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

Ultralytics YOLO26, notre dernier modèle de vision par ordinateur, marque une avancée qui facilite le déploiement de solutions de vision par ordinateur en temps réel. Autrement dit, 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 la fabrication, la robotique, le commerce de détail et les infrastructures. À mesure que ces systèmes passent des tests à une utilisation quotidienne, l’attention se déplace des performances individuelles des modèles vers leur intégration dans un système logiciel plus vaste. Des facteurs comme la fiabilité, l’efficacité et la facilité d’intégration comptent autant que la précision.

Cette évolution a des implications importantes sur la conception et l’évaluation des modèles de vision par ordinateur. 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 entretenu au fil du temps.

YOLO26 a été conçu pour répondre à ces besoins pratiques. En misant sur l’inférence de bout en bout, les performances privilégiant les appareils périphériques et une intégration simplifiée, il réduit la complexité du processus de déploiement.

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

L’écart entre la recherche et la production en 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 étape vers la production met souvent en évidence des difficultés qui n’étaient pas visibles pendant l’expérimentation.

Dans le cadre de la 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 ne reflètent pas entièrement 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 aux côtés d’autres logiciels.

Lorsqu’un modèle fait partie d’un système de production, les facteurs autres que la précision prennent davantage d’importance. Les pipelines d’inférence peuvent comporter des étapes supplémentaires, les performances peuvent varier d’un appareil à l’autre et les systèmes doivent se comporter de manière cohérente au fil du temps. Ces considérations pratiques influent sur la facilité d’intégration et de maintenance d’un modèle à mesure que les applications évoluent.

En raison de ces facteurs, 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 faciles à intégrer, efficaces sur le matériel cible et au comportement prévisible passent généralement plus facilement en production.

Ultralytics YOLO26 a été conçu en tenant compte de cette transition. En réduisant la complexité du processus de déploiement, les équipes peuvent faire passer plus efficacement les modèles de vision par ordinateur de l’expérimentation à la production dans le monde réel.

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

L’une des principales raisons pour lesquelles Ultralytics YOLO26 est plus facile à déployer est sa conception d’inférence de bout en bout. En bref, le modèle est conçu pour produire directement les prédictions finales, sans dépendre d’étapes de post-traitement supplémentaires 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. Le modèle produit plutôt un grand nombre de prédictions intermédiaires qu’il faut filtrer et affiner avant de pouvoir les utiliser.

Ces étapes supplémentaires sont souvent prises en charge par une étape distincte de post-traitement appelée suppression non maximale (NMS), qui complexifie le système dans son ensemble. Cette complexité peut poser problème en environnement de production.

Les étapes de traitement postérieur peuvent augmenter la latence, se comporter différemment selon les plateformes matérielles et nécessiter un travail d’intégration supplémentaire. Elles ajoutent également des composants qu’il faut tester, maintenir et garder 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 du pipeline d’inférence. Le déploiement est ainsi plus simple, 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 facilite l’intégration. Le comportement du modèle est plus prévisible une fois qu’il est déployé, et les modèles exportés, c’est-à-dire les versions préparées pour fonctionner sur le matériel cible en dehors de l’environnement d’entraînement, sont plus autonomes.

Ainsi, les tests effectués pendant le développement correspondent davantage à ce qui fonctionne en production. Ultralytics YOLO26 s’intègre donc plus facilement aux systèmes logiciels réels et se déploie plus simplement à grande échelle.

Prêt pour le déploiement : des choix de performances et d’entraînement qui réduisent les risques#

Au-delà de l’inférence de bout en bout, Ultralytics YOLO26 intègre plusieurs choix en matière de performances et d’entraînement destinés à rendre le déploiement en production plus prévisible.

Voici quelques-unes des principales fonctionnalités qui simplifient le déploiement et l’exploitation d’Ultralytics YOLO26 en production :

• Des performances privilégiant les appareils périphériques : Ultralytics YOLO26 est optimisé pour fonctionner efficacement sur des unités centrales (CPUs) et du matériel périphérique, et pas uniquement sur des processeurs graphiques (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.
• Un entraînement plus stable : YOLO26 utilise une technique d’entraînement appelée équilibrage progressif de la fonction de perte pour guider l’apprentissage du modèle au fil du temps. Au début de l’entraînement, le modèle reçoit davantage de conseils afin d’apprendre des schémas stables. À mesure que l’entraînement progresse, ces conseils sont progressivement réduits pour se rapprocher du comportement du modèle en production. Cette approche rend l’entraînement plus fluide et produit des résultats plus cohérents lors de l’entraînement ou du réentraînement des modèles.
• Une meilleure détection des petits objets : une méthode d’entraînement appelée affectation d’étiquettes sensible aux cibles de petite taille, ou STAL, est également utilisée pour éviter que le modèle ne néglige les objets très petits pendant l’entraînement. Cela améliore la fiabilité dans les situations où les objets peuvent être petits ou éloignés.
• Un 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. Au lieu de chercher uniquement à accélérer l’entraînement, 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 la 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 associant des performances privilégiant les appareils périphériques à un entraînement plus stable et à un comportement prévisible du modèle, Ultralytics YOLO26 aide les équipes à passer du développement au déploiement dans le monde réel en toute confiance.

Le package Ultralytics simplifie les pipelines d’intégration#

Déployer un modèle de vision par ordinateur ne se limite 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 ou script personnalisé ajouté au pipeline accroît la complexité et le risque de défaillance.

Le package Ultralytics vise à 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, effectuer des prédictions, valider les résultats et exporter les modèles en vue de leur déploiement, sans changer d’outils 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’exportation et au déploiement sur différents matériels cibles. 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 utilisables lors du déploiement, ce qui réduit les difficultés de transfert 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 directement convertis dans des formats tels que ONNX, TensorRT, CoreML, OpenVINO et d’autres formats couramment utilisés dans les systèmes de production.

En réduisant au minimum 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 déployer des solutions à grande échelle, de mettre à jour les modèles au fil du temps et de maintenir 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 exigent des capacités de vision par ordinateur fiables et prêtes pour la production.

Déployer 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 qui se déplace dans un entrepôt ou d’un bras robotisé qui manipule des objets sur une chaîne de production, 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 pour l’inférence de bout en bout simplifie l’intégration dans les logiciels de contrôle robotique, ce qui facilite le déploiement de capacités de vision fonctionnant en continu dans des environnements réels.

Déployer Ultralytics YOLO26 dans les usines#

Dans les usines, la vision par ordinateur sert couramment à surveiller les équipements, à inspecter les produits et à vérifier que les processus respectent les limites d’exploitation sécuritaires. 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 en fait une solution bien adaptée aux chaînes de production où les systèmes doivent fonctionner en continu, avec une faible latence et une infrastructure minimale.

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

Exécuter Ultralytics YOLO26 sur des drones et des systèmes distants#

Les drones et les systèmes distants fonctionnent souvent avec une alimentation 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, l’arpentage ou la surveillance en vol. En analysant les images localement, les systèmes peuvent réagir en temps réel et réduire la nécessité de transmettre de grandes quantités de données vers un emplacement central.

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

Imagine une ville qui installe des caméras aux intersections, dans les parcs publics et dans les pôles de transport. Chaque emplacement peut utiliser un matériel différent et fonctionner dans des conditions distinctes, 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 comme la surveillance du trafic, la détection des piétons ou l’analyse des espaces publics. Son comportement prévisible au déploiement et sa prise en charge de plusieurs plateformes matérielles facilitent le déploiement, la mise à jour et la maintenance de systèmes de vision dans de vastes environnements urbains distribués.

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

Pourquoi faciliter le déploiement change la rentabilité de l’IA de vision#

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

Le déploiement exige souvent d’importants efforts d’ingénierie, une maintenance continue et une coordination entre les équipes, ce qui peut ralentir les projets ou limiter leur impact. Lorsque les modèles sont faciles à déployer, l’équation économique change.

Un déploiement plus rapide réduit le délai avant d’obtenir de la valeur. Une intégration plus simple diminue les coûts d’ingénierie et d’exploitation. Un comportement plus prévisible d’un environnement à l’autre réduit les risques et facilite la planification à long terme.

Ultralytics YOLO26 est conçu en tenant compte de ces facteurs. En simplifiant le déploiement et en assurant un comportement cohérent en production, il aide les organisations à passer de l’expérimentation à l’utilisation quotidienne de l’IA de vision. Pour les dirigeants d’entreprise, la vision par ordinateur devient ainsi un investissement plus pratique et fiable, plutôt qu’un projet de recherche à haut risque.

Points clés à retenir#

Ultralytics YOLO26 vise à combler l’écart entre la recherche et la production en facilitant le déploiement et la maintenance de la vision par ordinateur en temps réel. Sa conception de bout en bout et ses performances privilégiant 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 tôt.

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 en agriculture. Découvre nos options de licence et commence dès aujourd’hui à créer avec la vision par ordinateur !