Ultralytics YOLO26 ou YOLO11 ou YOLOv8 : lequel choisir ?

Les systèmes de pointe de vision par ordinateur, souvent basés sur des réseaux neuronaux convolutifs (CNNs), permettent aux machines d’analyser et d’interpréter des données visuelles provenant d’images et de vidéos. Ils sont aujourd’hui déployés dans un large éventail d’environnements.

De l’agriculture à l’industrie manufacturière et au commerce de détail, ces systèmes sont déployés dans divers environnements : appareils de périphérie, matériel embarqué, appareils de l’Internet des objets (IoT), traitement sur appareil et pipelines cloud à grande échelle prenant en charge les applications en temps réel.

Dans des conditions réelles, le déploiement de ces modèles n’est pas toujours simple. Ils doivent souvent fonctionner avec des ressources de calcul limitées, respecter des exigences strictes en matière de latence et évoluer sans entraîner de hausse importante des coûts. Ces contraintes font des performances un problème multidimensionnel, qui ne se résume pas à la précision.

La précision reste importante, mais il est tout aussi essentiel qu’un modèle fonctionne efficacement en production. Des facteurs comme la vitesse, l’utilisation des ressources et l’évolutivité jouent un rôle majeur dans les performances d’un système au fil du temps.

Les modèles de vision par ordinateur comme les modèles Ultralytics YOLO ont évolué en tenant compte de cet équilibre. Par exemple, Ultralytics YOLOv8 a établi une base solide et polyvalente, Ultralytics YOLO11 a franchi une nouvelle étape en améliorant la vitesse et la précision, et Ultralytics YOLO26 va encore plus loin avec un modèle 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 allons comparer Ultralytics YOLO26, YOLO11 et YOLOv8 pour t’aider à choisir le modèle adapté à ton projet de vision par ordinateur. C’est parti !

Comprendre l’évolution des modèles Ultralytics YOLO#

Chaque nouvelle version des modèles Ultralytics YOLO a apporté des améliorations pour mieux répondre aux exigences du monde réel 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 le développement de l’écosystème de l’IA visuelle.

Ils reposent également sur PyTorch, ce qui les rend faciles à entraîner, à personnaliser et à intégrer dans des workflows intelligents d’apprentissage automatique. Les modèles Ultralytics YOLO sont disponibles directement sous forme de modèles préentraînés, souvent sur des jeux de données comme COCO, ce qui permet aux équipes de démarrer rapidement et de les ajuster à des cas d’usage précis.

De plus, le package Python Ultralytics simplifie le déploiement en prenant en charge nativement l’exportation des modèles vers des formats comme ONNX et TensorRT. Il est ainsi plus facile d’intégrer les modèles à différentes plateformes matérielles, des appareils de périphérie aux systèmes accélérés par GPU.

D’Ultralytics YOLOv5 à Ultralytics YOLO26#

Le premier modèle YOLO d’Ultralytics, Ultralytics YOLOv5, est devenu très populaire grâce à ses capacités fiables de détection d’objets. Basé sur une approche de détection en une étape, il permettait d’effectuer des prédictions rapides en temps réel en un seul passage, ce qui le rendait bien adapté aux workflows de production.

Les mises à jour ultérieures ont introduit des variantes sans ancres, dans lesquelles le modèle prédit directement l’emplacement des objets au lieu d’utiliser des boîtes d’ancrage prédéfinies, ce qui rend la détection plus flexible. Le modèle d’origine restait toutefois principalement axé sur les tâches de détection d’objets.

S’appuyant sur cette base, Ultralytics YOLOv8 a élargi le champ d’application de la famille de modèles. Au lieu de se limiter à la détection d’objets, il a ajouté la prise en charge de plusieurs tâches de vision par ordinateur, comme la segmentation d’instances, la classification d’images, l’estimation de pose et la détection de boîtes englobantes orientées (OBB). Il a également introduit 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.

En outre, des variantes comme YOLOv8n (Nano), YOLOv8s (Small), YOLOv8m (Medium), YOLOv8l (Large) et YOLOv8x (Extra Large) ont donné aux développeurs la flexibilité nécessaire pour équilibrer vitesse, précision et utilisation des ressources en fonction de leurs besoins. Ces capacités élargies, associées à sa facilité d’utilisation, en ont fait un choix de référence pour de nombreuses applications de vision.

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

Ultralytics YOLO11 s’est ensuite concentré sur l’amélioration des performances dans les workflows réels, en offrant une plus grande précision et une inférence plus rapide. Grâce à son architecture plus légère, il fonctionne bien dans les environnements de périphérie comme dans le cloud, tout en restant compatible avec les pipelines YOLOv8 existants.

Dernier modèle de la famille Ultralytics YOLO, YOLO26 est un modèle de pointe qui établit une nouvelle référence pour l’IA visuelle conçue en priorité pour la périphérie. Il propose une approche plus légère, plus rapide et plus efficace du déploiement dans le monde réel. Il est conçu pour fonctionner efficacement sur des CPU et des systèmes embarqués, tout en simplifiant le déploiement et en améliorant les performances en temps réel dans un large éventail d’applications.

Comparaison de YOLO26, YOLO11 et YOLOv8#

Lorsque tu travailles sur des projets de vision par ordinateur, tu peux découvrir différents modèles Ultralytics et te demander lequel convient à ton projet. Voyons comment YOLO26, YOLO11 et YOLOv8 se comparent dans des situations réelles.

Ultralytics YOLOv8 est sorti en 2023 et est depuis largement utilisé par la communauté de la vision par ordinateur. Le solide soutien de sa communauté et sa facilité d’utilisation en ont fait un modèle de référence pour de nombreuses équipes. Si tu recherches un modèle bien documenté, assorti de nombreux tutoriels, guides et ressources communautaires, YOLOv8 constitue un excellent point de départ.

En 2024, Ultralytics YOLO11 a été présenté avec des améliorations en matière de performances et d’efficacité. Il offre une meilleure vitesse et une plus grande précision que YOLOv8, tout en conservant une architecture plus compacte et mieux optimisée. C’est un modèle plus équilibré, qui fonctionne de manière fiable en production sans augmenter considérablement l’utilisation des ressources.

Cette année, Ultralytics YOLO26 est sorti en tant que dernière version, avec pour objectif un déploiement efficace à grande échelle. Il offre une inférence plus rapide sur CPU et une meilleure utilisation des ressources, ce qui permet aux équipes d’exécuter davantage de charges de travail sur le même matériel.

Par exemple, le modèle nano Ultralytics YOLO26 peut offrir une inférence jusqu’à 43 % plus rapide que YOLO11 sur des unités centrales de traitement (CPU), ce qui en fait une excellente option pour les environnements de périphérie et à ressources limitées. C’est particulièrement important, car les configurations traditionnelles dépendent souvent fortement des unités de traitement graphique (GPUs), qui peuvent être coûteuses et plus difficiles à mettre à l’échelle.

Fig. 3. Performances de YOLO26 sur les CPU (Source)

Dans l’ensemble, Ultralytics YOLO26 est un choix solide pour les équipes et les particuliers qui cherchent à optimiser les compromis entre performances, coûts et évolutivité.

Ultralytics YOLO26 en détail#

Ultralytics YOLO26 est un modèle de pointe conçu pour un déploiement en conditions réelles, où l’efficacité, la vitesse et l’évolutivité comptent autant que la précision. Au lieu de se concentrer uniquement sur l’amélioration des performances aux benchmarks, il introduit des changements architecturaux et des méthodes d’entraînement qui facilitent l’exécution des modèles, accélèrent leur déploiement et les rendent plus fiables sur différents environnements matériels.

Ces améliorations sont particulièrement importantes pour les systèmes de périphérie et de production, où les ressources de calcul limitées, les contraintes de latence et les considérations de coût jouent un rôle essentiel. 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 plus détaillé de certaines fonctionnalités clés d’Ultralytics YOLO26 :

• Inférence de bout en bout sans NMS : l’un des changements essentiels est sa conception sans suppression non maximale (NMS), qui élimine le besoin de post-traitement. En termes simples, le modèle produit directement les prédictions finales. La latence devient ainsi plus prévisible et le déploiement plus facile.
• Suppression de DFL : Ultralytics YOLO26 abandonne le module Distribution Focal Loss (DFL) au profit d’une approche plus simple de prédiction des boîtes englobantes. Ce changement s’inscrit dans sa conception de bout en bout sans NMS, réduit la complexité du pipeline et améliore 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. Il améliore la stabilité et la convergence de l’entraînement, pour une optimisation plus fluide et un comportement plus cohérent entre les différentes tailles de modèles.
• ProgLoss et STAL : ces innovations en matière d’entraînement, l’équilibrage progressif de la fonction de perte (ProgLoss) et l’attribution des étiquettes adaptée aux petites cibles (STAL), rendent le modèle plus stable et fiable. ProgLoss aide le modèle à apprendre progressivement à partir des jeux de données, tandis que STAL veille à ce que les petits objets ne soient pas ignorés pendant l’entraînement, améliorant ainsi la détection dans les scènes complexes.

Précision et efficacité : des benchmarks aux performances en conditions réelles#

Pour mettre en contexte les différences entre YOLO26, YOLO11 et YOLOv8, voyons de plus près les facteurs qui déterminent les performances des modèles en conditions réelles.

La précision, souvent mesurée par des indicateurs de performance comme la précision moyenne (mAP), est depuis longtemps un moyen important d’évaluer les modèles de vision par ordinateur. Elle indique les performances d’un modèle dans des conditions normalisées et permet de comparer différentes versions.

Cependant, une fois les modèles passés des tests au déploiement en conditions réelles, la précision seule ne suffit plus. Les performances en production dépendent de facteurs comme la taille du modèle, le temps d’inférence ou la latence, l’utilisation des ressources de calcul et la capacité d’un système à évoluer 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 différer considérablement de celles utilisées pour entraîner le modèle. Ces variations peuvent affecter la régularité des performances d’un modèle en pratique.

Fig. 4. Exemple d’utilisation d’Ultralytics YOLO26 dans un environnement imprévisible, comme un chantier.

Par exemple, imagine un déploiement comptant des centaines de caméras dans une ville intelligente, un magasin ou un entrepôt. Chaque flux doit être traité en temps réel, souvent avec une fréquence d’images constante (images par seconde, ou FPS) pour éviter les retards et les pertes d’images.

Un modèle moins efficace peut traiter moins de flux simultanés sur un système donné, ce qui signifie que l’évolution 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 et mieux exploiter les 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 documentation officielle d’Ultralytics.

Points clés à retenir#

La série de modèles Ultralytics YOLO a évolué pour mieux répondre aux besoins du déploiement en conditions réelles. Chaque version s’appuie sur la précédente, en mettant toujours davantage l’accent sur l’efficacité, l’évolutivité et la facilité de déploiement. Autrement dit, si tu développes une application de détection en temps réel qui doit fonctionner de manière fiable à grande échelle, Ultralytics YOLO26 est un choix idéal.

Tu souhaites intégrer l’IA visuelle à tes opérations ? Consulte nos options de licence. Tu peux aussi visiter nos pages de solutions pour découvrir comment l’IA dans l’industrie manufacturière transforme les usines et comment l’IA visuelle en robotique façonne l’avenir. Rejoins notre communauté grandissante et explore notre dépôt GitHub pour trouver des ressources sur l’IA.