Top 5 des conseils pour déployer YOLO26 efficacement en périphérie et sur le cloud

Le mois dernier, Ultralytics a officiellement lancé Ultralytics YOLO26, établissant une nouvelle norme pour la vision par ordinateur, une branche de l'intelligence artificielle qui permet aux machines d'interpréter et de comprendre des informations visuelles issues d'images et de vidéos. Plutôt que de simplement capturer des images, les modèles de vision par ordinateur comme les modèles Ultralytics YOLO prennent en charge des tâches de vision telles que la détection d'objets, la segmentation d'instances, l'estimation de pose et la classification d'images.

Conçu pour les endroits où la vision par ordinateur s'exécute réellement, sur des appareils, des caméras, des robots et des systèmes de production, YOLO26 est un modèle de pointe qui offre une inférence plus rapide sur l'unité centrale (CPU), un déploiement simplifié et des performances de bout en bout efficaces dans des environnements réels. Les modèles YOLO26 ont également été conçus pour faciliter le passage des solutions de vision par ordinateur de l'expérimentation à la production.

Fig 1. Le modèle YOLO26 nano offre une inférence CPU jusqu'à 43 % plus rapide que YOLO11. (Source)

Le déploiement d'un modèle implique généralement diverses considérations, telles que le choix du matériel approprié, le choix d'un format d'exportation adapté, l'optimisation des performances et la validation des résultats dans des conditions réelles. Naviguer entre ces étapes lors du déploiement de YOLO26 est simple, grâce au package Python Ultralytics, qui rationalise l'entraînement, l'inférence et l'exportation des modèles sur plusieurs cibles de déploiement.

Cependant, même avec des flux de travail simplifiés, prendre les bonnes décisions de déploiement est essentiel. Dans cet article, nous passerons en revue cinq conseils pratiques pour t'aider à déployer YOLO26 efficacement dans des environnements edge et cloud, garantissant des performances de vision par ordinateur fiables et évolutives en production. Commençons !

Link to this sectionQu'est-ce que le déploiement de modèle en vision par ordinateur ?#

Avant de plonger dans les stratégies de déploiement pour YOLO26, prenons un peu de recul pour comprendre ce que signifie le déploiement de modèle en vision par ordinateur.

Le déploiement de modèle est le processus consistant à déplacer un modèle d'apprentissage profond entraîné depuis un environnement de développement vers une application réelle où il peut traiter de nouvelles images ou flux vidéo et générer des prédictions en continu. Au lieu d'exécuter des expériences sur des jeux de données statiques, le modèle devient partie intégrante d'un système vivant.

En vision par ordinateur, cela signifie souvent intégrer le modèle avec des caméras, des appareils edge AI, des API ou une infrastructure cloud. Il doit fonctionner dans les limites matérielles, respecter les exigences de latence et maintenir des performances constantes dans des conditions réelles changeantes.

Comprendre ce passage de l'expérimentation à la production est essentiel car les décisions de déploiement ont un impact direct sur les performances d'un modèle en dehors d'un laboratoire ou d'une configuration expérimentale.

Link to this sectionComprendre les flux de travail de déploiement d'Ultralytics YOLO26#

Ensuite, regardons ce qu'implique réellement un flux de travail de déploiement YOLO26. En termes simples, il s'agit de la séquence d'étapes qui fait passer une image de sa capture à son analyse et à sa transformation en prédiction.

Dans une configuration typique, une caméra capture une image ou une trame vidéo. Ces données sont ensuite prétraitées, par exemple en étant redimensionnées ou formatées correctement, avant d'être transmises à Ultralytics YOLO26 pour l'inférence.

Le modèle analyse l'entrée et produit des sorties comme des boîtes englobantes (BBox), des masques de segmentation ou des points clés. Ces résultats peuvent ensuite être utilisés pour déclencher des actions, telles que l'envoi d'alertes, la mise à jour d'un tableau de bord ou le guidage d'un système robotique.

L'endroit où ce flux de travail s'exécute dépend de ta stratégie de déploiement. Par exemple, dans un déploiement edge, l'inférence se produit directement sur l'appareil ou près de la caméra, ce qui aide à réduire la latence et à améliorer la confidentialité des données.

Pendant ce temps, dans un déploiement cloud, les images ou les trames vidéo sont envoyées à des serveurs distants pour traitement, permettant une plus grande évolutivité et une gestion centralisée. Certains systèmes utilisent une approche hybride, effectuant un traitement léger sur le edge et des charges de travail plus lourdes dans le cloud.

Link to this sectionExplorer les variantes du modèle YOLO26#

Pour prendre des décisions de déploiement éclairées, il est également important de comprendre qu'il existe différentes variantes du modèle YOLO26 parmi lesquelles choisir.

Prêts à l'emploi, les modèles Ultralytics YOLO sont disponibles en plusieurs tailles, ce qui facilite le choix d'une version adaptée à ton matériel et à tes besoins de performance. YOLO26 se décline en cinq variantes : Nano (n), Small (s), Medium (m), Large (l) et Extra Large (x).

Les modèles plus petits, tels que YOLO26n, sont optimisés pour l'efficacité et sont parfaits pour les appareils edge, les appareils de l'Internet des objets (IoT), les systèmes embarqués et les systèmes alimentés par un CPU, où une faible latence et une consommation d'énergie réduite sont importantes. Ils offrent de solides performances tout en gardant une utilisation minimale des ressources.

Les modèles plus grands, tels que YOLO26l et YOLO26x, sont conçus pour offrir une meilleure précision et gérer des scènes plus complexes. Ces variantes fonctionnent généralement mieux sur des systèmes équipés d'unités de traitement graphique (GPU) ou dans des environnements cloud où davantage de ressources de calcul sont disponibles.

La sélection de la taille de modèle appropriée dépend de tes objectifs de déploiement. Si la vitesse et l'efficacité sur du matériel contraint sont tes priorités, une variante plus petite peut être idéale. Si ton application exige une précision maximale et que tu as accès à du matériel plus puissant, un modèle plus grand peut être le meilleur choix.

Link to this sectionConseils pour déployer YOLO26 efficacement#

Maintenant que nous avons une meilleure compréhension des variantes du modèle YOLO26 et des flux de travail de déploiement, explorons quelques conseils pratiques pour déployer YOLO26 efficacement à travers les environnements edge et cloud.

Link to this sectionConseil 1 : Considère tes options de déploiement de modèle#

L'une des premières décisions que tu devras prendre lors du déploiement d'Ultralytics YOLO26 est l'endroit où le modèle sera exécuté. Ton environnement de déploiement affecte directement les performances, la latence, la confidentialité et l'évolutivité.

Commence par évaluer ton flux de travail. Ton application nécessite-t-elle une faible latence, ce qui signifie que les prédictions doivent être générées presque instantanément après la capture d'une image ?

Par exemple, dans les systèmes de robotique ou de sécurité, même de petits délais peuvent affecter les performances. Dans ces cas, un déploiement edge est souvent la meilleure option. Exécuter l'inférence directement sur un appareil ou près de la caméra réduit le temps nécessaire au traitement des données et évite d'envoyer des images sur Internet, ce qui peut également améliorer la confidentialité.

D'un autre côté, le déploiement cloud offre une plus grande évolutivité et une puissance de calcul supérieure. Les serveurs cloud peuvent traiter de grands volumes d'images, gérer plusieurs flux vidéo et prendre en charge un débit plus élevé.

Par exemple, en agriculture, un agriculteur pourrait collecter des milliers d'images de feuilles et les analyser par lots pour déterminer si les cultures présentent des signes de maladie. Dans ce type de scénario, une performance immédiate en temps réel n'est peut-être pas requise, ce qui fait du traitement cloud un choix pratique et évolutif.

Fig 2. Un exemple d'utilisation de YOLO26 pour analyser des images de feuilles

Cependant, l'envoi de données vers des serveurs distants introduit une latence réseau, qui est le délai causé par la transmission des images sur Internet et la réception des prédictions en retour. Pour les applications qui ne sont pas sensibles au facteur temps, ce compromis peut être acceptable.

Il existe également des options entre le edge pur et le cloud pur. Certaines entreprises utilisent une infrastructure sur site située à proximité de l'endroit où les données sont générées. D'autres construisent des pipelines hybrides, effectuant un filtrage léger sur le edge et envoyant des données sélectionnées vers le cloud pour une analyse plus approfondie.

Choisir la bonne option de déploiement dépend des exigences de ton application. En définissant clairement tes besoins en matière de vitesse, de confidentialité et d'évolutivité, tu peux sélectionner une stratégie qui garantit que YOLO26 fonctionne de manière fiable dans des conditions réelles.

Link to this sectionConseil 2 : Choisis le format d'exportation qui correspond à ton matériel#

Une fois que tu as décidé où ton modèle sera exécuté, l'étape suivante consiste à choisir le bon format d'exportation. Exporter un modèle signifie le convertir du format utilisé pendant l'entraînement vers un format optimisé pour le déploiement.

Les modèles YOLO26 sont nativement construits et entraînés en PyTorch, mais les environnements de production s'appuient souvent sur des runtimes spécialisés mieux adaptés à un matériel spécifique. Ces runtimes sont conçus pour améliorer la vitesse d'inférence, réduire l'utilisation de la mémoire et assurer la compatibilité avec l'appareil cible.

La conversion de YOLO26 dans le format approprié lui permet de fonctionner efficacement en dehors de l'environnement d'entraînement. Le package Python Ultralytics rend ce processus simple. Il prend en charge un large éventail d'intégrations pour construire et déployer des projets de vision par ordinateur.

Si tu souhaites explorer ces intégrations plus en détail, tu peux consulter la documentation officielle d'Ultralytics. Elle comprend des tutoriels étape par étape, des conseils spécifiques au matériel et des exemples pratiques pour t'aider à passer du développement à la production en toute confiance.

Fig 3. Ultralytics prend en charge différentes intégrations (Source)

En particulier, le package Python Ultralytics prend en charge l'exportation d'Ultralytics YOLO26 dans plusieurs formats adaptés à différentes plateformes matérielles. Par exemple, le format d'exportation ONNX permet une compatibilité multiplateforme, le format d'exportation TensorRT est optimisé pour les GPU NVIDIA et les appareils edge NVIDIA Jetson, et le format d'exportation OpenVINO est conçu pour le matériel Intel.

Certains appareils prennent en charge plusieurs formats d'exportation, mais les performances peuvent varier en fonction de celui que tu choisis. Au lieu de sélectionner un format par défaut, demande-toi : quelle option est la plus efficace pour ton appareil ?

Un format peut offrir une inférence plus rapide, tandis qu'un autre peut offrir une meilleure efficacité mémoire ou une intégration plus facile dans ton pipeline existant. C'est pourquoi il est important de faire correspondre le format d'exportation à ton matériel et à ton environnement de déploiement spécifiques.

Prendre le temps de tester différentes options d'exportation sur ton appareil cible peut faire une différence notable dans les performances réelles. Un format d'exportation bien adapté permet de s'assurer que YOLO26 fonctionne efficacement, de manière fiable et à la vitesse requise par ton application.

Link to this sectionConseil 3 : Demande-toi si ton modèle nécessite une quantification#

Après avoir sélectionné un format d'exportation, c'est aussi une bonne idée de déterminer si ton modèle doit être quantifié.

La quantification de modèle réduit la précision numérique des poids et des calculs d'un modèle, les convertissant généralement de virgule flottante 32 bits vers des formats de précision inférieure tels que 16 bits ou 8 bits. Cela aide à réduire la taille du modèle, à diminuer l'utilisation de la mémoire et à améliorer la vitesse d'inférence, en particulier sur les appareils edge ou les systèmes alimentés par un CPU.

Selon ton matériel, ton format d'exportation et les dépendances de ton runtime, la quantification peut améliorer sensiblement les performances. Certains runtimes sont optimisés pour les modèles à plus faible précision, leur permettant de s'exécuter plus rapidement et plus efficacement.

Cependant, la quantification peut légèrement impacter la précision si elle n'est pas appliquée avec soin. Lors de la quantification post-entraînement, assure-toi de transmettre les images de validation. Ces images sont utilisées pendant le calibrage pour aider le modèle à s'ajuster à une précision inférieure et à maintenir des prédictions stables.

Link to this sectionConseil 4 : Prends en compte la dérive des données (data drift)#

Même le modèle le mieux entraîné peut perdre en performance au fil du temps en raison de la dérive des données. La dérive des données se produit lorsque les données que ton modèle voit en production sont différentes des données sur lesquelles il a été entraîné.

En d'autres termes, le monde réel change, mais pas ton modèle. En conséquence, la précision peut diminuer lentement.

Par exemple, tu pourrais entraîner ton modèle YOLO26 en utilisant des images capturées pendant la journée. Si ce même modèle est utilisé plus tard la nuit, dans des conditions d'éclairage différentes, les performances peuvent chuter. Le même problème peut survenir avec des changements d'angles de caméra, de conditions météorologiques, d'arrière-plans ou d'apparences d'objets.

La dérive des données est courante dans les systèmes de vision par ordinateur réels. Les environnements sont rarement statiques et de petits changements peuvent affecter la précision de la détection. Pour réduire l'impact de la dérive, tu peux t'assurer que ton jeu de données d'entraînement reflète les conditions réelles aussi étroitement que possible.

Inclus des images capturées à différents moments de la journée, sous différentes conditions d'éclairage et à travers divers environnements. Après le déploiement, tu peux continuer à surveiller les performances et à mettre à jour ou affiner le modèle si nécessaire.

Link to this sectionConseil 5 : Effectue des benchmarks dans des conditions réelles#

Avant de déployer complètement ton modèle, tu peux le benchmarker dans des conditions réelles.

Fig 4. Un regard sur le benchmarking de YOLO26 par rapport à d'autres modèles (Source)

Il est courant de tester les performances dans des environnements contrôlés en utilisant des images échantillons ou de petits jeux de données. Cependant, les systèmes réels se comportent souvent différemment. Les limites matérielles, les délais réseau, les flux vidéo multiples et l'entrée continue peuvent tous affecter les performances.

Le benchmarking fait référence à la mesure des performances de ton modèle sur l'appareil et la configuration réels où il sera exécuté. Cela inclut la vérification de la vitesse d'inférence, de la latence globale, de l'utilisation de la mémoire et de la stabilité du système. Il est important de tester non seulement le modèle lui-même, mais tout le pipeline, y compris le prétraitement et toutes les étapes de post-traitement.

Un modèle peut bien fonctionner lors d'un test sur une seule image, mais avoir des difficultés lors du traitement continu de vidéo en direct. De même, les performances sur une machine de développement puissante peuvent ne pas refléter la façon dont le modèle se comporte sur un appareil edge à faible puissance.

En faisant du benchmarking dans des conditions réalistes, tu peux identifier les goulots d'étranglement tôt et effectuer des ajustements avant la mise en service. Tester dans le même environnement où YOLO26 fonctionnera aide à garantir des performances fiables, stables et cohérentes en production.

Link to this sectionAutres considérations clés sur le déploiement de modèle#

Voici quelques facteurs supplémentaires à garder à l'esprit lors du déploiement de YOLO26 :

• Surveillance et journalisation : Configure des outils de surveillance pour suivre les métriques telles que la latence, la précision et la santé du système après le déploiement.
• Sécurité et confidentialité : Implémente des garde-fous pour protéger les données visuelles sensibles, en particulier lors de l'utilisation d'infrastructures cloud ou distantes.
• Optimisation des goulots d'étranglement du pipeline : Évalue tout le pipeline, y compris les modules comme le prétraitement, l'inférence, le post-traitement et le transfert de données, car des délais peuvent se produire en dehors du modèle lui-même.
• Planification de l'évolutivité : Prévois la croissance en t'assurant que ton système peut gérer un trafic accru, des caméras supplémentaires ou des charges de travail étendues.

Link to this sectionPoints clés#

Déployer YOLO26 efficacement commence par comprendre où ton modèle sera exécuté et ce dont ton application a vraiment besoin. En choisissant la bonne approche de déploiement, en faisant correspondre le format d'exportation à ton matériel et en testant les performances dans des conditions réelles, tu peux construire des systèmes de vision par ordinateur fiables et réactifs. Avec la bonne configuration, Ultralytics YOLO26 facilite l'intégration d'une vision par ordinateur rapide et prête pour la production sur le edge et le cloud.

Rejoins notre communauté et explore notre dépôt GitHub. Consulte nos pages de solutions pour découvrir diverses applications comme l'IA en agriculture et la vision par ordinateur dans les soins de santé. Découvre nos options de licence et commence avec la vision par IA dès aujourd'hui !