Ultralytics YOLO26 vs YOLO11 vs YOLOv8 : Lequel utiliser ?

Les systèmes de vision par ordinateur de pointe, souvent basés sur 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 une grande variété 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 vision par ordinateur comme les modèles Ultralytics YOLO ont évolué en gardant cet équilibre à l'esprit. Par exemple, Ultralytics YOLOv8 a établi une base solide et polyvalente, Ultralytics YOLO11 est allé plus loin avec une vitesse et une précision améliorées, et Ultralytics YOLO26 s'appuie sur ces acquis en étant 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 !

Link to this sectionComprendre 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.

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

Link to this sectionPasser d'Ultralytics YOLOv5 à Ultralytics YOLO26#

Le premier modèle Ultralytics YOLO, Ultralytics YOLOv5, est devenu très populaire pour ses capacités fiables de détection d'objets. 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 a élargi la portée 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 tâches de vision par ordinateur 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 de backbone et de neck avancées, qui ont amélioré l'extraction de caractéristiques et la performance globale 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.

Par la suite, YOLO11 s'est concentré sur l'amélioration des performances dans les workflows réels, offrant une précision accrue ainsi que des vitesses d'inférence plus rapides. Avec une architecture plus légère, il fonctionne bien dans les environnements de périphérie et 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.

Link to this sectionComparaison 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.

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

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

Cette année, YOLO26 a été lancé comme la dernière itération, 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 YOLO26 nano peut atteindre jusqu'à 43 % de vitesse d'inférence en plus que YOLO11 sur des unités centrales (CPU), ce qui en fait une excellente option pour les environnements de périphérie et les environnements aux ressources limitées. C'est particulièrement vital car les configurations traditionnelles reposent souvent fortement sur des unités de traitement graphique (GPU), qui peuvent être coûteuses et plus difficiles à mettre à l'échelle.

Fig 3. Analyse comparative des performances de YOLO26 sur CPU (Source)

Dans l'ensemble, YOLO26 est un choix solide pour les équipes et les particuliers cherchant à optimiser les compromis entre performance, coût et évolutivité.

Link to this sectionUn examen plus approfondi d'Ultralytics YOLO26#

YOLO26 est un modèle de pointe conçu pour le déploiement réel, où l'efficacité, la vitesse et l'évolutivité importent autant que la précision. Au lieu de se concentrer uniquement sur l'amélioration des performances de référence, il introduit des changements architecturaux 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 de périphérie et de production, où le calcul limité, les contraintes de latence et les considérations de coût jouent un rôle clé. En simplifiant l'inférence et en optimisant les performances, YOLO26 permet aux passionnés d'IA de construire et de faire évoluer des applications de vision plus efficacement.

Voici un aperçu de quelques-unes des fonctionnalités clés de YOLO26 :

• Inférence de bout en bout sans NMS : L'un des changements cruciaux est sa conception sans suppression des non-maxima (NMS), qui élimine le besoin de post-traitement. En termes simples, le modèle produit directement des prédictions finales. Par conséquent, la latence devient plus prévisible et le déploiement est facilité.
• Suppression du DFL : 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 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 innovations en entraînement, l'équilibrage progressif de la perte (ProgLoss) et l'assignation d'étiquettes consciente des petites cibles (STAL), rendent le modèle plus stable et fiable. ProgLoss aide le modèle à apprendre des 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 la détection dans les scènes complexes.

Link to this sectionPrécision 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 de YOLO26 utilisé 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 YOLO26, peuvent traiter davantage de flux sur le même matériel, tirant un meilleur parti des ressources disponibles. Cela améliore l'efficacité globale du système et facilite le passage à l'échelle des déploiements au fil du temps.

Pour en savoir plus sur YOLO26, YOLO11 et YOLOv8, consulte la documentation officielle d'Ultralytics.

Link to this sectionPoints 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 cherches à intégrer l'IA visuelle dans tes opérations ? Découvre nos licensing options. Tu peux également visiter nos pages de solutions pour voir comment l'AI in manufacturing transforme les usines et comment la vision AI in robotics façonne l'avenir. Rejoins notre community grandissante et explore notre GitHub repository pour obtenir des ressources en IA.