Découvrir pourquoi Ultralytics YOLO26 est plus facile à mettre en production !

Ultralytics YOLO26, notre dernier modèle de vision par ordinateur, marque une avancée vers des solutions de vision par ordinateur en temps réel plus faciles à déployer. En d’autres termes, il est conçu pour passer plus facilement de l’expérimentation à des systèmes qui fonctionnent en continu sur du matériel réel.

La vision par ordinateur est désormais utilisée dans de nombreuses applications concrètes, notamment dans l’industrie manufacturière, la robotique, le commerce de détail et les infrastructures. À mesure que ces systèmes passent des tests à l’utilisation quotidienne, l’attention se déplace des performances individuelles du modèle vers la manière dont il s’intègre dans un système logiciel plus vaste. Des facteurs comme la fiabilité, l’efficacité et la facilité d’intégration sont tout aussi importants que la précision.

Cette évolution a des implications importantes sur la manière dont les modèles de vision par ordinateur sont conçus et évalués. La réussite en production dépend non seulement de ce qu’un modèle peut détecter, mais aussi de la facilité avec laquelle il peut être intégré, déployé et maintenu au fil du temps.

YOLO26 a été conçu en tenant compte de ces besoins pratiques. En mettant l’accent sur l’inférence de bout en bout, les performances optimisées pour l’edge et une intégration simplifiée, il réduit la complexité tout au long du processus de déploiement.

Dans cet article, nous allons voir comment Ultralytics YOLO26 contribue à combler l’écart entre la recherche et la production, et pourquoi ses fonctionnalités facilitent la mise en production de systèmes de vision par ordinateur en temps réel dans des applications concrètes. C’est parti !

L’écart entre la recherche et la production en vision par ordinateur#

À mesure que la vision par ordinateur se généralise, de nombreuses équipes vont au-delà de la recherche et commencent à déployer des modèles dans des applications concrètes. Cette étape vers la production met souvent en évidence des difficultés qui n’étaient pas visibles pendant l’expérimentation.

Dans les contextes de recherche, les modèles sont généralement testés dans des environnements contrôlés à l’aide de jeux de données fixes. Ces tests sont utiles pour mesurer la précision, mais ils ne reflètent pas complètement le comportement du modèle une fois déployé. En production, les systèmes de vision par ordinateur doivent traiter des données en direct, fonctionner en continu et s’exécuter sur du matériel réel avec d’autres logiciels.

Une fois qu’un modèle fait partie d’un système de production, les facteurs autres que la précision deviennent plus importants. Les pipelines d’inférence peuvent comporter des étapes supplémentaires ; les performances peuvent varier selon les appareils, et les systèmes doivent se comporter de manière cohérente au fil du temps. Ces considérations pratiques influencent la facilité avec laquelle un modèle peut être intégré et maintenu à mesure que les applications évoluent.

Pour ces raisons, passer de la recherche à la production consiste souvent moins à améliorer les résultats du modèle qu’à simplifier son déploiement et son exploitation. Les modèles plus faciles à intégrer, efficaces sur le matériel cible et prévisibles ont tendance à passer plus facilement en production.

Ultralytics YOLO26 a été conçu en tenant compte de cette transition. La réduction de la complexité tout au long du processus de déploiement aide les équipes à faire passer plus efficacement les modèles de vision par ordinateur de l’expérimentation à la production concrète.

L’inférence de bout en bout facilite le déploiement d’Ultralytics YOLO26#

L’une des principales raisons pour lesquelles Ultralytics YOLO26 est plus pratique à déployer tient à sa conception fondée sur l’inférence de bout en bout. En termes simples, cela signifie que le modèle est conçu pour produire directement les prédictions finales, sans dépendre d’étapes supplémentaires de post-traitement en dehors du modèle lui-même.

Dans de nombreux systèmes traditionnels de vision par ordinateur, l’inférence ne s’arrête pas lorsque le modèle a fini de s’exécuter. Au lieu de cela, le modèle produit un grand nombre de prédictions intermédiaires qui doivent être filtrées et affinées avant de pouvoir être utilisées.

Ces étapes supplémentaires sont souvent gérées par une étape distincte de post-traitement appelée suppression des non-maxima (NMS), qui ajoute de la complexité au système global. Dans les environnements de production, cette complexité peut poser problème.

Les étapes de post-traitement peuvent augmenter la latence, se comporter différemment selon les plateformes matérielles et nécessiter un travail d’intégration supplémentaire. Elles introduisent également davantage de composants qui doivent être testés, maintenus et maintenus cohérents à mesure que les systèmes évoluent.

Ultralytics YOLO26 adopte une approche différente. La résolution des prédictions en double et la production des sorties finales au sein du modèle réduisent le nombre d’étapes nécessaires dans le pipeline d’inférence. Le déploiement s’en trouve simplifié, car il y a moins de logique externe à gérer et moins de risques d’incohérences entre les environnements.

Pour les équipes qui déploient des systèmes de vision, cette conception sans NMS de bout en bout simplifie l’intégration. Le modèle se comporte de manière plus prévisible une fois déployé, et les modèles exportés, c’est-à-dire les versions préparées pour fonctionner en dehors de l’environnement d’entraînement sur le matériel cible, sont plus autonomes.

Ainsi, ce qui est testé pendant le développement correspond plus étroitement à ce qui s’exécute en production. Ultralytics YOLO26 est donc plus facile à intégrer dans de véritables systèmes logiciels et plus simple à mettre en production à grande échelle.

Conçu pour la mise en production : des choix de performances et d’entraînement qui réduisent les risques#

Au-delà de l’inférence de bout en bout, Ultralytics YOLO26 intègre un ensemble de choix en matière de performances et d’entraînement conçus pour rendre le déploiement en production plus prévisible.

Voici quelques-unes des principales fonctionnalités qui facilitent la mise en production et l’exploitation d’Ultralytics YOLO26 :

• Performances optimisées pour l’edge : Ultralytics YOLO26 est optimisé pour fonctionner efficacement sur les unités centrales de traitement (CPUs) et le matériel edge, et pas uniquement sur les unités de traitement graphique (GPUs). Par rapport à Ultralytics YOLO11, le modèle nano YOLO26 offre une inférence sur CPU jusqu’à 43 % plus rapide, ce qui le rend mieux adapté aux environnements de production où les ressources de calcul peuvent être limitées.
• Entraînement plus stable : YOLO26 utilise une technique d’entraînement appelée Progressive Loss Balancing pour guider l’apprentissage du modèle au fil du temps. Au début de l’entraînement, le modèle bénéficie de davantage de conseils afin d’apprendre des patterns stables. À mesure que l’entraînement progresse, ces indications sont progressivement réduites pour correspondre au comportement du modèle en production. Cette approche favorise un entraînement plus fluide et produit des résultats plus cohérents lorsque les modèles sont entraînés ou réentraînés.
• Meilleure détection des petits objets : une méthode d’entraînement appelée Small-Target-Aware Label Assignment, ou STAL, est également utilisée afin que le modèle ne néglige pas les objets très petits pendant l’entraînement. Cela améliore la fiabilité dans les scénarios où les objets peuvent être petits ou éloignés.
• Nouvel optimiseur : le nouveau modèle introduit également un optimiseur d’entraînement appelé MuSGD, conçu pour améliorer la stabilité et la cohérence de l’entraînement. MuSGD combine l’optimiseur traditionnel de descente de gradient stochastique (SGD) avec des idées inspirées des avancées récentes dans l’entraînement des grands modèles de langage. Plutôt que de viser uniquement un entraînement plus rapide, il aide les modèles à converger plus régulièrement et à se comporter de manière plus prévisible lorsqu’ils sont réentraînés, ajustés ou mis à jour pour une utilisation en production.

Fig. 1. YOLO26n offre une inférence sur CPU jusqu’à 43 % plus rapide que YOLO11n (Source)

Dans l’ensemble, ces innovations contribuent à réduire les risques et la complexité du déploiement de systèmes de vision par ordinateur en production. En combinant des performances optimisées pour l’edge, un entraînement plus stable et un comportement prévisible du modèle, Ultralytics YOLO26 aide les équipes à passer du développement au déploiement concret en toute confiance.

Le package Ultralytics simplifie les pipelines d’intégration#

Déployer un modèle de vision par ordinateur ne se résume presque jamais au modèle lui-même. En production, les équipes doivent entraîner les modèles, exécuter l’inférence, surveiller les performances et exporter les modèles dans des formats compatibles avec différentes plateformes et différents matériels. Chaque outil supplémentaire ou script personnalisé de ce pipeline accroît la complexité et le risque d’échec.

Le package Ultralytics est conçu pour réduire cette complexité en réunissant ces étapes dans un workflow unique et cohérent. Avec une seule bibliothèque, les équipes peuvent entraîner des modèles comme YOLO26, exécuter des prédictions, valider les résultats et exporter les modèles pour le déploiement sans changer d’outil ni réécrire le code d’intégration.

Il prend également en charge un large éventail d’intégrations tout au long du cycle de vie, de l’entraînement et de l’évaluation à l’export et au déploiement sur différentes cibles matérielles. Cette approche unifiée fait la différence dans les environnements de production.

Fig. 2. Aperçu des types d’intégrations prises en charge par Ultralytics (Source)

Les mêmes commandes et interfaces utilisées pendant l’expérimentation restent valables jusqu’au déploiement, ce qui réduit les frictions lors du passage entre les équipes de recherche, d’ingénierie et d’exploitation. L’exportation des modèles devient également plus prévisible, puisque les modèles Ultralytics YOLO26 peuvent être convertis directement dans des formats comme ONNX, TensorRT, CoreML, OpenVINO et d’autres formats couramment utilisés dans les systèmes de production.

En limitant le code de liaison et le travail d’intégration personnalisé, le package Ultralytics aide les équipes à se concentrer sur la création d’applications fiables plutôt que sur la maintenance de pipelines complexes. Il devient ainsi plus facile de faire évoluer les déploiements, de mettre à jour les modèles au fil du temps et de conserver un comportement cohérent entre les environnements de développement et de production.

Applications concrètes d’Ultralytics YOLO26#

Voyons maintenant comment Ultralytics YOLO26 peut être utilisé dans des applications concrètes qui nécessitent des fonctionnalités de vision par ordinateur fiables et prêtes pour la production.

Mettre en production des systèmes de vision robotique avec Ultralytics YOLO26#

Les systèmes robotiques dépendent d’une perception rapide et fiable pour fonctionner de manière sûre et efficace. Qu’il s’agisse d’un robot mobile autonome naviguant dans un entrepôt ou d’un bras robotique manipulant des objets sur une ligne, les modèles de vision doivent fournir des résultats cohérents avec une latence minimale.

Ultralytics YOLO26 peut détecter les obstacles, reconnaître les objets et surveiller la présence humaine directement sur le matériel robotique. Sa conception fondée sur l’inférence de bout en bout simplifie son intégration dans les logiciels de contrôle robotique, ce qui facilite le déploiement de fonctionnalités de vision fonctionnant en continu dans des environnements réels.

Déployer Ultralytics YOLO26 sur les lignes de production#

Sur les lignes de production, la vision par ordinateur est couramment utilisée pour surveiller les équipements, inspecter les produits et s’assurer que les processus restent dans des limites de fonctionnement sûres. Ultralytics YOLO26 peut être déployé sur du matériel industriel local pour détecter les défauts, vérifier les étapes d’assemblage ou suivre en temps réel le mouvement des composants mécaniques.

Sa capacité à fonctionner efficacement sur des appareils edge le rend particulièrement adapté aux lignes de production où les systèmes doivent fonctionner en continu, avec une faible latence et un minimum d’infrastructure.

Fig. 3. Utilisation de YOLO pour surveiller le mouvement d’un actionneur.

Exécuter Ultralytics YOLO26 sur des drones et des systèmes distants#

Les drones et les systèmes distants fonctionnent souvent avec une puissance limitée et une connectivité peu fiable. Ultralytics YOLO26 peut traiter les données visuelles directement sur l’appareil, ce qui permet d’effectuer des tâches comme l’inspection, la surveillance ou les relevés pendant le vol. En analysant les images localement, les systèmes peuvent réagir en temps réel et réduire la nécessité de transmettre d’importants volumes de données vers un emplacement central.

Déployer à grande échelle des systèmes de vision pour les villes intelligentes avec Ultralytics YOLO26#

Imaginons une ville qui déploie des caméras dans des intersections, des parcs publics et des pôles de transport. Chaque emplacement peut utiliser un matériel différent et fonctionner dans des conditions différentes, mais le système de vision doit malgré tout se comporter de manière cohérente.

Ultralytics YOLO26 peut contribuer à analyser ces flux vidéo pour des tâches comme la surveillance du trafic, la détection des piétons ou l’analyse des espaces publics. Son comportement prévisible lors du déploiement et sa prise en charge de plusieurs plateformes matérielles facilitent le déploiement, la mise à jour et la maintenance des systèmes de vision dans de vastes environnements urbains distribués.

Fig. 4. Détection d’une personne, d’un chien et d’un banc dans une ville avec Ultralytics YOLO26.

Pourquoi faciliter la mise en production change le modèle économique de l’IA de vision#

Pour de nombreuses organisations, le principal défi de l’IA de vision n’est pas de créer un modèle qui fonctionne dans une démonstration. Il consiste à transformer ce travail en un système qui fonctionne de manière fiable en production.

Le déploiement nécessite souvent un effort d’ingénierie important, une maintenance continue et une coordination entre les équipes, ce qui peut ralentir les projets ou limiter leur impact. Lorsque les modèles sont simples à mettre en production, cela change la donne économique.

Un déploiement plus rapide réduit le délai d’accès à la valeur. Une intégration plus simple diminue les coûts d’ingénierie et d’exploitation. Un comportement plus prévisible entre les environnements réduit les risques et rend la planification à long terme plus concrète.

Ultralytics YOLO26 est conçu en tenant compte de ces facteurs. La simplification du déploiement et la prise en charge d’un comportement cohérent en production aident les organisations à faire passer l’IA de vision de l’expérimentation à l’utilisation quotidienne. Pour les dirigeants, cela fait de la vision par ordinateur un investissement plus concret et plus fiable, plutôt qu’un projet de recherche à haut risque.

Points clés à retenir#

Ultralytics YOLO26 est conçu pour combler l’écart entre la recherche et la production en facilitant le déploiement et la maintenance de systèmes de vision par ordinateur en temps réel. Sa conception de bout en bout et ses performances optimisées pour l’edge réduisent la complexité qui ralentit souvent les projets d’IA de vision. Les organisations peuvent ainsi avancer plus vite et obtenir des résultats plus rapidement.

Rejoins notre communauté et explore notre dépôt GitHub pour en savoir plus sur l’IA. Consulte nos pages de solutions pour découvrir l’IA dans le commerce de détail et la vision par ordinateur dans l’agriculture. Découvre nos options de licence et commence dès aujourd’hui à créer avec la vision par ordinateur !