Découvrez le dernier modèle Ultralytics YOLO , Ultralytics YOLO26, et ses caractéristiques de pointe qui permettent d'obtenir un équilibre optimal entre vitesse, précision et facilité de déploiement.
Le 25 septembre, lors de notre événement hybride annuel, YOLO Vision 2025 (YV25) à Londres, Glenn Jocher, notre fondateur et PDG, a officiellement annoncé la dernière avancée dans la série de modèles Ultralytics YOLO , Ultralytics YOLO26 ! Notre nouveau modèle de vision par ordinateur, YOLO26, peut analyser et interpréter des images et des vidéos grâce à une architecture rationalisée qui concilie vitesse, précision et facilité de déploiement.
Bien qu'Ultralytics YOLO26 simplifie certains aspects de la conception du modèle et apporte de nouvelles améliorations, il continue d'offrir les caractéristiques familières que les utilisateurs attendent des modèles Ultralytics YOLO . Par exemple, Ultralytics YOLO26 est facile à utiliser, prend en charge une gamme de tâches de vision par ordinateur et offre des options d'intégration et de déploiement flexibles.
Il va sans dire que le passage à l'utilisation d'Ultralytics YOLO26 se fait sans problème, et nous sommes impatients de voir les utilisateurs l'expérimenter par eux-mêmes lorsqu'il sera disponible publiquement à la fin du mois d'octobre.
En termes simples, Ultralytics YOLO26 est un modèle Vision AI meilleur, plus rapide et plus petit. Dans cet article, nous allons explorer les principales caractéristiques d'Ultralytics YOLO26 et ce qu'il apporte. Commençons par le commencement !
Avant de nous plonger dans les principales caractéristiques d'Ultralytics YOLO26 et dans les applications qu'il rend possibles, prenons un peu de recul et discutons de l'inspiration et de la motivation qui ont conduit au développement de ce modèle.
Chez Ultralytics, nous avons toujours cru au pouvoir de l'innovation. Dès le début, notre mission a été double. D'une part, nous voulons rendre Vision AI accessible pour que tout le monde puisse l'utiliser sans obstacle. D'autre part, nous sommes tout aussi déterminés à la maintenir à la pointe de la technologie, en repoussant les limites de ce que les modèles de vision par ordinateur peuvent réaliser.
Un facteur clé de cette mission est que l'espace de l'IA est en constante évolution. Par exemple, l'IA en périphérie, qui consiste à exécuter des modèles d'IA directement sur les appareils au lieu de s'appuyer sur le cloud, est adoptée rapidement dans tous les secteurs.
Des caméras intelligentes aux systèmes autonomes, les appareils en périphérie doivent désormais traiter l’information en temps réel. Cette évolution exige des modèles plus légers et plus rapides, tout en offrant le même niveau élevé de précision.
C'est pourquoi il est constamment nécessaire d'améliorer nos modèles Ultralytics YOLO . Comme l'explique Glenn Jocher, "l'un des plus grands défis a été de s'assurer que les utilisateurs puissent tirer le meilleur parti de YOLO26 tout en continuant à fournir des performances de haut niveau".
YOLO26 est disponible dans cinq modèles différents, ce qui vous permet d'exploiter ses capacités dans des applications de toutes tailles.
Toutes ces variantes de modèles prennent en charge de multiples tâches de vision par ordinateur, tout comme les précédents modèlesYOLO d'Ultralytics . Cela signifie que, quelle que soit la taille que vous choisissez, vous pouvez compter sur YOLO26 pour vous offrir un large éventail de capacités, tout comme les modèles d Ultralytics YOLO11.
Voici un aperçu des tâches de vision par ordinateur prises en charge par YOLO26 :
Maintenant que nous comprenons mieux ce dont YOLOv8 est capable, examinons quelques-unes des innovations de son architecture.
La conception du modèle a été rationalisée en supprimant le module Distribution Focal Loss (DFL), qui ralentissait auparavant l'inférence et limitait la régression de la boîte englobante.
Le processus de prédiction a également été simplifié grâce à une option d'inférence de bout en bout (E2E), qui permet au modèle de sauter l'étape traditionnelle de suppression du non-maximumNMS. Cette amélioration réduit la complexité et permet au modèle de fournir des résultats plus rapidement, facilitant ainsi son déploiement dans des applications réelles.
D'autres améliorations rendent le modèle plus intelligent et plus fiable. L'équilibrage progressif des pertes (ProgLoss) aide à stabiliser l'entraînement et à améliorer la précision, tandis que l'attribution d'étiquettes tenant compte des petites cibles (STAL) garantit que le modèle détecte plus efficacement les petits objets. De plus, un nouvel optimiseur MuSGD améliore la convergence de l'entraînement et augmente les performances globales.
En réalité, la plus petite version de YOLO26, le modèle nano, fonctionne désormais jusqu'à 43 % plus rapidement sur les CPU standard, ce qui le rend particulièrement adapté aux applications mobiles, aux caméras intelligentes et autres appareils périphériques où la vitesse et l'efficacité sont essentielles.
Voici un bref récapitulatif des fonctionnalités de YOLO26 et de ce que les utilisateurs peuvent attendre :
Que vous travailliez sur des applications mobiles, des caméras intelligentes ou des systèmes d'entreprise, le déploiement de YOLO26 est simple et flexible. Le packageUltralytics Python prend en charge un nombre sans cesse croissant de formats d'exportation, ce qui facilite l'intégration de YOLO26 dans les flux de travail existants et le rend compatible avec presque toutes les plateformes.
Parmi les options d'exportation, citons TensorRT pour une accélération maximale du GPU , ONNX pour une large compatibilité, CoreML pour les applications iOS natives, TFLite pour Android et les appareils périphériques, et OpenVINO pour des performances optimisées sur le matériel Intel . Grâce à cette flexibilité, il est facile de faire passer YOLO26 du développement à la production sans obstacles supplémentaires.
Un autre élément crucial du déploiement consiste à s'assurer que les modèles fonctionnent efficacement sur des appareils dotés de ressources limitées. C'est là qu'intervient la quantification. Grâce à son architecture simplifiée, YOLO26 gère cela exceptionnellement bien. Il prend en charge le déploiement INT8 (utilisant une compression 8 bits pour réduire la taille et améliorer la vitesse avec une perte de précision minimale) ainsi que la demi-précision (FP16) pour une inférence plus rapide sur le matériel pris en charge.
Plus important encore, YOLO26 offre des performances constantes à tous les niveaux de quantification, vous pouvez donc compter sur lui, qu'il fonctionne sur un serveur puissant ou un appareil périphérique compact.
YOLO26 peut être utilisé dans une grande variété d'applications de vision par ordinateur dans de nombreux secteurs et cas d'utilisation différents. De la robotique à la fabrication, il peut avoir un impact significatif en améliorant les flux de travail et en permettant une prise de décision plus rapide et plus précise.
Par exemple, un bon exemple est la robotique, où YOLO26 peut aider les robots à interpréter leur environnement en temps réel. Cela rend la navigation plus fluide et la manipulation des objets plus précise. Il permet également une collaboration plus sécuritaire avec les personnes.
Un autre exemple est la fabrication, où le modèle peut être utilisé pour la détection de défauts. Il peut identifier automatiquement les défauts sur les lignes de production plus rapidement et plus précisément qu'une inspection manuelle.
En général, parce que YOLO26 est meilleur, plus rapide et plus léger, il s'adapte facilement à un large éventail d'environnements, des appareils périphériques légers aux grands systèmes d'entreprise. Cela en fait un choix pratique pour les industries qui cherchent à améliorer l'efficacité, la précision et la fiabilité.
Ultralytics YOLO26 est un modèle de vision par ordinateur qui est meilleur, plus rapide et plus léger, tout en restant facile à utiliser et en offrant d'excellentes performances. Il fonctionne sur un large éventail de tâches et de plateformes et sera disponible pour tous d'ici la fin du mois d'octobre. Nous sommes impatients de voir comment la communauté l'utilisera pour créer de nouvelles solutions et repousser les limites de la vision par ordinateur.
Rejoignez notre communauté en pleine croissance ! Explorez notre dépôt GitHub pour en savoir plus sur l'IA. Découvrez des innovations telles que la vision par ordinateur dans le commerce de détail et l'IA dans l'industrie automobile en visitant nos pages de solutions. Pour commencer à développer avec la vision par ordinateur dès aujourd'hui, consultez nos options de licence.
.webp)