Ultralytics YOLO26 : la nouvelle référence en IA de vision pensée pour la périphérie

Aujourd’hui, Ultralytics lance officiellement YOLO26, le modèle YOLO le plus avancé et le plus facile à déployer à ce jour. Présenté pour la première fois à YOLO Vision 2025 (YV25), YOLO26 marque un changement fondamental dans la façon dont les modèles de vision par ordinateur sont entraînés, déployés et mis à l’échelle dans des systèmes du monde réel.

L’IA visuelle se déplace rapidement vers la périphérie. De plus en plus, les images et les vidéos sont traitées directement sur les appareils, les caméras, les robots et les systèmes embarqués, où la latence, la fiabilité et le coût comptent davantage que la puissance de calcul brute du cloud. YOLO26 est conçu pour cette réalité : il offre une précision de pointe tout en fonctionnant efficacement sur les CPU, les accélérateurs périphériques et le matériel à faible consommation.

YOLO26 représente une avancée majeure, tout en conservant l’expérience Ultralytics YOLO familière et épurée sur laquelle les développeurs comptent. Il s’intègre aux flux de travail existants, prend en charge un large éventail de tâches de vision et reste facile à utiliser, ce qui simplifie son adoption par les équipes de recherche comme par les équipes de production.

Fig. 1. Exemple d’utilisation d’Ultralytics YOLO26 pour la détection d’objets.

Dans cet article, nous allons passer en revue tout ce qu’il faut savoir sur Ultralytics YOLO26 et expliquer ce qu’un modèle YOLO plus léger, plus petit et plus rapide signifie pour l’avenir de l’IA visuelle.

Ultralytics YOLO26 établit une nouvelle référence pour l’IA visuelle#

Ultralytics YOLO26 repose sur l’idée que tout le monde devrait pouvoir accéder facilement à des capacités d’IA visuelle utiles. Nous pensons que les outils de vision par ordinateur performants ne devraient pas être réservés ni limités à un petit groupe d’organisations.

Lors de YV25 à Londres, notre fondateur et PDG Glenn Jocher a partagé sa vision en déclarant : « Les technologies d’IA les plus impressionnantes restent à huis clos. Elles ne sont pas ouvertes. Les grandes entreprises contrôlent les nouveaux développements et tous les autres doivent attendre leur tour pour y accéder. Chez Ultralytics, nous avons une vision différente. Nous voulons que tout le monde puisse utiliser l’IA. »

Il a également expliqué que cela implique de faire sortir l’IA du cloud pour l’intégrer dans des environnements réels, en ajoutant : « Nous voulons que la technologie ne reste pas dans le cloud, mais qu’elle soit déployée sur des appareils en périphérie, dans ton téléphone, tes véhicules et des systèmes à faible consommation. Et nous voulons que ces personnes formidables qui créent des solutions puissent y accéder. »

YOLO26 concrétise cette vision : c’est un modèle conçu pour fonctionner là où l’IA visuelle est réellement déployée, et non là où il est le plus facile de créer des prototypes.

À la découverte d’Ultralytics YOLO26 : un modèle de vision de pointe#

Comme les modèles Ultralytics YOLO précédents, YOLO26 prend en charge plusieurs tâches de vision par ordinateur au sein d’une seule famille de modèles unifiée. Il est proposé en cinq tailles, Nano (n), Small (s), Medium (m), Large (l) et Extra Large (x), afin que les équipes puissent trouver le bon équilibre entre vitesse, précision et taille du modèle en fonction des contraintes de déploiement.

Au-delà de sa flexibilité, YOLO26 relève le niveau de performance. Par rapport à YOLO11, le modèle nano de YOLO26 offre une inférence CPU jusqu’à 43 % plus rapide, ce qui en fait l’un des modèles de détection d’objets à haute précision les plus rapides disponibles pour un déploiement en périphérie ou sur CPU.

Fig. 2. Ultralytics YOLO26 est un modèle de vision de pointe.

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

• Détection d’objets : le modèle peut repérer et localiser plusieurs objets dans des images ou des vidéos.
• Segmentation d’instances : YOLO26 peut délimiter des objets individuels avec une précision au pixel près.
• Classification d’images : YOLO26 peut analyser une image entière et lui attribuer une catégorie précise, ce qui aide les systèmes à comprendre le contexte général d’une scène.
• Estimation de pose : le modèle peut servir à identifier des points clés et à estimer la pose de personnes et d’autres objets.
• Détection de boîtes englobantes orientées (OBB) : YOLO26 peut détecter des objets sous différents angles, ce qui est particulièrement utile pour les images aériennes et satellitaires.
• Suivi d’objets : avec le package Python Ultralytics, YOLO26 peut suivre des objets d’une image vidéo à l’autre et dans des flux en direct.

Toutes les tâches prennent en charge l’entraînement, la validation, l’inférence et l’exportation dans un cadre cohérent. Depuis son lancement, YOLO26 prend également en charge la segmentation sémantique et l’estimation de profondeur monoculaire.

Les principales innovations d’Ultralytics YOLO26#

Ultralytics YOLO26 apporte plusieurs innovations fondamentales qui améliorent la vitesse d’inférence, la stabilité de l’entraînement et la simplicité du déploiement. Voici un aperçu de ces innovations :

• Suppression de la Distribution Focal Loss (DFL) : le module DFL a été supprimé afin de simplifier la prédiction des boîtes englobantes, d’améliorer la compatibilité matérielle et de faciliter l’exportation et l’exécution des modèles sur les appareils en 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 les prédictions finales, sans recourir à la suppression non maximale (NMS), ce qui réduit la latence d’inférence et la complexité du déploiement.
• Équilibrage progressif des pertes + STAL : ces stratégies de perte améliorées stabilisent l’entraînement et renforcent la précision de détection, en particulier pour les objets petits et difficiles à détecter.
• Optimiseur MuSGD : YOLO26 utilise un nouvel optimiseur hybride qui combine SGD et des techniques d’optimisation inspirées de Muon pour stabiliser l’entraînement.
• Inférence sur CPU jusqu’à 43 % plus rapide : optimisé spécifiquement pour l’informatique en périphérie, YOLO26 offre une inférence sur CPU jusqu’à 43 % plus rapide, permettant des performances en temps réel sur les appareils en périphérie.

Voyons maintenant en détail les fonctionnalités qui rendent YOLO26 plus rapide, plus efficace et plus facile à déployer.

Simplifier la prédiction en supprimant la Distribution Focal Loss#

Les premiers modèles YOLO utilisaient la Distribution Focal Loss (DFL) pendant l’entraînement pour améliorer la précision des boîtes englobantes. Bien qu’efficace, la DFL ajoutait de la complexité et imposait des limites fixes à la régression, ce qui compliquait l’exportation et le déploiement, en particulier sur le matériel en périphérie et à faible consommation.

YOLO26 supprime entièrement la DFL. Cette suppression élimine les limites fixes de régression des boîtes englobantes présentes dans les modèles précédents, améliorant la fiabilité et la précision de la détection des objets de très grande taille.

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

Inférence de bout en bout sans NMS avec Ultralytics YOLO26#

Les pipelines traditionnels de détection d’objets utilisent la suppression non maximale (NMS) comme 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, en particulier lors du déploiement de modèles sur plusieurs environnements d’exécution et cibles matérielles.

YOLO26 introduit un mode d’inférence natif de bout en bout, dans lequel le modèle produit directement les prédictions finales sans nécessiter NMS comme étape distincte de post-traitement. Le réseau lui-même gère les prédictions en double.

La suppression de NMS réduit la latence, simplifie les pipelines de déploiement et diminue le risque d’erreurs d’intégration, ce qui rend YOLO26 particulièrement adapté aux déploiements en temps réel et en périphérie.

Améliorer la reconnaissance avec l’équilibrage progressif des pertes + STAL#

Une caractéristique importante liée à l’entraînement est l’introduction de l’équilibrage progressif de la fonction de perte (ProgLoss) et de l’attribution d’étiquettes tenant compte des petites cibles (STAL). Ces améliorations de l’entraînement contribuent à stabiliser l’entraînement et à améliorer la précision de détection.

ProgLoss aide le modèle à apprendre de manière plus cohérente pendant l’entraînement, en réduisant l’instabilité et en favorisant une convergence plus régulière. STAL, quant à lui, vise à améliorer l’apprentissage du modèle à partir des petits objets, souvent plus difficiles à détecter en raison du peu de détails visuels.

Ensemble, ProgLoss et STAL rendent les détections plus fiables et améliorent sensiblement la reconnaissance des petits objets. C’est particulièrement important pour les applications en périphérie comme l’Internet des objets (IoT), la robotique et l’imagerie aérienne, où les objets sont souvent petits, éloignés ou partiellement visibles.

Un 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 plus efficace. MuSGD est une approche hybride qui associe les atouts de la descente de gradient stochastique (SGD) traditionnelle à des techniques inspirées de Muon, un optimiseur utilisé pour l’entraînement des grands modèles de langage (LLM).

La SGD est depuis longtemps un choix fiable en vision par ordinateur, grâce à sa simplicité et à sa forte capacité de généralisation. Dans le même temps, les avancées récentes dans l’entraînement des LLM ont montré que de nouvelles méthodes d’optimisation peuvent améliorer la stabilité et la vitesse lorsqu’elles sont appliquées avec soin. MuSGD transpose certaines de ces idées dans le domaine de la vision par ordinateur.

Inspiré par Kimi K2 de Moonshot AI, MuSGD intègre des stratégies d’optimisation qui aident le modèle à converger plus régulièrement pendant l’entraînement. YOLO26 peut ainsi atteindre rapidement de bonnes performances tout en réduisant l’instabilité de l’entraînement, surtout dans les configurations plus vastes ou plus complexes.

MuSGD aide YOLO26 à s’entraîner de manière plus prévisible, quelle que soit la taille du modèle, contribuant ainsi à la fois aux gains de performance et à la stabilité de l’entraînement.

Ultralytics YOLO26 offre une inférence sur CPU jusqu’à 43 % plus rapide#

À mesure que l’IA visuelle se rapproche des lieux où les données sont générées, les performances en périphérie deviennent de plus en plus essentielles. Optimisé spécifiquement pour l’informatique en périphérie, YOLO26 offre une inférence sur CPU jusqu’à 43 % plus rapide, garantissant des performances en temps réel sur les appareils sans GPU. Cette amélioration permet d’exécuter directement sur les caméras, les robots et le matériel embarqué des systèmes de vision réactifs et fiables, dans des environnements où la latence, l’efficacité et les contraintes de coût déterminent les possibilités.

Les tâches 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 comprend également des optimisations propres à chaque tâche, conçues pour améliorer les performances dans différentes tâches de vision par ordinateur. Par exemple, il améliore la segmentation d’instances, l’estimation de pose et la détection de boîtes englobantes orientées grâce à des mises à jour ciblées qui renforcent la précision et la fiabilité.

Voici un aperçu de ces optimisations :

• Segmentation d’instances : YOLO26 utilise une fonction de perte de segmentation sémantique pour améliorer l’apprentissage du modèle pendant l’entraînement, ce qui produit des masques d’instances plus précis et plus cohérents. Un module proto amélioré permet également d’utiliser des informations provenant de plusieurs échelles, afin que le modèle traite plus efficacement les objets de différentes tailles, même dans des scènes complexes.
• Estimation de pose : en intégrant l’estimation résiduelle du log-vraisemblance (RLE), une technique qui modélise l’incertitude des prédictions de points clés, et en améliorant le processus de décodage, YOLO26 fournit des points clés plus précis tout en offrant de meilleures performances en temps réel.
• Détection de boîtes englobantes orientées : YOLO26 introduit une fonction de perte angulaire spécialisée qui aide le modèle à apprendre plus précisément la rotation des objets, en particulier pour les objets carrés dont l’orientation peut être ambiguë. Le décodage OBB optimisé réduit également les sauts brusques des prédictions d’angle près des limites de rotation, produisant ainsi des estimations d’orientation plus stables et plus cohérentes.

Fig. 3. Utilisation d’Ultralytics YOLO26 pour la segmentation d’instances.

Ultralytics YOLOE-26 : segmentation à vocabulaire ouvert basée sur YOLO26#

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

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

Ultralytics YOLO26 est conçu pour les environnements où l’IA visuelle fonctionne réellement#

Des caméras pilotées par la vision aux robots utilisant la vision par ordinateur et aux petites puces de traitement en périphérie, la vision par ordinateur et l’IA sont déployées directement sur les appareils pour l’inférence en temps réel. Ultralytics YOLO26 est conçu spécifiquement pour ces environnements, où une faible latence, l’efficacité et la fiabilité des performances sont essentielles.

Concrètement, YOLO26 peut être facilement déployé sur un large éventail de matériels. Grâce notamment au package Python Ultralytics et à son large choix d’intégrations, les modèles peuvent être exportés dans des formats optimisés pour différentes plateformes et différents 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 qu’OpenVINO optimise les performances sur le matériel Intel. YOLO26 peut également être exporté pour fonctionner sur plusieurs accélérateurs périphériques dédiés, permettant une inférence à haut débit et économe en énergie sur du matériel d’IA spécialisé en périphérie.

Ce ne sont là que quelques exemples parmi les nombreuses intégrations prises en charge dans les environnements en périphérie et de production. Cette flexibilité permet à un seul modèle YOLO26 de fonctionner sur diverses cibles de déploiement. Elle simplifie les workflows de production et rapproche l’IA visuelle de la périphérie.

Redéfinir les cas d’usage de la vision par ordinateur dans tous les secteurs#

Conçu pour un déploiement dans le monde réel, YOLO26 peut être utilisé dans de nombreux cas d’usage de vision par ordinateur et dans différents secteurs. Voici quelques exemples d’applications possibles :

• Robotique : YOLO26 peut servir à des tâches comme la navigation, la détection d’obstacles et l’interaction avec des objets. Ces capacités favorisent des opérations robotiques sûres et efficaces dans des environnements dynamiques.
• Fabrication : sur les lignes de production, YOLO26 peut analyser des images et des vidéos pour détecter les défauts, les composants manquants ou les problèmes de processus. Le traitement des données sur l’appareil accélère la détection et réduit la dépendance aux systèmes cloud.
• Applications aériennes et par drone : déployé sur des drones, YOLO26 peut traiter des images aériennes pendant le vol pour l’inspection, la cartographie et le relevé de terrain. Il devient ainsi possible d’analyser des scènes en temps réel, même dans des lieux éloignés.
• Systèmes embarqués et IoT : grâce à sa conception légère, YOLO26 peut fonctionner sur du matériel embarqué à faible consommation pour traiter localement les données visuelles. Parmi les cas d’usage courants figurent les caméras intelligentes, les capteurs connectés et les appareils de surveillance automatisée.
• Villes intelligentes : dans les environnements urbains, YOLO26 peut analyser les flux vidéo des caméras de circulation et des espaces publics. Cela permet des applications en périphérie telles que la surveillance du trafic, la sécurité publique et la gestion des infrastructures.

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

Premiers pas avec Ultralytics YOLO26#

Ultralytics YOLO26 peut s’utiliser selon deux workflows complémentaires, en fonction de la manière dont tu crées et déploies l’IA visuelle.

Option 1 : utiliser Ultralytics YOLO26 via Ultralytics Platform (recommandé)

Ultralytics Platform propose un moyen centralisé d’entraîner, de déployer et de surveiller les modèles YOLO26 en production. La plateforme regroupe les jeux de données, les expériences et les déploiements au même endroit, ce qui facilite la gestion des flux de travail d’IA visuelle à grande échelle, en particulier pour les équipes qui déploient en périphérie et en production.

Avec Platform, les utilisateurs peuvent :

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

Découvre YOLO26 sur Ultralytics Platform : platform.ultralytics.com/ultralytics/yolo26

Option 2 : utiliser Ultralytics YOLO26 dans des workflows open source

YOLO26 reste entièrement accessible dans l’écosystème open source d’Ultralytics et peut s’utiliser avec les workflows Python existants pour l’entraînement, l’inférence et l’exportation.

Les développeurs peuvent installer le package Ultralytics, charger des modèles YOLO26 préentraînés et les déployer à l’aide d’outils et de formats familiers tels que ONNX, TensorRT, CoreML ou OpenVINO.

pip install ultralytics

from ultralytics import YOLO

# Charger un modèle YOLO26n préentraîné sur COCO
model = YOLO("yolo26n.pt")

# Exécuter l’inférence avec le modèle YOLO26n sur l’image « bus.jpg »
results = model("path/to/bus.jpg")

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

Ultralytics YOLO26 : conçu pour l’avenir de la vision par ordinateur#

Ultralytics YOLO26 est conçu pour répondre aux besoins des solutions d’IA visuelle 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 les capacités du modèle, YOLO26 s’intègre naturellement à de nombreuses applications du monde réel. YOLO26 établit une nouvelle référence pour la création, le déploiement et la mise à l’échelle de l’IA visuelle. Nous avons hâte de voir comment la communauté l’utilisera pour mettre en production des systèmes de vision par ordinateur concrets.

Rejoins notre communauté en pleine croissance et consulte notre dépôt GitHub pour accéder à des ressources pratiques sur l’IA. Pour créer dès aujourd’hui avec l’IA visuelle, découvre nos options de licence. Découvre comment l’IA dans l’agriculture transforme les pratiques agricoles et comment l’IA visuelle en robotique façonne l’avenir en consultant nos pages de solutions.