Ultralytics YOLO26

Aperçu

Ultralytics YOLO26 est la dernière évolution de la série YOLO de détecteurs d'objets en temps réel, conçue dès le départ pour les appareils périphériques et à faible consommation. Il présente une conception rationalisée qui élimine la complexité inutile tout en intégrant des innovations ciblées pour un déploiement plus rapide, plus léger et plus accessible.

L'architecture de YOLO26 est guidée par trois principes fondamentaux :

• Simplicité : YOLO26 est un modèle natif de bout en bout, qui produit des prédictions directement sans avoir recours à la suppression des valeurs non maximales (NMS). En éliminant cette étape de post-traitement, l'inférence devient plus rapide, plus légère et plus facile à déployer dans des systèmes réels. Cette approche révolutionnaire a été inaugurée dans YOLOv10 par Ao Wang de l'université de Tsinghua et a été perfectionnée dans YOLO26.
• Efficacité du déploiement : La conception de bout en bout supprime une étape entière du pipeline, ce qui simplifie considérablement l'intégration, réduit le temps de latence et rend le déploiement plus robuste dans divers environnements.
• Innovation en matière de formation : YOLO26 introduit l'optimiseur MuSGD, un hybride de SGD et Muon - inspiré par les percées Kimi K2 de Moonshot AI dans la formation LLM. Cet optimiseur apporte une stabilité accrue et une convergence plus rapide, transférant les progrès de l'optimisation des modèles de langage à la vision par ordinateur.

Ensemble, ces innovations permettent d'obtenir une famille de modèles qui atteint une plus grande précision sur les petits objets, offre un déploiement transparent et fonctionne jusqu'à 43 % plus rapidement sur les unités centrales - faisant de YOLO26 l'un des modèles YOLO les plus pratiques et les plus faciles à déployer à ce jour dans les environnements à ressources limitées.

Principales caractéristiques

• Suppression du module DFL
  Le module Distribution Focal Loss (DFL), bien qu'efficace, compliquait souvent l'exportation et limitait la compatibilité matérielle. YOLO26 supprime entièrement le module DFL, ce qui simplifie l'inférence et élargit la prise en charge des périphériques et des appareils à faible consommation d'énergie.

• Inférence de bout en bout sans NMS
  Contrairement aux détecteurs traditionnels qui s'appuient sur le NMS en tant qu'étape de post-traitement séparée, YOLO26 est nativement de bout en bout. Les prédictions sont générées directement, ce qui réduit la latence et rend l'intégration dans les systèmes de production plus rapide, plus légère et plus fiable.

• ProgLoss + STAL
  Les fonctions de perte améliorées augmentent la précision de la détection, avec des améliorations notables dans la reconnaissance des petits objets, une exigence critique pour l'IoT, la robotique, l'imagerie aérienne et d'autres applications de pointe.

• Optimiseur MuSGD
  Un nouvel optimiseur hybride qui combine SGD et Muon. Inspiré par Kimi K2 de Moonshot AI, MuSGD introduit des méthodes d'optimisation avancées de l'entraînement LLM dans la vision par ordinateur, permettant un entraînement plus stable et une convergence plus rapide.

• Jusqu'à 43 % d'inférence CPU plus rapide
  Spécifiquement optimisé pour l'informatique de pointe, YOLO26 offre une inférence CPU nettement plus rapide, garantissant des performances en temps réel sur les appareils dépourvus de GPU.

Tâches et modes pris en charge

YOLO26 est conçu comme une famille de modèles multitâches, étendant la polyvalence de YOLO à divers défis de vision par ordinateur :

Ce cadre unifié permet à YOLO26 de s'appliquer à la détection en temps réel, à la segmentation, à la classification, à l'estimation de la pose et à la détection d'objets orientés, le tout avec un support d'entraînement, de validation, d'inférence et d'exportation.

Mesures de performance

Citations et remerciements

Si vous utilisez YOLO26 ou un autre logiciel Ultralytics dans votre travail, veuillez le citer comme suit :

@software{yolo26_ultralytics,
  author = {Glenn Jocher and Jing Qiu},
  title = {Ultralytics YOLO26},
  version = {26.0.0},
  year = {2025},
  url = {https://github.com/ultralytics/ultralytics},
  orcid = {0000-0001-5950-6979, 0000-0003-3783-7069},
  license = {AGPL-3.0}
}

DOI en attente. YOLO26 est disponible sous AGPL-3.0 et Enterprise.

FAQ

Quelles sont les principales améliorations de YOLO26 par rapport à YOLO11?

• Suppression du DFL: Simplifie l'exportation et élargit la compatibilité des bords
• Inférence sans NMS de bout en bout: Élimination du NMS pour un déploiement plus rapide et plus simple
• ProgLoss + STAL: Augmente la précision, en particulier sur les petits objets
• MuSGD Optimizer: Combine SGD et Muon (inspiré par le Kimi K2 de Moonshot) pour une formation plus stable et plus efficace.
• Jusqu'à 43% d'inférence CPU plus rapide: Gains de performance importants pour les appareils à CPU

Quelles sont les tâches prises en charge par YOLO26 ?

YOLO26 est conçu comme une famille de modèles unifiés, offrant un support de bout en bout pour de multiples tâches de vision par ordinateur :

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

Chaque variante de taille (n, s, m, l, x) est prévue pour prendre en charge toutes les tâches au moment de la libération.

Pourquoi YOLO26 est-il optimisé pour le déploiement en périphérie ?

YOLO26 offre des performances de pointe avec :

• Jusqu'à 43 % d'accélération de l'inférence CPU
• Réduction de la taille du modèle et de l'empreinte mémoire
• Architecture simplifiée pour la compatibilité (pas de DFL, pas de NMS)
• Formats d'exportation flexibles, notamment TensorRT, ONNX, CoreML, TFLite et OpenVINO

Quand les modèles YOLO26 seront-ils disponibles ?

Les modèles YOLO26 sont encore en cours de formation et ne sont pas encore ouverts à tous. Des aperçus des performances sont présentés ici, et des téléchargements et des versions officielles sont prévus dans un avenir proche. Voir YOLO Vision 2025 pour les discussions sur YOLO26.

📅 Créé il y a 0 jour ✏️ Mis à jour il y a 0 jour

Commentaires