Accélérer Ultralytics YOLO26 avec OpenVINO sur Intel Core Ultra Series 3 (Panther Lake)

Au cours des dernières années, l’IA et la vision par ordinateur sont passées du stade expérimental à celui d’éléments essentiels des opérations quotidiennes des entreprises. En fait, les enquêtes montrent qu’environ 88 % des organisations utilisent déjà l’IA dans au moins un aspect de leur activité.

Cependant, transformer cette adoption en valeur concrète, que ce soit dans des systèmes de production ou des projets personnels, dépend souvent de la capacité des modèles à fonctionner réellement une fois déployés. Dans de nombreux scénarios réels, les modèles de vision par ordinateur comme Ultralytics YOLO26 sont déployés sur des appareils edge et différents types de matériel, souvent des CPU, des GPU intégrés ou des NPU, plutôt que sur des GPU haut de gamme.

C’est là que les performances peuvent commencer à varier et que l’optimisation devient essentielle. Un modèle qui fonctionne bien dans un environnement peut rencontrer des difficultés dans un autre s’il n’est pas correctement optimisé pour le matériel sous-jacent.

Pour simplifier ce processus, le package Python Ultralytics prend en charge l’exportation des modèles YOLO26 vers des formats optimisés comme OpenVINO, afin qu’ils puissent fonctionner efficacement sur le matériel Intel sans nécessiter de modifications de ton workflow.

Par exemple, lorsqu’un modèle Ultralytics YOLO26 est exporté au format OpenVINO, il peut fonctionner plus efficacement sur les processeurs Intel Core Ultra Series 3, avec des vitesses d’inférence sur GPU jusqu’à trois fois supérieures.

Dans cet article, nous allons découvrir comment l’intégration mise à jour entre Ultralytics et OpenVINO facilite le déploiement des modèles YOLO26 sur le matériel Intel Core Ultra Series 3. Commençons !

Présentation de l’intégration Ultralytics x OpenVINO#

Le package Python Ultralytics fournit une interface unique pour entraîner, exécuter l’inférence et déployer des modèles Ultralytics YOLO comme YOLO26. Il prend en charge un éventail d’intégrations qui facilitent différentes étapes du workflow de vision par ordinateur, de l’entraînement et de l’expérimentation au déploiement et à l’optimisation.

L’une des intégrations axées sur le déploiement concerne la boîte à outils OpenVINO, qui te permet d’exporter les modèles Ultralytics YOLO26 vers un format optimisé pour le matériel Intel. Ce processus convertit les modèles YOLO dans un format qui s’exécute plus efficacement sur les CPU, GPU et NPU Intel, notamment sur les systèmes équipés de processeurs Intel® Core™ Ultra™.

Cela simplifie l’exécution des modèles sur différents appareils Intel, sans devoir les ajuster manuellement pour chaque configuration. Que tu travailles sur une machine locale, un appareil edge ou un déploiement de grande envergure, tu peux réutiliser le même modèle exporté.

Ce qui rend cette intégration particulièrement pratique, c’est la fluidité avec laquelle elle s’intègre au workflow Ultralytics existant. Tu peux exporter un modèle avec la même interface que celle utilisée pour l’entraînement et l’inférence, sans outils supplémentaires ni configuration complexe.

Une fois exporté, le modèle peut être utilisé pour l’inférence via le package Python Ultralytics ou le runtime OpenVINO, selon le niveau de contrôle et de flexibilité dont tu as besoin.

Un examen plus approfondi d’OpenVINO et du matériel Intel Panther Lake pour l’inférence IA#

Avant de voir avec quelle efficacité un modèle Ultralytics YOLO26 exporté peut fonctionner sur du matériel Intel, prenons un peu de recul pour comprendre comment OpenVINO et le matériel Intel s’associent afin de permettre une inférence efficace.

OpenVINO est une boîte à outils open source conçue pour optimiser et exécuter l’inférence IA sur le matériel Intel, notamment les CPU, les GPU intégrés et les NPU. Elle fournit un runtime unifié, de sorte qu’un même modèle puisse fonctionner sur ces différentes unités de calcul sans devoir être réécrit.

Fig. 1. OpenVINO facilite le déploiement de modèles sur plusieurs cibles matérielles. (Source)

Sur les nouveaux processeurs Intel® Core™ Ultra™ Series 3 (nom de code Panther Lake), les charges de travail d’IA s’exécutent sur plusieurs unités de calcul au sein d’un même processeur. Chaque puce combine des cœurs CPU pour les tâches générales, un GPU intégré pour le traitement parallèle et un NPU dédié, spécialement conçu pour l’inférence IA.

OpenVINO fournit une API unifiée qui te permet de cibler n’importe laquelle de ces unités de calcul, qu’il s’agisse du CPU, du GPU ou du NPU, sans modifier ton code. Il te suffit de préciser sur quel appareil exécuter l’inférence au moment de l’exécution, ce qui facilite le passage de l’une à l’autre des trois unités selon tes besoins en performances et en efficacité.

Évaluation comparative d’Ultralytics YOLO26 sur les Intel® Core™ Ultra™ Series#

En explorant l’intégration Ultralytics et OpenVINO, tu te demandes peut-être quels gains de performance tu peux attendre en exportant YOLO26 au format OpenVINO.

La différence de vitesse d’inférence devient évidente lorsque l’on évalue les modèles YOLO26 avec différents formats et niveaux de précision. Par exemple, lors de l’exécution de la variante nano de YOLO26 (YOLO26n) sur un Intel Core Ultra X7 358H, un processeur Panther Lake, le temps d’inférence passe de 25,18 ms par image dans PyTorch avec une précision FP32 à 2,64 ms avec OpenVINO à la même précision, sur le NPU intégré.

C’est plus rapide que la référence PyTorch FP32 d’origine, ce qui peut faire une différence notable dans les applications temps réel et edge où la latence est essentielle. Ces gains sont encore plus visibles lorsque le même modèle est exécuté sur le GPU Intel Arc intégré.

Fig. 2. Évaluation comparative de l’inférence d’Ultralytics YOLO26 sur le GPU Intel Panther Lake avec OpenVINO (Source)

Fig. 3. Évaluation comparative de l’inférence d’Ultralytics YOLO26 sur le NPU Intel Panther Lake avec OpenVINO (Source)

Découvrir deux façons d’exporter Ultralytics YOLO26 au format OpenVINO#

Il existe deux façons principales d’exporter les modèles YOLO26 au format OpenVINO. Tu peux utiliser le package Python Ultralytics ou exporter directement via Ultralytics Platform, un espace de travail de bout en bout qui permet de créer et de gérer les workflows de vision par ordinateur au même endroit. Nous allons maintenant parcourir ces deux approches.

Utiliser le package Python Ultralytics pour exporter YOLO26#

Le package Python Ultralytics offre une méthode simple pour exporter les modèles YOLO26 au format OpenVINO dans le cadre d’un workflow basé sur le code. Comme la même interface est utilisée pour l’entraînement et l’inférence, l’exportation d’un modèle s’intègre naturellement aux pipelines existants, sans outils supplémentaires.

Pour commencer, tu peux installer le package Ultralytics. Il suffit d’exécuter la commande “pip install ultralytics” dans un terminal ou une invite de commandes. Si tu travailles dans un environnement interactif comme Jupyter Notebook ou Google Colab, tu peux exécuter la même commande en la faisant précéder d’un point d’exclamation.

Une fois le package installé, tu peux charger un modèle YOLO26 entraîné et l’exporter directement au format OpenVINO. Comme indiqué ci-dessous, un modèle YOLO26n préentraîné (yolo26n.pt) est chargé, puis converti au format OpenVINO à l’aide de la méthode d’exportation.

from ultralytics import YOLO

model = YOLO("yolo26n.pt")

model.export(format="openvino")

Après l’exécution du code, le modèle converti est enregistré dans un nouveau répertoire, où il peut être utilisé pour le déploiement.

Exporter YOLO26 sur Ultralytics Platform#

Si tu recherches une approche plus simple et sans code, tu peux exporter les modèles YOLO26 directement via Ultralytics Platform. La plateforme réunit l’ensemble du workflow de vision par ordinateur dans un espace de travail unique, ce qui facilite le passage de l’entraînement au déploiement sans configuration supplémentaire.

Une fois ton modèle prêt, tu peux l’ouvrir dans la plateforme et accéder à l’onglet Export. Tu peux ensuite sélectionner OpenVINO comme format d’exportation et ajuster éventuellement des paramètres comme la taille des images ou la précision.

Fig. 4. Aperçu de l’exportation de YOLO26 dans Ultralytics Platform

La plateforme gère automatiquement la conversion : tu n’as donc pas besoin de gérer les scripts, les dépendances ou la configuration de l’environnement. Une fois l’exportation terminée, le modèle optimisé peut être téléchargé et utilisé pour le déploiement sur des CPU, GPU et NPU Intel.

Options de déploiement offertes par l’intégration Ultralytics x OpenVINO#

Une fois qu’un modèle YOLO26 a été exporté au format OpenVINO, tu peux exécuter l’inférence de différentes façons, selon ton workflow et le niveau de contrôle nécessaire. Tu peux utiliser le package Python Ultralytics pour une approche plus simple et intégrée, ou le runtime OpenVINO natif pour davantage de flexibilité et de contrôle.

Exécuter l’inférence avec le package Python Ultralytics#

Une fois ton modèle exporté au format OpenVINO, tu peux exécuter l’inférence avec le package Python Ultralytics. Cette approche est idéale pour effectuer rapidement des tests et simplifier le déploiement, car elle utilise la même interface que l’entraînement et l’exportation.

Avec cette approche, tu peux charger le modèle OpenVINO exporté depuis son répertoire et exécuter l’inférence sur une entrée telle qu’une image ou une vidéo. Tu peux également choisir l’appareil d’exécution en spécifiant des options comme "intel:cpu", "intel:gpu" ou "intel:npu", selon le matériel disponible sur ton système.

L’extrait de code ci-dessous montre comment charger le modèle exporté et exécuter l’inférence sur une image en ciblant le GPU. Une fois l’inférence terminée, l’image de sortie est enregistrée dans le répertoire “runs/detect/predict”.

ov_model = YOLO("yolo26n_openvino_model/")

results = ov_model("https://ultralytics.com/images/bus.jpg", device="intel:gpu")

Exploiter le package OpenVINO natif pour l’inférence#

Si tu as besoin de davantage de contrôle sur le fonctionnement de ton modèle en production, tu peux utiliser le runtime OpenVINO natif pour l’inférence. Cette méthode est utile lorsque tu intègres des modèles à des applications plus vastes ou lorsque tu souhaites affiner l’exécution de l’inférence sur un matériel spécifique.

OpenVINO fournit une méthode unifiée pour exécuter des modèles sur les CPU, GPU et NPU Intel, ainsi que des fonctionnalités telles que l’exécution asynchrone et l’utilisation efficace des ressources de calcul disponibles. Pour configurer cela, tu peux travailler directement avec les fichiers du modèle exporté, notamment le fichier .xml qui définit la structure du modèle et le fichier .bin qui contient les poids entraînés.

Selon ton cas d’utilisation, tu peux également ajuster des paramètres comme la taille d’entrée ou les étapes de prétraitement. La configuration de l’inférence consiste à initialiser le runtime OpenVINO, à charger et compiler le modèle pour un appareil cible, à préparer les données d’entrée, puis à exécuter l’inférence.

Fig. 5. Exemple d’un pipeline d’inférence type avec OpenVINO (Source)

Cela te permet de contrôler l’exécution du modèle et son intégration à ton déploiement global. Pour en savoir plus sur la configuration et l’exécution de l’inférence avec le runtime OpenVINO, tu peux consulter la documentation officielle d’Ultralytics.

Applications concrètes d’Ultralytics YOLO26 sur le matériel Intel#

La véritable valeur de l’intégration Ultralytics et OpenVINO se révèle en production, où une inférence fiable et à faible latence peut faire une différence concrète. Voici quelques secteurs clés dans lesquels cette intégration produit des résultats significatifs :

• Industrie manufacturière : en exportant Ultralytics YOLO26 vers OpenVINO, les systèmes des lignes de production peuvent détecter automatiquement des défauts visuels tels que des composants manquants, des défauts d’alignement ou des dommages de surface sur du matériel Intel, contribuant ainsi à améliorer la qualité des produits et à réduire les erreurs coûteuses.

• Santé : les systèmes d’imagerie médicale et de suivi des patients peuvent exécuter localement des modèles Ultralytics YOLO26 exportés sur du matériel Intel, afin de répondre aux exigences strictes en matière de confidentialité des données tout en conservant des performances d’inférence fiables.

• Villes intelligentes : la surveillance du trafic et l’analyse des foules peuvent être déployées à l’aide de modèles Ultralytics YOLO26 exportés sur des caméras edge équipées de matériel Intel, permettant d’obtenir en temps réel des informations telles que le comptage des véhicules, le suivi des piétons et la détection d’incidents.

• Automobile : la faible latence et l’efficacité énergétique sont essentielles pour la surveillance du conducteur et la détection dans l’habitacle, ce qui fait du matériel Intel associé à des modèles Ultralytics YOLO26 exportés une solution particulièrement adaptée aux systèmes automobiles embarqués.

Pour en savoir plus sur cette intégration, rejoins-nous lors de la série d’ateliers OpenVINO DevCon d’Intel, « De l’annotation au déploiement : créer un pipeline de détection d’objets avec Geti, Ultralytics YOLO26 et OpenVINO™ », où notre responsable des partenariats et de l’écosystème, Francesco Mattioli, se joindra à l’évangéliste logiciel IA d’Intel, Adrian Boguszewski, pour une démonstration en direct et une présentation détaillée de la création de pipelines de vision par ordinateur prêts pour la production, destinés à des scénarios industriels réels. L’atelier présentera un workflow complet de détection d’objets de bout en bout, de la création du jeu de données et de l’entraînement du modèle à l’optimisation et au déploiement edge.

Avantages de l’utilisation du format d’exportation OpenVINO#

Voici quelques-uns des principaux avantages de l’utilisation du format d’exportation OpenVINO :

• Accessible et facile à intégrer : avec une API unifiée et plus de 80 notebooks de tutoriels, OpenVINO facilite le passage de l’expérimentation au déploiement sans ajouter de complexité importante.

• Exécuter le même modèle sur différents matériels : OpenVINO te permet d’utiliser un seul modèle exporté sur les différents matériels Intel pris en charge, en le déployant sur des CPU, GPU ou NPU sans devoir le réécrire ou l’adapter à chaque appareil.

• Optimisation intégrée lors de l’exportation : l’exportation vers OpenVINO convertit les modèles issus de frameworks populaires comme PyTorch et TensorFlow en un format optimisé, prêt pour l’inférence, ce qui supprime les étapes de conversion distinctes.

• Meilleure utilisation des ressources matérielles : OpenVINO prend en charge l’inférence asynchrone et l’équilibrage de charge sur le matériel Intel, ce qui contribue à améliorer l’efficacité dans les applications réelles.

Exécuter Ultralytics YOLO26 avec ExecuTorch et le backend OpenVINO#

Si tu déploies Ultralytics YOLO26 dans des environnements de production plus exigeants, une autre option combine l’efficacité sur l’appareil et la compression avancée des modèles.

ExecuTorch, le framework d’inférence sur appareil de PyTorch, prend en charge un backend OpenVINO qui te permet de déployer Ultralytics YOLO26 sur du matériel Intel via un chemin différent d’exportation et d’exécution.

ExecuTorch gère l’exportation du modèle et son exécution, tandis qu’OpenVINO agit en dessous comme couche d’accélération matérielle et prend en charge les calculs effectifs sur le CPU, le GPU ou le NPU Intel. Les deux fonctionnent ensemble pour t’offrir la portabilité et l’efficacité sur appareil d’ExecuTorch, combinées aux optimisations spécifiques au matériel fournies par OpenVINO.

Pour en savoir plus sur son fonctionnement et découvrir comment démarrer avec Ultralytics YOLO26 sur ExecuTorch et le backend OpenVINO, consulte les mises à jour d’ExecuTorch et d’OpenVINO présentées dans le blog d’Intel.

Points clés à retenir#

L’exportation des modèles YOLO26 via l’intégration Ultralytics et OpenVINO améliore les performances sur le matériel Intel sans ajouter de complexité à ton workflow. Tu peux passer de l’entraînement au déploiement sans remanier ton pipeline. Globalement, cela offre une méthode simple pour exécuter efficacement les modèles sur les CPU, GPU et NPU Intel dans des applications réelles.

Rejoins notre communauté et explore notre dépôt GitHub pour en savoir plus sur la Vision AI. Consulte nos options de licence pour lancer tes projets de vision par ordinateur. Tu t’intéresses à des innovations comme l’IA dans l’industrie manufacturière ou la vision par ordinateur dans le secteur automobile ? Consulte nos pages de solutions pour en découvrir davantage.