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

Ultralytics YOLO26, notre tout dernier modèle de vision par ordinateur, marque une avancée majeure pour faciliter le déploiement de solutions de vision par ordinateur en temps réel. En d'autres termes, il est conçu pour passer plus facilement de l'expérimentation à des systèmes fonctionnant en continu sur du matériel réel.

La vision par ordinateur est désormais utilisée dans de nombreuses applications concrètes, notamment l'industrie, la robotique, la vente au détail et les infrastructures. À mesure que ces systèmes passent des tests à une utilisation quotidienne, l'attention se déplace de la performance individuelle du modèle vers son intégration au sein d'un système logiciel global. Des facteurs comme la fiabilité, l'efficacité et la facilité d'intégration sont tout aussi importants que la précision.

Ce changement a des implications importantes sur la manière dont les modèles de vision par ordinateur sont conçus et évalués. Le succès en production ne dépend pas seulement de ce qu'un modèle peut détecter, mais aussi de sa facilité d'intégration, de déploiement et de maintenance au fil du temps.

YOLO26 a été conçu avec ces besoins pratiques à l'esprit. En se concentrant sur l'inférence de bout en bout, la performance axée sur l'edge et une intégration simplifiée, il réduit la complexité tout au long du processus de déploiement.

Dans cet article, nous explorerons comment Ultralytics YOLO26 aide à combler le fossé entre la recherche et la production, et pourquoi ses fonctionnalités rendent le déploiement de systèmes de vision par ordinateur en temps réel plus simple dans des applications réelles. Commençons !

Link to this sectionLe fossé entre la recherche et la production dans la vision par ordinateur#

À mesure que la vision par ordinateur se généralise, de nombreuses équipes dépassent le stade de la recherche et commencent à déployer des modèles dans des applications réelles. Cette nouvelle étape vers la production met souvent en évidence des défis qui n'étaient pas visibles lors de l'expérimentation.

Dans les environnements de recherche, les modèles sont généralement testés dans des conditions contrôlées à l'aide de jeux de données fixes. Ces tests sont utiles pour mesurer la précision, mais ils ne reflètent pas totalement la manière dont un modèle se comportera une fois déployé. En production, les systèmes de vision par ordinateur doivent traiter des données en direct, fonctionner en continu et opérer sur du matériel réel aux côtés d'autres logiciels.

Une fois qu'un modèle fait partie d'un système de production, des facteurs autres que la précision deviennent plus importants. Les pipelines d'inférence peuvent inclure 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 affectent la facilité avec laquelle un modèle peut être intégré et maintenu à mesure que les applications passent à l'échelle.

En raison de ces facteurs, le passage 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, qui tournent efficacement sur le matériel cible et se comportent de manière prévisible, ont tendance à passer en production beaucoup plus facilement.

Ultralytics YOLO26 a été conçu avec cette transition à l'esprit. Réduire la complexité tout au long du processus de déploiement aide les équipes à transférer plus efficacement les modèles de vision par ordinateur de l'expérimentation à la production réelle.

Link to this sectionL'inférence de bout en bout rend Ultralytics YOLO26 plus facile à déployer#

L'une des raisons clés pour lesquelles Ultralytics YOLO26 est plus pratique à déployer est sa conception basée sur l'inférence de bout en bout. Pour faire simple, cela signifie que le modèle est conçu pour produire des prédictions finales directement, sans dépendre d'étapes de post-traitement externes au modèle lui-même.

Dans de nombreux systèmes de vision par ordinateur traditionnels, l'inférence ne s'arrête pas lorsque le modèle finit de tourner. Au lieu de cela, le modèle génère 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 phase de post-traitement distincte appelée NMS (Non-Maximum Suppression), qui ajoute de la complexité au système global. Dans les environnements de production, cette complexité peut devenir problématique.

Les étapes de post-traitement peuvent augmenter la latence, se comporter différemment selon les plates-formes matérielles et nécessiter un travail d'intégration supplémentaire. Elles introduisent également davantage de composants devant être testés, maintenus et maintenus cohérents à mesure que les systèmes passent à l'échelle.

YOLO26 adopte une approche différente. Résoudre les prédictions en double et produire les sorties finales au sein même du modèle réduit le nombre d'étapes nécessaires dans le pipeline d'inférence. Cela simplifie le déploiement, 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 de bout en bout, sans NMS, aide à rationaliser 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.

Par conséquent, ce qui est testé lors du développement correspond plus étroitement à ce qui tourne en production. Cela rend Ultralytics YOLO26 plus facile à intégrer dans des systèmes logiciels réels et plus simple à déployer à grande échelle.

Link to this sectionConçu pour le déploiement : choix de performance et d'entraînement pour réduire les risques#

Au-delà de l'inférence de bout en bout, Ultralytics YOLO26 inclut un ensemble de choix de performance et d'entraînement conçus pour rendre le déploiement en production plus prévisible.

Voici quelques-unes des fonctionnalités clés qui rendent Ultralytics YOLO26 plus simple à déployer et à exploiter en production :

• Performance axée sur l'edge : Ultralytics YOLO26 est optimisé pour tourner efficacement sur les CPU (processeurs centraux) et le matériel edge, et pas seulement sur les GPU (processeurs graphiques). Comparé à Ultralytics YOLO11, le modèle YOLO26 nano offre une inférence 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 la manière dont le modèle apprend au fil du temps. Au début de l'entraînement, le modèle reçoit plus de conseils pour apprendre des motifs stables. À mesure que l'entraînement se poursuit, ces conseils sont progressivement réduits pour correspondre à la façon dont le modèle se comportera lorsqu'il sera utilisé en production. Cette approche permet un entraînement plus fluide et produit des résultats plus cohérents lors de l'entraînement ou du réentraînement des modèles.
• Meilleure détection des petits objets : Une méthode d'entraînement appelée Small-Target-Aware Label Assignment, ou STAL, est également utilisée pour éviter que le modèle ne néglige les objets très petits lors de 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 SGD (Stochastic Gradient Descent) avec des idées inspirées des avancées récentes dans l'entraînement des grands modèles de langage. Plutôt que de se concentrer uniquement sur un entraînement plus rapide, il aide les modèles à converger plus facilement et à se comporter de manière plus prévisible lorsqu'ils sont réentraînés, affinés ou mis à jour pour une utilisation en production.

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

Dans l'ensemble, ces innovations aident à réduire les risques et la complexité liés au déploiement de systèmes de vision par ordinateur en production. En combinant des performances axées sur l'edge avec un entraînement plus stable et un comportement de modèle prévisible, Ultralytics YOLO26 permet aux équipes de passer plus sereinement du développement au déploiement réel.

Link to this sectionLe package Ultralytics simplifie les pipelines d'intégration#

Déployer un modèle de vision par ordinateur ne se résume rarement qu'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 plates-formes et matériels. Chaque outil supplémentaire ou script personnalisé dans ce pipeline augmente la complexité et le risque d'échec.

Le package Ultralytics est conçu pour réduire cette complexité en regroupant ces étapes dans un flux de travail 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 sur l'ensemble du cycle de vie, de l'entraînement et l'évaluation jusqu'à l'export et le déploiement sur différentes cibles matérielles. Cette approche unifiée fait toute la différence dans les environnements de production.

Fig 2. Un aperçu des types d'intégrations pris en charge par Ultralytics (Source)

Les mêmes commandes et interfaces utilisées lors de l'expérimentation sont conservées jusqu'au déploiement, ce qui réduit la friction lors du transfert entre les équipes de recherche, d'ingénierie et d'exploitation. L'export des modèles devient également plus prévisible, car les modèles YOLO26 peuvent être convertis directement dans des formats tels que ONNX, TensorRT, CoreML, OpenVINO et d'autres, couramment utilisés dans les systèmes de production.

En minimisant le code de collage et le travail d'intégration personnalisé, le package Ultralytics aide les équipes à se concentrer sur la construction d'applications fiables plutôt que sur la maintenance de pipelines complexes. Cela rend plus accessible le passage à l'échelle des déploiements, la mise à jour des modèles au fil du temps et le maintien d'une cohérence de comportement entre les environnements de développement et de production.

Link to this sectionApplications réelles d'Ultralytics YOLO26#

Ensuite, jetons un œil à la façon dont Ultralytics YOLO26 peut être utilisé dans des applications réelles nécessitant des capacités de vision par ordinateur fiables et prêtes pour la production.

Link to this sectionDéployer des systèmes de vision robotique avec Ultralytics YOLO26#

Les systèmes robotiques dépendent d'une perception rapide et fiable pour opérer 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 d'inférence de bout en bout simplifie l'intégration dans les logiciels de contrôle robotique, facilitant le déploiement de capacités de vision qui fonctionnent en continu dans des environnements réels.

Link to this sectionDéployer Ultralytics YOLO26 sur les sites de production#

Dans les usines, la vision par ordinateur est couramment utilisée pour surveiller l'équipement, inspecter les produits et garantir que les processus restent dans des limites de sécurité. YOLO26 peut être déployé sur du matériel industriel local pour détecter des défauts, vérifier les étapes d'assemblage ou suivre le mouvement de composants mécaniques en temps réel.

Sa capacité à fonctionner efficacement sur des appareils edge le rend bien adapté aux lignes de production où les systèmes doivent opérer en continu, avec une faible latence et une surcharge d'infrastructure minimale.

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

Link to this sectionExécuter 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. YOLO26 peut traiter des données visuelles directement sur l'appareil, permettant des tâches comme l'inspection, l'arpentage ou la surveillance en vol. En analysant les images localement, les systèmes peuvent répondre en temps réel et réduire le besoin de transmettre de grandes quantités de données vers un emplacement central.

Link to this sectionPasser à l'échelle des systèmes de vision pour villes intelligentes avec Ultralytics YOLO26#

Imagine une ville déployant des caméras aux intersections, dans les parcs publics et les pôles de transport. Chaque emplacement peut utiliser un matériel différent et fonctionner dans des conditions différentes, mais le système de vision doit tout de même se comporter de manière cohérente.

Ultralytics YOLO26 peut aider à analyser ces flux vidéo pour des tâches telles que la surveillance du trafic, la détection des piétons ou l'analyse des espaces publics. Son comportement de déploiement prévisible et sa prise en charge de multiples plates-formes matérielles facilitent le déploiement, la mise à jour et la maintenance des systèmes de vision dans des environnements urbains vastes et distribués.

Fig 4. Détection d'une personne, d'un chien et d'un banc dans une ville en utilisant YOLO26.

Link to this sectionPourquoi faciliter le déploiement change l'intérêt commercial de la vision par IA#

Pour de nombreuses organisations, le plus grand défi de la vision par IA n'est pas de créer un modèle qui fonctionne dans une démo. C'est de 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 déployer, cela change l'équation économique.

Un déploiement plus rapide réduit le temps de retour sur investissement. Une intégration plus simple diminue les coûts d'ingénierie et d'exploitation. Un comportement plus prévisible à travers les environnements réduit les risques et rend la planification à long terme plus concrète.

Ultralytics YOLO26 est conçu avec ces facteurs à l'esprit. Simplifier le déploiement et soutenir un comportement cohérent en production aide les organisations à faire passer la vision par IA de l'expérimentation à l'utilisation quotidienne. Pour les décideurs, cela fait de la vision par ordinateur un investissement plus pratique et fiable, plutôt qu'un effort de recherche à haut risque.

Link to this sectionPoints clés#

Ultralytics YOLO26 est construit pour combler le fossé entre la recherche et la production en rendant la vision par ordinateur en temps réel plus facile à déployer et à maintenir. Sa conception de bout en bout et ses performances axées sur l'edge réduisent la complexité qui ralentit souvent les projets de vision par IA. Cela permet aux organisations d'avancer plus vite et de voir les résultats plus tôt.

Rejoins notre communauté et explore notre dépôt GitHub pour en savoir plus sur l'IA. Découvre nos pages de solutions pour lire des articles sur l'IA dans le commerce et la vision par ordinateur en agriculture. Découvre nos options de licence et commence à construire avec la vision par ordinateur dès aujourd'hui !