Les moments forts d’Ultralytics à YOLO Vision 2025 Shenzhen !

Le 26 octobre, YOLO Vision 2025 (YV25) a fait ses débuts en Chine au bâtiment B10 du parc culturel et créatif OCT, à Shenzhen. Cet événement hybride consacré à l’IA visuelle, organisé par Ultralytics, a réuni plus de 200 personnes sur place, tandis que de nombreux autres participants l’ont suivi en ligne sur YouTube et Bilibili.

Le diffusion en direct de YV25 à Shenzhen a déjà dépassé les 3 500 vues sur YouTube et continue d’attirer l’attention à mesure que les moments forts de l’événement sont partagés au sein de la communauté. Cette journée a été riche en idées, en échanges et en explorations pratiques des prochaines avancées de l’IA visuelle.

La journée a commencé par un accueil chaleureux de notre hôte, Huang Xueying, qui a invité tout le monde à échanger, à apprendre et à participer aux discussions tout au long de l’événement. Elle a expliqué qu’il s’agissait du deuxième YOLO Vision de l’année, après l’édition de Londres en septembre, et a souligné combien il était enthousiasmant de réunir à nouveau la communauté de l’IA visuelle, cette fois à Shenzhen.

Dans cet article, nous reviendrons sur les moments forts de la journée, notamment les mises à jour des modèles, les interventions des conférenciers, les démonstrations en direct et les échanges communautaires qui ont rassemblé tout le monde.

Le parcours des modèles Ultralytics YOLO jusqu’à présent#

La première allocution de la journée a été prononcée par Glenn Jocher, fondateur et PDG d’Ultralytics. Il a expliqué comment les modèles Ultralytics YOLO sont passés d’une avancée majeure en recherche à certains des modèles d’IA visuelle les plus utilisés au monde. Glenn a expliqué que ses premiers travaux visaient à rendre YOLO plus facile à utiliser.

Il a porté les modèles vers PyTorch, amélioré la documentation et tout partagé ouvertement afin que les développeurs du monde entier puissent s’appuyer dessus. Comme il l’a raconté : « Je me suis lancé à fond en 2018. J’ai décidé que c’était là que se trouvait mon avenir. » Ce qui avait commencé comme une initiative personnelle est rapidement devenu un mouvement mondial open source.

Fig. 1. Glenn Jocher s’exprimant sur scène lors de YOLO Vision 2025 à Shenzhen.

Aujourd’hui, les modèles Ultralytics YOLO alimentent des milliards d’inférences chaque jour, et Glenn a souligné que cette ampleur n’a été possible que grâce aux personnes qui ont contribué à leur développement. Des chercheurs, des ingénieurs, des étudiants, des passionnés et des contributeurs open source du monde entier ont façonné YOLO pour en faire ce qu’il est aujourd’hui.

Comme l’a dit Glenn : « Il y a près d’un millier de [contributeurs] dehors et nous leur en sommes extrêmement reconnaissants. Nous ne serions pas là où nous en sommes aujourd’hui sans ces personnes. »

Mises à jour sur Ultralytics YOLO26#

Le premier aperçu d’Ultralytics YOLO26 a été présenté plus tôt cette année lors de l’événement YOLO Vision 2025 à Londres, où il a été annoncé comme la prochaine grande avancée de la famille de modèles Ultralytics YOLO. À YV25 Shenzhen, Glenn a fait le point sur les progrès accomplis depuis cette annonce et a présenté à la communauté de l’IA une vue plus détaillée de l’évolution du modèle.

Ultralytics YOLO26 est conçu pour être plus compact, plus rapide et plus précis, tout en restant adapté aux applications concrètes. Glenn a expliqué que l’équipe avait passé l’année écoulée à affiner l’architecture, à évaluer les performances sur différents appareils et à intégrer les enseignements issus de la recherche et des commentaires de la communauté. L’objectif est d’offrir des performances de pointe sans rendre les modèles plus difficiles à déployer.

À quoi s’attendre d’Ultralytics YOLO26#

L’une des principales nouveautés soulignées par Glenn est qu’Ultralytics YOLO26 s’accompagne d’une campagne dédiée au réglage des hyperparamètres : on passe d’un entraînement entièrement réalisé à partir de zéro à un ajustement fin sur des jeux de données plus volumineux. Il a précisé que cette approche correspond bien mieux aux cas d’utilisation concrets.

Voici quelques autres améliorations clés présentées lors de l’événement :

• Architecture simplifiée : la couche Distribution Focal Loss (DFL) a été supprimée. Les modèles sont ainsi plus simples et plus rapides à exécuter, tout en conservant le même niveau de précision.
• Prise en charge de l’inférence de bout en bout : Ultralytics YOLO26 est nativement de bout en bout, ce qui signifie qu’il peut fonctionner sans couche NMS distincte. L’exportation vers des formats comme ONNX et TensorRT et le déploiement sur du matériel périphérique sont ainsi beaucoup plus simples.
• Meilleures performances sur les petits objets : les stratégies de fonction de perte mises à jour aident le modèle à détecter les très petits objets de manière plus fiable, un défi de longue date en vision par ordinateur.
• Un nouvel optimiseur hybride : YOLO26 intègre un nouvel optimiseur inspiré de recherches récentes sur l’entraînement des grands modèles de langage. Il améliore la précision des modèles et est désormais intégré directement au package Python Ultralytics.

Ultralytics YOLO26, prochaine étape vers une IA visuelle pratique#

Ensemble, ces mises à jour permettent d’obtenir des modèles jusqu’à 43 % plus rapides sur CPU et plus précis que Ultralytics YOLO11, ce qui rend YOLO26 particulièrement intéressant pour les appareils embarqués, la robotique et les systèmes de périphérie.

Ultralytics YOLO26 prendra en charge toutes les mêmes tâches et tailles de modèles que YOLO11, soit 25 variantes dans la famille. Cela comprend des modèles pour la détection, la segmentation, la classification, l’estimation de pose et les boîtes englobantes orientées, du format nano au format extra-large.

L’équipe travaille également sur cinq variantes guidées par des invites. Ces modèles peuvent recevoir une invite textuelle et renvoyer directement des boîtes englobantes, sans nécessiter d’entraînement.

C’est une première étape vers des flux de travail de vision plus flexibles, fondés sur des instructions et plus faciles à adapter à différents cas d’usage. Les modèles Ultralytics YOLO26 sont encore en développement actif, mais les premiers résultats de performance sont prometteurs et l’équipe s’efforce de les publier bientôt. (Mise à jour : Ultralytics YOLO26 est depuis sorti.)

Découverte de la plateforme Ultralytics#

Après la mise à jour sur YOLO26, Glenn a invité Prateek Bhatnagar, notre responsable de l’ingénierie produit, à présenter en direct la plateforme Ultralytics. Cette plateforme est conçue pour réunir les principales étapes du flux de travail en vision par ordinateur, notamment l’exploration de jeux de données, l’annotation d’images, l’entraînement de modèles et la comparaison des résultats.

Fig. 2. Prateek Bhatnagar présente la plateforme Ultralytics.

Prateek a souligné que la plateforme reste fidèle aux racines open source d’Ultralytics et propose deux espaces communautaires : une communauté dédiée aux jeux de données et une autre aux projets, où les développeurs peuvent contribuer, réutiliser et améliorer le travail des autres. Pendant la démonstration, il a présenté l’annotation assistée par l’IA, l’entraînement dans le cloud en toute simplicité et la possibilité d’affiner directement les modèles de la communauté sans avoir besoin de ressources GPU locales.

La plateforme est actuellement en développement (elle a depuis été lancée). Prateek a invité le public à suivre les annonces et a indiqué que l’équipe se développe en Chine pour accompagner le lancement.

Les voix derrière YOLO : le panel des auteurs#

Alors que l’enthousiasme montait, l’événement s’est poursuivi par une table ronde réunissant plusieurs chercheurs à l’origine de différents modèles YOLO. Le panel comprenait Glenn Jocher, ainsi que Jing Qiu, notre ingénieure principale en apprentissage automatique ; Chen Hui, ingénieur en apprentissage automatique chez Meta et l’un des auteurs de YOLOv10 ; et Bo Zhang, stratège en algorithmes chez Meituan et l’un des auteurs de YOLOv6.

Fig. 3. Une table ronde sur le développement des modèles YOLO, avec Huang Xueying, Chen Hui, Bo Zhang, Jing Qiu et Glenn Jocher.

La discussion a porté sur l’évolution continue de YOLO à travers les usages concrets. Les intervenants ont évoqué la manière dont les progrès sont souvent motivés par les défis du déploiement pratique, comme l’exécution efficace sur des appareils périphériques, l’amélioration de la détection des petits objets et la simplification de l’exportation des modèles.

Plutôt que de viser uniquement la précision, le panel a souligné l’importance de trouver un équilibre entre vitesse, facilité d’utilisation et fiabilité en production. Un autre enseignement commun était l’intérêt de l’itération et des retours de la communauté.

Voici quelques autres idées intéressantes tirées de la conversation :

• La détection à vocabulaire ouvert gagne du terrain dans l’écosystème YOLO : Les modèles récents montrent comment l’alignement vision-langage et les workflows basés sur des invites peuvent détecter des objets au-delà des catégories prédéfinies.
• Les mécanismes d’attention légers se développent : Le panel a expliqué comment l’utilisation de mécanismes d’attention efficaces, plutôt que d’une attention complète partout, peut améliorer la précision tout en gardant l’inférence suffisamment légère pour les appareils périphériques.
• Itérer tôt et souvent avec la communauté : Les participants au panel ont défendu une approche qui consiste à construire, tester et améliorer, où publier les modèles plus tôt et tirer des enseignements des retours des utilisateurs donne de meilleurs résultats que de longs cycles de développement en privé.

Les leaders d’opinion qui façonnent l’avenir de l’IA et de la vision#

Examinons maintenant de plus près quelques conférences plénières de YV25 Shenzhen, où des leaders de la communauté de l’IA ont expliqué l’évolution de l’IA visuelle, des humains numériques et de la robotique au raisonnement multimodal et au déploiement efficace en périphérie.

Apprendre à l’IA à comprendre l’expérience humaine#

Lors d’une session éclairante, le Dr Peng Zhang, du laboratoire Alibaba Qwen, a expliqué comment son équipe développe de grands modèles vidéo capables de générer des humains numériques expressifs, aux mouvements et au contrôle plus naturels. Il a présenté Wan S2V et Wan Animate, qui s’appuient sur des références audio ou de mouvement pour produire des paroles, des gestes et des animations réalistes, en remédiant aux limites de la génération uniquement guidée par le texte.

Fig. 4. Peng Zhang explique comment les grands modèles vidéo peuvent donner vie à des humains numériques.

Le Dr Zhang a également parlé des progrès vers la création d’avatars interactifs en temps réel, notamment le clonage zero-shot de l’apparence et des mouvements, ainsi que de modèles légers capables d’animer un visage directement à partir d’un flux de caméra en direct, rapprochant ainsi les humains numériques réalistes d’une exécution fluide sur des appareils courants.

De la perception à l’action : l’ère de l’intelligence incarnée#

L’un des thèmes clés de YV25 Shenzhen était le passage des modèles de vision qui se contentent de voir le monde aux systèmes capables d’agir sur celui-ci. Autrement dit, la perception n’est plus la dernière étape du pipeline : elle devient le point de départ de l’action.

Par exemple, lors de sa conférence, Hu Chunxu, de D-Robotics, a expliqué comment leurs kits de développement et leurs solutions SoC (système sur puce) intègrent la détection, le contrôle des mouvements en temps réel et la prise de décision sur une pile matérielle et logicielle unifiée. En considérant la perception et l’action comme une boucle de rétroaction continue plutôt que comme des étapes distinctes, leur approche permet aux robots de se déplacer, de s’adapter et d’interagir de manière plus fiable dans des environnements réels.

Fig. 5. La démonstration de D-Robotics à YOLO Vision 2025 à Shenzhen, en Chine.

Lors de son intervention, Alex Zhang, de Baidu Paddle, a repris cette idée en expliquant comment YOLO et PaddleOCR travaillent ensemble pour détecter des objets, puis interpréter le texte et la structure qui les entourent. Cela permet aux systèmes de convertir des images et des documents en informations structurées exploitables pour des tâches comme la logistique, les inspections et le traitement automatisé.

L’intelligence en périphérie : une IA efficace pour tous les appareils#

Un autre sujet intéressant abordé lors de YV25 Shenzhen était l’efficacité et les capacités croissantes de l’IA visuelle sur les appareils périphériques.

Paul Jung, de DEEPX, a parlé du déploiement direct de modèles YOLO sur du matériel embarqué, réduisant ainsi la dépendance au cloud. En mettant l’accent sur une faible consommation d’énergie, une inférence optimisée et un ajustement des modèles tenant compte du matériel, DEEPX permet la perception en temps réel pour les drones, les robots mobiles et les systèmes industriels qui évoluent dans des environnements dynamiques.

De son côté, Liu Lingfei, de Moore Threads, a expliqué comment la plateforme Moore Threads E300 combine la puissance de calcul de l’unité centrale (CPU), de l’unité de traitement graphique (GPU) et de l’unité de traitement neuronal (NPU) pour offrir une inférence visuelle à grande vitesse sur des appareils compacts.

La plateforme peut exécuter plusieurs flux YOLO à une fréquence d’images élevée, et sa chaîne d’outils simplifie des étapes comme la quantification, la compilation statique et l’optimisation des performances. Moore Threads a également publié en open source un vaste ensemble de modèles de vision par ordinateur et d’exemples de déploiement afin de faciliter le travail des développeurs.

Combiner vision et langage pour des systèmes d’IA plus intelligents#

Jusqu’à récemment, créer un modèle unique capable à la fois de comprendre des images et d’interpréter le langage nécessitait de grandes architectures Transformer, coûteuses à exécuter. À YV25 Shenzhen, Yue Ziyin, de Yuanshi Intelligence, a présenté RWKV, une architecture qui associe les capacités de raisonnement à long contexte des Transformers à l’efficacité des modèles récurrents.

Il a expliqué comment Vision-RWKV applique cette conception à la vision par ordinateur en traitant les images de manière à ce que le coût évolue linéairement avec la résolution. Cette propriété convient aux entrées haute résolution et aux appareils périphériques dont la puissance de calcul est limitée.

Yue a également montré comment RWKV est utilisé dans des systèmes vision-langage, où les caractéristiques des images sont associées à la compréhension du texte pour aller au-delà de la détection d’objets et interpréter des scènes, des documents et le contexte réel.

Fig. 6. Yue Ziyin parle des applications de RWKV.

Des stands et des démonstrations en direct qui donnent vie à l’IA visuelle#

Alors que les conférences sur scène donnaient un aperçu de l’avenir de l’IA visuelle, les stands montraient comment elle est déjà utilisée aujourd’hui. Les participants ont pu voir des modèles en fonctionnement, comparer des options matérielles et échanger directement avec les équipes qui développent ces systèmes.

Voici un aperçu des technologies présentées :

• Plateformes de développement et de prototypage : Seeed, M5Stack et Infermove ont présenté des cartes de développement compactes et des kits de démarrage qui facilitent l’expérimentation d’applications basées sur YOLO et permettent de passer rapidement des idées à des démonstrations fonctionnelles.
• Matériel périphérique haute performance : Hailo, DEEPX, Intel et Moore Threads ont présenté des puces et des modules conçus pour une inférence rapide et efficace.
• Workflows de vision et de langage : Baidu Paddle et RWKV ont mis en avant des piles logicielles capables de détecter des objets, mais aussi de lire, d’interpréter et de comprendre ce qui apparaît dans une image ou un document.
• Outils open source et communautaires : Ultralytics et Datawhale ont échangé avec les développeurs lors de démonstrations en direct de modèles, de conseils sur l’entraînement et de séances pratiques, montrant ainsi comment le partage des connaissances accélère l’innovation.

Fig. 7. Aperçu du stand de M5Stack à YV25 Shenzhen.

Échanger avec la communauté de l’IA visuelle#

En plus de toutes les technologies passionnantes, l’un des meilleurs aspects de YV25 Shenzhen a été de réunir à nouveau en personne la communauté de la vision par ordinateur et l’équipe Ultralytics. Tout au long de la journée, les participants se sont rassemblés autour des démonstrations, ont échangé des idées pendant les pauses-café et ont poursuivi les conversations bien après la fin des conférences.

Chercheurs, ingénieurs, étudiants et créateurs ont comparé leurs expériences, posé des questions et partagé des retours du terrain, du déploiement à l’entraînement des modèles. Et grâce à Cinco Jotas, de Grupo Osborne, nous avons même apporté une touche de culture espagnole à l’événement avec du jamón fraîchement découpé, créant un moment chaleureux de partage. Un magnifique lieu, un public enthousiaste et un élan collectif ont rendu cette journée vraiment spéciale.

Points clés à retenir#

Des conférences inspirantes aux démonstrations pratiques, YOLO Vision 2025 Shenzhen a incarné l’esprit d’innovation qui caractérise la communauté Ultralytics. Tout au long de la journée, les intervenants et les participants ont échangé des idées, découvert de nouvelles technologies et partagé leur vision de l’avenir de l’IA. Ensemble, ils sont repartis pleins d’énergie et prêts à découvrir la suite avec Ultralytics YOLO.

Repense ce que l’IA et la vision par ordinateur peuvent accomplir. Rejoins notre communauté et découvre notre dépôt GitHub. Découvre des applications comme la vision par ordinateur dans l’agriculture et l’IA dans le commerce de détail. Consulte nos options de licence et lance-toi dès aujourd’hui dans la vision par ordinateur !