Ultralytics YOLO26 : La nouvelle norme pour la vision par IA orientée périphérie

Aujourd'hui, Ultralytics lance officiellement YOLO26, le modèle YOLO le plus avancé et le plus déployable à ce jour. Annoncé pour la première fois lors du YOLO Vision 2025 (YV25), YOLO26 représente un changement fondamental dans la manière dont les modèles de vision par ordinateur sont entraînés, déployés et mis à l'échelle dans des systèmes réels.

L'IA de vision se déplace rapidement vers la périphérie. De plus en plus, les images et les vidéos sont traitées directement sur les appareils, caméras, robots et systèmes embarqués, où la latence, la fiabilité et le coût comptent plus que la puissance de calcul brute du cloud. YOLO26 est conçu pour cette réalité, offrant des performances de classe mondiale tout en fonctionnant efficacement sur les CPU, les accélérateurs de périphérie et le matériel à faible consommation.

Bien que YOLO26 constitue un saut technologique important, il conserve l'expérience familière et simplifiée d'Ultralytics YOLO sur laquelle les développeurs s'appuient. Il s'intègre parfaitement aux flux de travail existants, prend en charge une large gamme de tâches de vision et reste facile à utiliser, rendant son adoption simple pour les équipes de recherche comme pour les équipes de production.

Fig 1. Un exemple d'utilisation d'Ultralytics YOLO26 pour la détection d'objets

Dans cet article, nous allons décomposer tout ce que tu dois savoir sur Ultralytics YOLO26 et ce qu'un modèle YOLO plus léger, plus petit et plus rapide signifie pour l'avenir de l'IA de vision. Commençons !

Link to this sectionUltralytics YOLO26 établit un nouveau standard pour l'IA de vision#

Ultralytics YOLO26 est construit autour de l'idée que des capacités d'IA de vision percutantes devraient être facilement accessibles à tous. Nous pensons que les outils puissants de vision par ordinateur ne devraient pas être verrouillés ou limités à un petit groupe d'organisations.

Lors du YV25 à Londres, notre fondateur et PDG Glenn Jocher a partagé ses réflexions sur cette vision, déclarant : « La technologie d'IA la plus incroyable est derrière des portes closes. Elle n'est pas ouverte. Les grandes entreprises contrôlent les nouveaux développements, et tout le monde doit attendre pour y accéder. Nous avons une vision différente chez Ultralytics. Nous voulons que l'IA soit entre les mains de tout le monde. »

Il a également expliqué que cela signifie sortir l'IA du cloud pour l'amener dans des environnements réels, ajoutant : « Nous voulons que la technologie ne reste pas simplement dans le cloud, mais qu'elle soit intégrée dans les appareils de périphérie, dans ton téléphone, tes véhicules et tes systèmes à faible consommation. Et nous voulons que ces personnes incroyables qui créent des solutions y aient accès. »

YOLO26 reflète cette vision dans la pratique : un modèle conçu pour fonctionner là où l'IA de vision est réellement déployée, et non là où il est le plus facile de créer des prototypes.

Link to this sectionAnalyse d'Ultralytics YOLO26 : un modèle de vision à la pointe de la technologie#

Comme les modèles Ultralytics YOLO précédents, YOLO26 prend en charge plusieurs tâches de vision par ordinateur au sein d'une famille de modèles unifiée. Il est disponible en cinq tailles, Nano (n), Small (s), Medium (m), Large (l) et Extra Large (x), permettant aux équipes d'équilibrer vitesse, précision et taille du modèle en fonction des contraintes de déploiement.

Au-delà de la flexibilité, YOLO26 place la barre plus haut en matière de performances. Comparé à YOLO11, le modèle YOLO26 nano offre une inférence CPU jusqu'à 43 % plus rapide, ce qui en fait l'un des modèles de détection d'objets haute précision les plus rapides disponibles pour un déploiement en périphérie et sur CPU.

Fig 2. Ultralytics YOLO26 est un modèle de vision à la pointe de la technologie.

Voici un aperçu des tâches de vision par ordinateur prises en charge par YOLO26 :

• Classification d'images : YOLO26 peut analyser une image entière et l'attribuer à une catégorie spécifique, aidant les systèmes à comprendre le contexte global d'une scène.
• Détection d'objets : Le modèle peut trouver et localiser plusieurs objets dans des images ou des vidéos.
• Segmentation d'instance : YOLO26 peut délimiter des objets individuels avec des détails au niveau du pixel.
• Estimation de pose : Il peut être utilisé pour identifier des points clés et estimer les poses des personnes et d'autres objets.
• Détection par boîte englobante orientée (OBB) : YOLO26 peut détecter des objets sous différents angles, ce qui est particulièrement utile pour l'imagerie aérienne et satellitaire.
• Suivi d'objets : En combinaison avec le package Python Ultralytics, YOLO26 peut être utilisé pour suivre des objets à travers les images vidéo et les flux en direct.

Toutes les tâches prennent en charge l'entraînement, la validation, l'inférence et l'exportation au sein d'un cadre cohérent.

Link to this sectionInnovations clés derrière Ultralytics YOLO26#

Ultralytics YOLO26 introduit plusieurs innovations essentielles qui améliorent la vitesse d'inférence, la stabilité de l'entraînement et la simplicité de déploiement. Voici un aperçu de ces innovations :

• Suppression de la Distribution Focal Loss (DFL) : Le module DFL a été supprimé pour simplifier la prédiction des boîtes englobantes, améliorer la compatibilité matérielle et rendre les modèles plus faciles à exporter et à exécuter sur des appareils de périphérie et à faible consommation.
• Inférence de bout en bout sans NMS : YOLO26 est conçu comme un modèle natif de bout en bout qui produit directement des prédictions finales, éliminant le besoin de Non-Maximum Suppression et réduisant la latence d'inférence et la complexité de déploiement.
• Progressive Loss Balancing + STAL : Ces stratégies de perte améliorées stabilisent l'entraînement et améliorent la précision de la détection, en particulier pour les petits objets difficiles à détecter.
• Optimiseur MuSGD : YOLO26 utilise un nouvel optimiseur hybride qui combine SGD avec des techniques d'optimisation inspirées de Muon pour un entraînement plus stable.
• Inférence CPU jusqu'à 43 % plus rapide : Spécifiquement optimisé pour l'informatique de périphérie, YOLO26 offre une inférence CPU jusqu'à 43 % plus rapide, permettant des performances en temps réel sur les appareils de périphérie.

Ensuite, passons en revue ces fonctionnalités de nouvelle génération qui rendent YOLO26 plus rapide, plus efficace et plus facile à déployer en détail.

Link to this sectionSimplifier la prédiction grâce à la suppression de la Distribution Focal Loss#

Les modèles YOLO précédents utilisaient la Distribution Focal Loss (DFL) pendant l'entraînement pour améliorer la précision des boîtes englobantes. Bien qu'efficace, la DFL introduisait une complexité supplémentaire et imposait des limites de régression fixes qui rendaient l'exportation et le déploiement plus difficiles, en particulier sur le matériel de périphérie et à faible consommation.

YOLO26 supprime complètement la DFL. L'élimination de la DFL supprime les limites de régression des boîtes englobantes fixes présentes dans les modèles précédents, améliorant la fiabilité et la précision lors de la détection de très grands objets.

En simplifiant le processus de prédiction des boîtes englobantes, YOLO26 devient plus facile à exporter et fonctionne de manière plus fiable sur une large gamme d'appareils de périphérie et à faible consommation.

Link to this sectionInférence de bout en bout sans NMS avec Ultralytics YOLO26#

Les pipelines traditionnels de détection d'objets s'appuient sur la Non-Maximum Suppression (NMS) en tant qu'étape de post-traitement pour filtrer les prédictions qui se chevauchent. Bien qu'efficace, la NMS ajoute de la latence, de la complexité et de la fragilité, surtout lors du déploiement de modèles sur plusieurs environnements d'exécution et cibles matérielles.

YOLO26 introduit un mode d'inférence natif de bout en bout, où le modèle produit directement les prédictions finales sans nécessiter de NMS comme étape de post-traitement distincte. Les prédictions en double sont gérées à l'intérieur même du réseau.

L'élimination de la NMS réduit la latence, simplifie les pipelines de déploiement et diminue le risque d'erreurs d'intégration, rendant YOLO26 particulièrement bien adapté aux déploiements en temps réel et en périphérie.

Link to this sectionAméliorer la reconnaissance avec Progressive Loss Balancing + STAL#

Une fonctionnalité cruciale liée à l'entraînement est l'introduction du Progressive Loss Balancing (ProgLoss) et du Small-Target-Aware Label Assignment (STAL). Ces fonctions de perte améliorées aident à stabiliser l'entraînement et à améliorer la précision de la détection.

ProgLoss aide le modèle à apprendre de manière plus cohérente pendant l'entraînement, réduisant l'instabilité et lui permettant de converger plus facilement. Pendant ce temps, STAL se concentre sur l'amélioration de la façon dont le modèle apprend à partir de petits objets, qui sont souvent plus difficiles à détecter en raison de détails visuels limités.

Ensemble, ProgLoss et STAL mènent à des détections plus fiables, avec des améliorations notables dans la reconnaissance des petits objets. C'est particulièrement important pour les applications de périphérie telles que l'Internet des objets (IoT), la robotique et l'imagerie aérienne, où les objets sont souvent petits, éloignés ou partiellement visibles.

Link to this sectionUn entraînement plus stable avec l'optimiseur MuSGD#

Avec YOLO26, nous avons adopté un nouvel optimiseur appelé MuSGD, conçu pour rendre l'entraînement plus stable et efficace. MuSGD est une approche hybride qui combine les forces de la descente de gradient stochastique (SGD) traditionnelle avec des techniques inspirées de Muon, un optimiseur utilisé dans l'entraînement des grands modèles linguistiques (LLM).

La SGD a longtemps été un choix fiable en vision par ordinateur, grâce à sa simplicité et sa forte généralisation. En même temps, les progrès récents dans l'entraînement des LLM ont montré que les nouvelles méthodes d'optimisation peuvent améliorer la stabilité et la vitesse lorsqu'elles sont appliquées avec soin. MuSGD apporte certaines de ces idées dans le domaine de la vision par ordinateur.

Inspiré par le Kimi K2 de Moonshot AI, MuSGD intègre des stratégies d'optimisation qui aident le modèle à converger plus doucement pendant l'entraînement. Cela permet à YOLO26 d'atteindre des performances élevées plus rapidement tout en réduisant l'instabilité de l'entraînement, en particulier dans des configurations d'entraînement plus vastes ou complexes.

MuSGD aide YOLO26 à s'entraîner de manière plus prévisible à travers différentes tailles de modèles, contribuant à la fois aux gains de performance et à la stabilité de l'entraînement.

Link to this sectionUltralytics YOLO26 offre une inférence CPU jusqu'à 43 % plus rapide#

Alors que l'IA de vision continue de se rapprocher de l'endroit où les données sont générées, une performance solide en périphérie devient de plus en plus cruciale. Spécifiquement optimisé pour l'informatique de périphérie, YOLO26 offre une inférence CPU jusqu'à 43 % plus rapide, garantissant des performances en temps réel sur les appareils sans GPU. Cette amélioration permet à des systèmes de vision réactifs et fiables de fonctionner directement sur les caméras, les robots et le matériel embarqué, là où les contraintes de latence, d'efficacité et de coût définissent ce qui est possible.

Link to this sectionTâches de vision par ordinateur améliorées prises en charge par Ultralytics YOLO26#

Au-delà des améliorations architecturales qui rendent la détection d'objets plus précise, YOLO26 inclut également des optimisations spécifiques aux tâches conçues pour améliorer les performances dans toutes les tâches de vision par ordinateur. Par exemple, il améliore la segmentation d'instance, l'estimation de pose et la détection par boîte englobante orientée avec des mises à jour ciblées qui améliorent la précision et la fiabilité.

Voici un aperçu de ces optimisations :

• Segmentation d'instance : YOLO26 utilise une perte de segmentation sémantique pour améliorer la façon dont le modèle apprend pendant l'entraînement, ce qui conduit à des masques d'instance plus précis et cohérents. Un module proto mis à niveau permet également d'utiliser des informations provenant de plusieurs échelles, de sorte que le modèle gère plus efficacement les objets de tailles différentes, même dans des scènes complexes.
• Estimation de pose : En intégrant l'estimation de log-vraisemblance résiduelle (RLE), une technique qui modélise l'incertitude dans les prédictions des points clés, et en améliorant le processus de décodage, YOLO26 offre des points clés plus précis avec de meilleures performances en temps réel.
• Détection par boîte englobante orientée : YOLO26 introduit une perte d'angle spécialisée qui aide le modèle à apprendre la rotation des objets plus précisément, en particulier pour les objets de forme carrée où l'orientation peut être ambiguë. Le décodage OBB optimisé réduit également les sauts soudains dans les prédictions d'angle près des limites de rotation, ce qui entraîne des estimations d'orientation plus stables et cohérentes.

Fig 3. Utilisation d'Ultralytics YOLO26 pour la segmentation d'instance.

Link to this sectionUltralytics YOLOE-26 : segmentation à vocabulaire ouvert basée sur YOLO26#

Ultralytics présente également YOLOE-26, une nouvelle famille de modèles de segmentation à vocabulaire ouvert construits sur l'architecture et les innovations d'entraînement de YOLO26.

YOLOE-26 n'est pas une nouvelle tâche ou fonctionnalité, mais une famille de modèles spécialisés qui réutilise la tâche de segmentation existante tout en permettant des invites textuelles, des invites visuelles et une inférence sans invite. Disponible dans toutes les tailles standard YOLO, YOLOE-26 offre une précision plus forte et des performances réelles plus fiables que les modèles de segmentation à vocabulaire ouvert précédents.

Link to this sectionUltralytics YOLO26 est conçu pour l'endroit où l'IA de vision fonctionne réellement#

Des caméras pilotées par la vision aux robots propulsés par la vision par ordinateur et aux minuscules puces de traitement à la périphérie, la vision par ordinateur et l'IA sont déployées directement sur l'appareil pour une inférence en temps réel. Ultralytics YOLO26 est conçu spécifiquement pour ces environnements, où une faible latence, l'efficacité et des performances fiables sont vitales.

En pratique, cela signifie que YOLO26 peut être déployé facilement sur une large gamme de matériels. Plus précisément, grâce au package Python Ultralytics et à sa large gamme d'intégrations, les modèles peuvent être exportés dans des formats optimisés pour différentes plateformes et accélérateurs matériels.

Par exemple, l'exportation vers TensorRT permet une inférence haute performance sur les GPU NVIDIA, tandis que CoreML prend en charge le déploiement natif sur les appareils Apple, et OpenVINO optimise les performances sur le matériel Intel. YOLO26 peut également être exporté pour s'exécuter sur plusieurs accélérateurs de périphérie dédiés, permettant une inférence à haut débit et écoénergétique sur du matériel d'IA de périphérie spécialisé.

Ce ne sont là que quelques exemples, avec beaucoup d'autres intégrations prises en charge dans les environnements de périphérie et de production. Cette flexibilité permet à un seul modèle YOLO26 de s'exécuter sur diverses cibles de déploiement. Cela rationalise les flux de travail de production et rapproche l'IA de vision de la périphérie.

Link to this sectionRedéfinir les cas d'utilisation de la vision par ordinateur dans tous les secteurs#

Conçu pour un déploiement réel, YOLO26 peut être utilisé dans une large gamme de cas d'utilisation de la vision par ordinateur dans différents secteurs. Voici quelques exemples de domaines où il peut être appliqué :

• Robotique : YOLO26 peut être utilisé pour des tâches telles que la navigation, la détection d'obstacles et l'interaction avec les objets. Ces capacités prennent en charge des opérations robotiques sûres et efficaces dans des environnements dynamiques.

• Fabrication : Sur les lignes de production, YOLO26 peut analyser les images et les vidéos pour identifier les défauts, les composants manquants ou les problèmes de processus. Le traitement des données sur l'appareil maintient la détection rapide et réduit la dépendance vis-à-vis des systèmes cloud.

• Applications aériennes et par drone : Lorsqu'il est déployé sur des drones, YOLO26 peut traiter l'imagerie aérienne pendant le vol pour l'inspection, la cartographie et l'arpentage. Cela permet d'analyser les scènes en temps réel, même dans des endroits reculés.

• Systèmes embarqués et IoT : Grâce à sa conception légère, YOLO26 peut fonctionner sur du matériel embarqué à faible consommation pour traiter les données visuelles localement. Les cas d'utilisation courants incluent les caméras intelligentes, les capteurs connectés et les appareils de surveillance automatisés.

• Villes intelligentes : Dans les environnements urbains, YOLO26 peut analyser les flux vidéo provenant des caméras de circulation et des espaces publics. Cela permet des applications comme la surveillance du trafic, la sécurité publique et la gestion des infrastructures à la périphérie.

Fig 4. YOLO26 peut être utilisé pour diverses applications de vision par ordinateur.

Link to this sectionDémarrer avec Ultralytics YOLO26#

Ultralytics YOLO26 peut être utilisé via deux flux de travail complémentaires, selon la façon dont tu construis et déploies l'IA de vision.

Option 1 : Utilise Ultralytics YOLO26 via la plateforme Ultralytics (recommandé)

La plateforme Ultralytics fournit un moyen centralisé pour entraîner, déployer et surveiller les modèles YOLO26 en production. Elle rassemble les jeux de données, les expériences et les déploiements en un seul endroit, ce qui facilite la gestion des flux de travail d'IA de vision à grande échelle, en particulier pour les équipes déployant dans des environnements de périphérie et de production.

Grâce à la plateforme, les utilisateurs peuvent :

• Accéder aux modèles YOLO26
• Entraîner et affiner sur des jeux de données personnalisés
• Exporter des modèles pour le déploiement en périphérie et en production
• Surveiller les expériences et les modèles déployés dans un flux de travail unique

👉 Explore YOLO26 sur la plateforme Ultralytics : platform.ultralytics.com/ultralytics/yolo26

Option 2 : Utilise Ultralytics YOLO26 via des flux de travail open-source

YOLO26 reste entièrement accessible via l'écosystème open-source d'Ultralytics et peut être utilisé avec les flux de travail basés sur Python existants pour l'entraînement, l'inférence et l'exportation.

Les développeurs peuvent installer le package Ultralytics, charger des modèles YOLO26 pré-entraînés et les déployer en utilisant des outils et formats familiers tels qu'ONNX, TensorRT, CoreML ou OpenVINO.

pip install ultralytics

from ultralytics import YOLO

# Load a COCO-pretrained YOLO26n model
model = YOLO("yolo26n.pt")

# Run inference with the YOLO26n model on the 'bus.jpg' image
results = model("path/to/bus.jpg")

Pour les utilisateurs qui préfèrent un contrôle pratique ou des pipelines personnalisés, la documentation complète et les guides sont disponibles dans la documentation Ultralytics.

Link to this sectionUltralytics YOLO26 : Construit pour ce qui suit dans la vision par ordinateur#

Ultralytics YOLO26 est conçu pour répondre aux besoins des solutions d'IA de vision de demain, où les modèles devront être rapides, efficaces et faciles à déployer sur du matériel réel. En améliorant les performances, en simplifiant le déploiement et en élargissant ce que le modèle peut faire, YOLO26 s'intègre naturellement dans un large éventail d'applications réelles. YOLO26 établit une nouvelle base de référence pour la manière dont l'IA de vision est construite, déployée et mise à l'échelle. Nous sommes impatients de voir comment la communauté l'utilise pour livrer des systèmes de vision par ordinateur réels.

Rejoins notre communauté grandissante et explore notre dépôt GitHub pour des ressources pratiques sur l'IA. Pour construire avec l'IA visuelle dès aujourd'hui, explore nos options de licence. Apprends comment l'IA dans l'agriculture transforme l'exploitation agricole et comment l'IA visuelle dans la robotique façonne l'avenir en visitant nos pages de solutions.