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

Aujourd’hui, Ultralytics lance officiellement YOLO26, le modèle YOLO le plus avancé et le plus facilement déployable à ce jour. Annoncé pour la première fois lors de 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 l’edge. De plus en plus, les images et les vidéos sont traitées directement sur des appareils, des caméras, des robots et des 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 et offre des performances de premier plan tout en fonctionnant efficacement sur des CPU, des accélérateurs edge et du matériel basse consommation.

Bien que YOLO26 représente un bond en avant majeur, il conserve l’expérience Ultralytics YOLO familière et fluide sur laquelle les développeurs comptent. Il s’intègre parfaitement aux workflows existants, prend en charge un large éventail de tâches de vision et reste facile à utiliser, ce qui facilite son adoption tant par les équipes de recherche que par celles de production.

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

Dans cet article, nous allons détailler tout ce que tu dois savoir sur Ultralytics YOLO26 et ce que signifie un modèle YOLO plus léger, plus petit et plus rapide pour l’avenir de l’IA de vision. C’est parti !

Ultralytics YOLO26 établit une nouvelle référence pour l’IA de vision#

Ultralytics YOLO26 repose sur l’idée que les capacités d’IA de vision ayant un impact doivent être facilement accessibles à tous. Nous pensons que les outils puissants de vision par ordinateur ne devraient pas être verrouillés ni réservés à un petit groupe d’organisations.

Lors de YV25 à Londres, notre fondateur et CEO Glenn Jocher a partagé sa vision en déclarant : « La technologie d’IA la plus impressionnante reste derrière des portes closes. Elle n’est pas ouverte. Les grandes entreprises contrôlent les nouveaux développements et tous les autres doivent faire la queue pour y accéder. Chez Ultralytics, nous avons une vision différente. Nous voulons que l’IA soit entre les mains de tout le monde. »

Il a également expliqué que cela signifie faire sortir l’IA du cloud pour l’intégrer dans des environnements réels, en ajoutant : « Nous ne voulons pas que la technologie reste dans le cloud ; nous voulons qu’elle soit transférée vers des appareils edge, ton téléphone, tes véhicules et des systèmes basse consommation. Et nous voulons que les personnes extraordinaires qui créent des solutions puissent y accéder. »

YOLO26 concrétise cette vision : 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 un prototype.

Ultralytics YOLO26 en détail : 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 même famille de modèles unifiée. Il est disponible en cinq tailles, Nano (n), Small (s), Medium (m), Large (l) et Extra Large (x), ce qui permet aux équipes de trouver le meilleur équilibre entre vitesse, précision et taille du modèle en fonction des contraintes de déploiement.

Au-delà de sa flexibilité, YOLO26 repousse les limites des performances. Par rapport à YOLO11, le modèle nano YOLO26 offre jusqu’à 43 % d’inférence CPU plus rapide, ce qui en fait l’un des modèles de détection d’objets haute précision les plus rapides disponibles pour les déploiements edge et basés sur CPU.

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

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

• Classification d’images : YOLO26 peut analyser une image entière et l’associer à une catégorie précise, aidant ainsi 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’instances : YOLO26 peut délimiter des objets individuels avec une précision au niveau du pixel.
• Estimation de pose : il peut être utilisé pour identifier des points clés et 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 : associé au package Python Ultralytics, YOLO26 peut être utilisé pour suivre des objets d’une image à l’autre dans des vidéos et des flux en direct.

Toutes les tâches prennent en charge l’entraînement, la validation, l’inférence et l’export dans un framework cohérent.

Principales innovations d’Ultralytics YOLO26#

Ultralytics YOLO26 introduit 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 perte focale de distribution (DFL) : le module DFL a été supprimé afin de simplifier la prédiction des boîtes englobantes, d’améliorer la compatibilité matérielle et de faciliter l’export et l’exécution des modèles sur les appareils edge et basse 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, supprimant la nécessité de la suppression non maximale et réduisant la latence d’inférence ainsi que la complexité du déploiement.
• Équilibrage progressif de la perte + STAL : ces stratégies de perte améliorées stabilisent l’entraînement et améliorent la précision de détection, en particulier pour les objets petits et difficiles à détecter.
• Optimiseur MuSGD : YOLO26 utilise un nouvel optimiseur hybride qui associe SGD à des techniques d’optimisation inspirées de Muon pour obtenir un entraînement plus stable.
• Jusqu’à 43 % d’inférence CPU plus rapide : spécifiquement optimisé pour l’edge computing, YOLO26 offre jusqu’à 43 % d’inférence CPU plus rapide, permettant des performances en temps réel sur les appareils edge.

Passons maintenant en détail à ces fonctionnalités de nouvelle génération qui rendent YOLO26 plus rapide, plus efficace et plus facile à déployer.

Simplifier la prédiction grâce à la suppression de la perte focale de distribution#

Les modèles YOLO précédents utilisaient la perte focale de distribution (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’export et le déploiement, en particulier sur le matériel edge et basse consommation.

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

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 edge et basse consommation.

Inférence de bout en bout sans NMS avec Ultralytics YOLO26#

Les pipelines traditionnels de détection d’objets s’appuient sur 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, notamment 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 la NMS comme étape de post-traitement distincte. Les prédictions en double sont gérées directement au sein du réseau.

La suppression de la 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 edge.

Améliorer la reconnaissance grâce à l’équilibrage progressif de la perte + STAL#

Une fonctionnalité essentielle liée à l’entraînement est l’introduction de l’équilibrage progressif de la perte (ProgLoss) et de l’attribution d’étiquettes sensible aux petites cibles (STAL). Ces fonctions de perte améliorées contribuent à stabiliser l’entraînement et à améliorer la précision de détection.

ProgLoss aide le modèle à apprendre de manière plus régulière pendant l’entraînement, en réduisant l’instabilité et en lui permettant de converger plus harmonieusement. De son côté, STAL se concentre sur l’amélioration de l’apprentissage du modèle à partir de petits objets, qui sont souvent plus difficiles à détecter en raison du manque de détails visuels.

Ensemble, ProgLoss et STAL produisent des détections plus fiables, avec des améliorations notables de la reconnaissance des petits objets. Cela est particulièrement important pour les applications edge telles que 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 combine les atouts de la descente de gradient stochastique (SGD) traditionnelle avec des techniques inspirées de Muon, un optimiseur utilisé pour l’entraînement des grands modèles de langage (LLM).

Le SGD est depuis longtemps un choix fiable en vision par ordinateur, grâce à sa simplicité et à sa forte capacité de généralisation. Parallèlement, 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 au 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 harmonieusement pendant l’entraînement. YOLO26 peut ainsi atteindre rapidement de solides performances tout en réduisant l’instabilité de l’entraînement, notamment dans les configurations d’entraînement plus grandes ou plus complexes.

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

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

À mesure que l’IA de vision se rapproche de l’endroit où les données sont générées, de solides performances edge deviennent de plus en plus essentielles. Spécifiquement optimisé pour l’edge computing, YOLO26 offre jusqu’à 43 % d’inférence CPU plus rapide, garantissant des performances en temps réel sur les appareils dépourvus de GPU. Cette amélioration permet à des systèmes de vision réactifs et fiables de fonctionner directement sur des caméras, des robots et du matériel embarqué, là où les contraintes de latence, d’efficacité et de coût définissent les possibilités.

Amélioration des tâches de vision par ordinateur prises en charge par Ultralytics YOLO26#

Au-delà des améliorations architecturales qui rendent la détection d’objets plus précise, YOLO26 inclut également des optimisations propres à chaque tâche, conçues pour améliorer les performances dans les différentes tâches de vision par ordinateur. Il améliore notamment 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 gère plus efficacement les objets de différentes tailles, même dans des scènes complexes.
• Estimation de pose : en intégrant l’estimation résiduelle de 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 avec 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, notamment pour les objets carrés dont l’orientation peut être ambiguë. Le décodage OBB optimisé réduit également les sauts brusques dans les prédictions d’angle près des limites de rotation, ce qui produit 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 basée sur l’architecture et les innovations d’entraînement de YOLO26.

YOLOE-26 n’est ni une nouvelle tâche ni une nouvelle fonctionnalité, mais une famille de modèles spécialisée qui réutilise la tâche de segmentation existante tout en permettant l’inférence avec des prompts textuels, des prompts visuels ou sans prompt. Disponible dans toutes les tailles YOLO standard, YOLOE-26 offre une meilleure précision et des performances plus fiables dans le monde réel que les modèles de segmentation à vocabulaire ouvert précédents.

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

Des caméras pilotées par la vision aux robots alimentés par la vision par ordinateur et aux minuscules puces de traitement présentes à la 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 des performances fiables sont essentielles.

Concrètement, cela signifie que YOLO26 peut être facilement déployé sur un large éventail de matériels. Grâce notamment au package Python Ultralytics et à son large éventail d’intégrations, les modèles peuvent être exportés dans des formats optimisés pour différentes plateformes et différents accélérateurs matériels.

Par exemple, l’export 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 edge dédiés, permettant une inférence à haut débit et économe en énergie sur du matériel Edge AI spécialisé.

Ce ne sont que quelques exemples, et de nombreuses autres intégrations sont prises en charge dans les environnements edge et de production. Cette flexibilité permet à un même modèle YOLO26 de fonctionner sur diverses cibles de déploiement. Elle simplifie les workflows de production et rapproche l’IA de vision de l’edge.

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

Conçu pour les déploiements réels, YOLO26 peut être utilisé dans un large éventail de cas d’utilisation de la vision par ordinateur, dans différents secteurs. Voici quelques exemples d’applications :

• Robotique : YOLO26 peut être utilisé pour des tâches telles que 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.

• Industrie manufacturière : sur les lignes de production, YOLO26 peut analyser des images et des vidéos pour identifier des défauts, des composants manquants ou des problèmes de processus. Le traitement des données sur l’appareil accélère la détection et réduit la dépendance aux systèmes cloud.

• Applications aériennes et de drones : lorsqu’il est déployé sur des drones, YOLO26 peut traiter des images aériennes pendant le vol à des fins d’inspection, de cartographie et de relevés. Il devient ainsi possible d’analyser des scènes en temps réel, même dans des lieux isolés.

• Systèmes embarqués et IoT : grâce à sa conception légère, YOLO26 peut fonctionner sur du matériel embarqué basse consommation afin de traiter localement les données visuelles. Parmi les cas d’utilisation 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 provenant de caméras de circulation et d’espaces publics. Cela permet des applications telles que 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.

Premiers pas avec Ultralytics YOLO26#

Ultralytics YOLO26 peut être utilisé via deux workflows complémentaires, selon la manière dont tu crées et déploies ton IA de vision.

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

L’Ultralytics Platform offre un moyen centralisé d’entraîner, de déployer et de surveiller les modèles YOLO26 en production. Elle réunit les jeux de données, les expériences et les déploiements au même endroit, ce qui facilite la gestion des workflows d’IA de vision à grande échelle, en particulier pour les équipes qui déploient leurs solutions dans des environnements edge et de production.

Grâce à la Platform, tu peux :

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

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

Option 2 : utiliser Ultralytics YOLO26 via des workflows open source

YOLO26 reste entièrement accessible via l’écosystème open source d’Ultralytics et peut être utilisé avec les workflows existants basés sur Python pour l’entraînement, l’inférence et l’export.

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

# 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 garder un contrôle direct ou créer 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 de vision de demain, dans lesquelles 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 un large éventail d’applications réelles. YOLO26 établit une nouvelle base pour la conception, le déploiement et la mise à l’échelle de l’IA de vision. Nous avons hâte de voir comment la communauté l’utilisera pour déployer des systèmes de vision par ordinateur dans le monde réel.

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