOLO11 sur la détection orientée DOTA-v1.0.

Link to this sectionTâches et modes pris en charge#

YOLO26 prend en charge l'ensemble de tâches standard d'Ultralytics sur cinq échelles de modèle :

Ce framework unifié couvre la détection en temps réel, la segmentation d'instance, la segmentation sémantique, 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.

Link to this sectionMétriques de performance#

Les valeurs de paramètres et de FLOPs concernent le modèle fusionné après model.fuse(), qui combine les couches Conv et BatchNorm et supprime la tête de détection auxiliaire one-to-many. Les checkpoints pré-entraînés conservent l'architecture d'entraînement complète et peuvent afficher des nombres plus élevés.

Link to this sectionExemples d'utilisation#

Cette section fournit des exemples simples d'entraînement et d'inférence avec YOLO26. Pour une 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 des tâches supplémentaires prises en charge, consulte la documentation Segment, Semantic Segmentation, Classify, OBB et Pose.

from ultralytics import YOLO

# Load a COCO-pretrained YOLO26n model
model = YOLO("yolo26n.pt")

# Train the model on the COCO8 example dataset for 100 epochs
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Run inference with the YOLO26n model on the 'bus.jpg' image
results = model("path/to/bus.jpg")

from ultralytics import YOLO

model = YOLO("yolo26n.pt")

# Use one-to-one head (default, no NMS required)
results = model.predict("image.jpg")  # inference
metrics = model.val(data="coco.yaml")  # validation
model.export(format="onnx")  # export

# Use one-to-many head (requires NMS)
results = model.predict("image.jpg", end2end=False)  # inference
metrics = model.val(data="coco.yaml", end2end=False)  # validation
model.export(format="onnx", end2end=False)  # export

Link to this sectionYOLOE-26 : Détection et segmentation à vocabulaire ouvert#

YOLOE-26 étend YOLO26 avec les capacités de vocabulaire ouvert de la série YOLOE. Cela permet la détection et la segmentation en temps réel de catégories d'objets en ensemble ouvert en utilisant des prompts textuels, des prompts visuels ou un mode sans prompt.

En tirant parti de la conception NMS-free et end-to-end de YOLO26, YOLOE-26 maintient une inférence à vocabulaire ouvert suffisamment rapide pour les environnements dynamiques où les catégories cibles peuvent changer au fil du temps. YOLOE-26x atteint 40,6 AP sur LVIS minival avec un prompt textuel, 38,5 AP avec un prompt visuel, et 31,1 AP dans le réglage sans prompt Non-E2E.

Link to this sectionExemple d'utilisation#

YOLOE-26 prend en charge les prompts textuels et visuels. Utiliser des prompts est simple : il suffit de les transmettre via la méthode predict comme illustré ci-dessous :

from ultralytics import YOLO

# Initialize model
model = YOLO("yoloe-26l-seg.pt")  # or select yoloe-26s/m-seg.pt for different sizes

# Set text prompt to detect person and bus. You only need to do this once after you load the model.
model.set_classes(["person", "bus"])

# Run detection on the given image
results = model.predict("path/to/image.jpg")

# Show results
results[0].show()

Pour découvrir les techniques de prompting et des exemples d'utilisation complets, visite la documentation YOLOE.

Link to this sectionCitations et remerciements#

Pour une description technique complète de l'architecture YOLO26, de la recette d'entraînement, des têtes de tâches et de l'extension open-vocabulary YOLOE-26, lis Ultralytics YOLO26: Unified Real-Time End-to-End Vision Models. Si tu utilises YOLO26 dans tes recherches, merci de citer :

@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 de YOLO26 sont disponibles dans le dépôt GitHub d'Ultralytics et sur Ultralytics Docs sous licences AGPL-3.0 et Enterprise.

Link to this sectionFAQ#

Link to this sectionQuelles sont les principales améliorations de YOLO26 ?#

• Régression sans DFL : Simplifie la tête de détection et le chemin d'exportation
• Inférence end-to-end sans NMS : Supprime la NMS du chemin d'inférence par défaut
• Perte progressive + STAL : Améliore l'alignement de l'entraînement et la couverture des étiquettes pour les petits objets
• Optimiseur MuSGD : Combine SGD avec une optimisation inspirée de Muon pour un entraînement stable
• Têtes et pertes spécifiques aux tâches : Améliore la segmentation, la pose et la prise en charge de la détection orientée

Link to this sectionQuelles tâches YOLO26 prend-il en charge ?#

YOLO26 est une famille de modèles unifiée, offrant une prise en charge end-to-end pour plusieurs tâches de vision par ordinateur :

• Détection d'objets
• Segmentation d'instance
• Segmentation sémantique
• Classification d'images
• Estimation de pose
• Détection d'objets orientés (OBB)

Chaque variante de taille (n, s, m, l, x) prend en charge toutes les tâches, ainsi que des versions à vocabulaire ouvert via YOLOE-26.

Link to this sectionPourquoi YOLO26 est-il efficace pour le déploiement ?#

YOLO26 améliore l'efficacité du déploiement grâce à :

• Inférence native de bout en bout sans NMS par défaut
• Régression sans DFL et une tête de détection plus légère
• Exportation de modèle fusionné qui supprime les composants auxiliaires réservés à l'entraînement
• Jusqu'à 43 % plus rapide pour l'inférence CPU ONNX avec YOLO26n par rapport à YOLO11n sur un CPU Intel Xeon @ 2.00 GHz
• Formats d'exportation flexibles incluant TensorRT, ONNX, CoreML, TFLite et OpenVINO

Link to this sectionComment démarrer avec YOLO26 ?#

Les modèles YOLO26 sont disponibles en téléchargement via le package ultralytics. Installe ou mets à jour le package et charge un modèle :

from ultralytics import YOLO

# Load a pretrained YOLO26 nano model
model = YOLO("yolo26n.pt")

# Run inference on an image
results = model("image.jpg")

Consulte la section Usage Examples pour les instructions d'entraînement, de validation et d'exportation.