Ultralytics YOLO26 vs YOLO11 vs YOLOv8 : Lequel utiliser ?

Des systèmes de computer vision de pointe, souvent propulsés par des réseaux de neurones convolutifs (CNN), permettent aux machines d'analyser et d'interpréter des données visuelles provenant d'images et de vidéos, et sont désormais déployés dans un large éventail d'environnements.

De l'agriculture à la fabrication et au commerce de détail, ces systèmes fonctionnent dans divers environnements de déploiement, notamment les appareils de périphérie (edge), le matériel embarqué, les appareils de l'Internet des objets (IoT), le traitement local sur appareil et les pipelines cloud à grande échelle qui prennent en charge les applications en temps réel.

Dans un contexte réel, le déploiement de ces modèles n'est pas toujours simple. Ils doivent souvent fonctionner avec une puissance de calcul limitée, respecter des exigences strictes en matière de latence et passer à l'échelle sans augmenter considérablement les coûts. Ces contraintes font de la performance un problème multidimensionnel plutôt qu'une simple question de précision.

Bien que la précision reste importante, il est tout aussi essentiel qu'un modèle s'exécute efficacement en production. Des facteurs comme la vitesse, l'utilisation des ressources et l'évolutivité jouent un rôle majeur dans la performance d'un système sur le long terme.

Les modèles de computer vision tels que les Ultralytics YOLO models ont évolué en gardant cet équilibre à l'esprit. Par exemple, Ultralytics YOLOv8 a établi une base solide et polyvalente, Ultralytics YOLO11 est allé encore plus loin avec une vitesse et une précision améliorées, et Ultralytics YOLO26 s'appuie sur ces éléments pour être plus léger, plus rapide et plus efficace que jamais.

Fig 1. Utilisation d'Ultralytics YOLO26 pour détecter des objets dans une image (Source)

Dans cet article, nous comparerons Ultralytics YOLO26, YOLO11 et YOLOv8 pour t'aider à choisir le modèle adapté à ton projet de vision par ordinateur. Commençons !

Comprendre l'évolution des modèles Ultralytics YOLO#

Chaque itération des modèles Ultralytics YOLO a introduit des améliorations pour mieux répondre aux exigences réelles et rendre la vision par ordinateur plus accessible. Ces mises à jour ont rendu les modèles plus rapides, plus efficaces et plus faciles à déployer, favorisant ainsi la croissance de l'écosystème de l'IA visuelle.

Ils sont également basés sur PyTorch, ce qui les rend faciles à entraîner, à personnaliser et à intégrer dans des workflows d'apprentissage automatique intelligents. Prêts à l'emploi, les modèles Ultralytics YOLO sont disponibles sous forme de modèles pré-entraînés, souvent entraînés sur des jeux de données comme COCO, permettant aux équipes de démarrer rapidement et de les affiner pour des cas d'utilisation spécifiques.

En plus de cela, le Ultralytics Python package simplifie le déploiement en offrant un support intégré pour l'exportation de modèles vers des formats tels que ONNX et TensorRT. Cela facilite l'intégration des modèles sur différentes plateformes matérielles, des appareils de périphérie (edge) aux systèmes accélérés par GPU.

Passer d'Ultralytics YOLOv5 à Ultralytics YOLO26#

Le premier modèle Ultralytics YOLO, Ultralytics YOLOv5, est devenu très populaire pour ses capacités de détection d'objets fiables. Construit sur une approche de détection en une seule étape, il permettait des prédictions rapides en temps réel en un seul passage, ce qui le rendait parfaitement adapté aux workflows de production.

Les mises à jour ultérieures ont introduit des variantes sans ancres (anchor-free), où le modèle prédit directement les emplacements des objets au lieu d'utiliser des boîtes d'ancrage prédéfinies, rendant la détection plus flexible. Cependant, le modèle original restait principalement axé sur les tâches de détection d'objets.

En s'appuyant sur cette base, YOLOv8 d'Ultralytics a élargi le champ d'application de la famille de modèles. Au lieu de se concentrer uniquement sur la détection d'objets, il a ajouté la prise en charge de multiples computer vision tasks telles que la segmentation d'instances, la classification d'images, l'estimation de pose et la détection de boîtes englobantes orientées (OBB). Il a également apporté des améliorations architecturales, notamment des conceptions avancées de backbone et de neck, qui ont amélioré l'extraction de caractéristiques et les performances globales de détection.

Au-delà de cela, des variantes telles que YOLOv8n (Nano), YOLOv8s (Small), YOLOv8m (Medium), YOLOv8l (Large) et YOLOv8x (Extra Large) ont donné aux développeurs la flexibilité nécessaire pour équilibrer la vitesse, la précision et l'utilisation des ressources en fonction de leurs besoins. Cette capacité étendue, combinée à sa facilité d'utilisation, en a fait un choix de prédilection pour une large gamme d'applications de vision.

Fig 2. Les modèles YOLO comme YOLOv8, YOLO11 et YOLO26 prennent en charge une variété de tâches de vision.

À la suite de cela, Ultralytics YOLO11 s'est concentré sur l'amélioration des performances dans les flux de travail du monde réel, offrant une précision accrue ainsi que des vitesses d'inférence plus rapides. Doté d'une architecture plus légère, il fonctionne bien dans les environnements de périphérie (edge) et de cloud tout en étant compatible avec les pipelines YOLOv8 existants.

Le dernier ajout à la famille de modèles Ultralytics YOLO, YOLO26, est un modèle de pointe qui établit une nouvelle norme pour l'IA visuelle axée sur la périphérie (edge-first), offrant une approche plus légère, plus rapide et plus efficace pour le déploiement en conditions réelles. Il est conçu pour s'exécuter efficacement sur des processeurs (CPU) et des systèmes embarqués tout en simplifiant le déploiement et en améliorant les performances en temps réel pour une vaste gamme d'applications.

Comparaison de YOLO26, YOLO11 et YOLOv8#

Lorsque tu travailles sur des projets de vision par ordinateur, tu peux rencontrer différents modèles Ultralytics et te demander lequel est le bon pour ton projet. Voyons comment YOLO26, YOLO11 et YOLOv8 se comparent dans des scénarios réels.

Ultralytics YOLOv8 est sorti en 2023 et a été largement utilisé par la communauté de la vision par ordinateur depuis lors. Son fort soutien communautaire et sa facilité d'utilisation en ont fait un modèle de prédilection pour de nombreuses équipes par le passé. Si tu recherches un modèle bien documenté avec un large éventail de tutoriels, de guides et de ressources communautaires, YOLOv8 constitue un excellent point de départ.

En 2024, Ultralytics YOLO11 a été introduit avec des améliorations à la fois en termes de performance et d'efficacité. Il offre une meilleure vitesse et précision par rapport à YOLOv8, tout en conservant une architecture plus petite et plus optimisée. C'est un modèle plus équilibré qui fonctionne de manière fiable en production sans augmenter considérablement l'utilisation des ressources.

Cette année, YOLO26 d'Ultralytics a été publié comme la dernière version, en se concentrant sur un déploiement efficace à grande échelle. Il offre une inférence CPU plus rapide et une meilleure utilisation des ressources, permettant aux équipes d'exécuter davantage de charges de travail sur le même matériel.

Par exemple, le modèle nano Ultralytics YOLO26 peut atteindre une inférence jusqu'à 43 % plus rapide que YOLO11 sur les unités centrales de traitement (CPU), ce qui en fait une excellente option pour les environnements de périphérie et aux ressources limitées. C'est particulièrement crucial car les configurations traditionnelles reposent souvent lourdement sur des unités de traitement graphique (GPU), qui peuvent s'avérer coûteuses et plus difficiles à mettre à l'échelle.

Fig 3. Évaluation des performances de YOLO26 sur les CPU (Source)

Globalement, YOLO26 d'Ultralytics constitue un choix solide pour les équipes et les particuliers cherchant à optimiser les compromis entre performances, coût et scalabilité.

Un examen plus approfondi d'Ultralytics YOLO26#

Ultralytics YOLO26 est un modèle de pointe conçu pour le déploiement dans le monde réel, où l'efficacité, la vitesse et la scalabilité comptent autant que la précision. Au lieu de se concentrer uniquement sur l'amélioration des performances de référence, il introduit des modifications architecturales et d'entraînement qui rendent les modèles plus faciles à exécuter, plus rapides à déployer et plus fiables dans différents environnements matériels.

Ces améliorations sont particulièrement importantes pour les systèmes embarqués et de production, où une puissance de calcul limitée, des contraintes de latence et des considérations de coût jouent un rôle clé. En simplifiant l'inférence et en optimisant les performances, Ultralytics YOLO26 permet aux passionnés d'IA de créer et de faire évoluer des applications de vision plus efficacement.

Voici un aperçu de certaines des principales fonctionnalités d'Ultralytics YOLO26 :

• Inférence de bout en bout sans NMS : L'un des changements cruciaux est sa Non-Maximum Suppression-free (NMS) design, qui supprime le besoin de post-traitement. En termes simples, le modèle produit directement les prédictions finales. Par conséquent, la latence devient plus prévisible et le déploiement devient plus facile.
• Suppression du DFL : Ultralytics YOLO26 abandonne le module Distribution Focal Loss (DFL) au profit d'une approche de prédiction de boîte englobante plus simple. Ce changement s'aligne sur sa conception de bout en bout et sans NMS, réduisant la complexité du pipeline et améliorant la cohérence du déploiement.
• Optimiseur MuSGD : Les derniers modèles Ultralytics YOLO introduisent MuSGD, un optimiseur hybride qui combine la descente de gradient stochastique (SGD) avec des mises à jour inspirées de Muon. Cela améliore la stabilité et la convergence de l'entraînement, conduisant à une optimisation plus fluide et un comportement plus cohérent entre les différentes tailles de modèles.
• ProgLoss et STAL : Ces training innovations, Progressive Loss Balancing (ProgLoss) et Small-Target-Aware Label Assignment (STAL), rendent le modèle plus stable et plus fiable. ProgLoss aide le modèle à apprendre à partir de jeux de données par étapes au fil du temps, tandis que STAL garantit que les petits objets ne sont pas ignorés pendant l'entraînement, améliorant ainsi la détection dans des scènes complexes.

Précision vs efficacité : Au-delà des benchmarks, la performance dans le monde réel#

Pour mettre les différences entre YOLO26, YOLO11 et YOLOv8 en contexte, comprenons mieux les facteurs qui déterminent la performance d'un modèle en conditions réelles.

La précision, souvent mesurée par des métriques de performance comme la précision moyenne moyenne (mAP), est depuis longtemps un moyen important d'évaluer les modèles de vision par ordinateur. Elle montre comment un modèle fonctionne dans des conditions normalisées et est utile pour comparer différentes versions.

Cependant, une fois que les modèles passent du test au déploiement réel, la précision seule ne suffit pas. La performance en production dépend de facteurs tels que la taille du modèle, le temps d'inférence ou la latence, l'utilisation des ressources de calcul et la capacité d'un système à passer à l'échelle dans différents environnements.

Contrairement aux benchmarks contrôlés, les environnements réels sont souvent imprévisibles. Les conditions d'éclairage peuvent changer, les objets peuvent être partiellement visibles et les données d'entrée peuvent varier considérablement par rapport à ce sur quoi le modèle a été entraîné. Ces variations peuvent affecter la cohérence avec laquelle un modèle fonctionne en pratique.

Fig 4. Un exemple d'utilisation de YOLO26 d'Ultralytics dans un environnement imprévisible, comme un chantier de construction.

Par exemple, considère une configuration avec des centaines de caméras dans une ville intelligente, un magasin de détail ou un entrepôt. Chaque flux doit être traité en temps réel, ce qui nécessite souvent des taux d'images cohérents (images par seconde, ou FPS) pour éviter les retards ou la perte d'images.

Un modèle moins efficace peut gérer moins de flux simultanés sur un système donné, ce qui signifie que le passage à l'échelle nécessite généralement du matériel supplémentaire et augmente les coûts d'infrastructure.

Des modèles plus efficaces, comme Ultralytics YOLO26, peuvent traiter davantage de flux sur le même matériel, tirant ainsi un meilleur parti des ressources disponibles. Cela améliore l'efficacité globale du système et facilite la mise à l'échelle des déploiements au fil du temps.

Pour approfondir la comparaison entre YOLO26, YOLO11 et YOLOv8, consulte la official Ultralytics docs.

Points clés#

La série de modèles Ultralytics YOLO a évolué pour mieux répondre aux besoins de déploiement réels. Chaque version s'appuie sur la précédente, avec un accent croissant sur l'efficacité, l'évolutivité et la facilité de déploiement. En d'autres termes, si tu développes une application de détection en temps réel qui doit fonctionner de manière fiable à grande échelle, Ultralytics YOLO26 est un choix parfait.

Tu souhaites intégrer l'IA de vision dans tes opérations ? Consulte nos licensing options. Tu peux également visiter nos pages de solutions pour voir comment l'AI in manufacturing transforme les usines et comment le vision AI in robotics façonne l'avenir. Rejoins notre community en pleine croissance et explore notre GitHub repository pour trouver des ressources en IA.