Pourquoi Ultralytics YOLO26 supprime le NMS et comment cela transforme le déploiement

Le 14 janvier, nous avons lancé Ultralytics YOLO26, la dernière génération de nos modèles de vision par ordinateur. Avec YOLO26, notre objectif n'était pas seulement d'améliorer la précision ou la vitesse, mais de repenser la manière dont les modèles de détection d'objets sont conçus et déployés dans des systèmes réels.

À mesure que la vision par ordinateur passe de la recherche à la production, on attend de plus en plus des modèles qu'ils fonctionnent sur des CPU, des appareils edge, des caméras, des robots et du matériel embarqué. Dans ces environnements, la fiabilité, la faible latence et la facilité de déploiement comptent tout autant que les performances.

Ultralytics YOLO26 a été conçu en tenant compte de cette réalité, avec une architecture de bout en bout rationalisée qui élimine la complexité inutile du pipeline d'inférence. L'une des innovations les plus importantes de YOLO26 est la suppression de la suppression non maximale, généralement appelée NMS.

Depuis des années, le NMS est un composant standard des systèmes de détection d'objets, utilisé comme étape de post-traitement pour éliminer les détections en double. Bien qu'efficace, il ajoutait aussi des calculs supplémentaires et des difficultés de déploiement, en particulier sur le matériel edge.

Avec YOLO26, nous avons adopté une approche différente. En repensant la manière dont les prédictions sont générées et entraînées, nous permettons une inférence véritablement de bout en bout, sans NMS. Le modèle produit directement les détections finales, sans dépendre d'étapes externes de nettoyage ni de règles définies manuellement. Cela rend YOLO26 plus rapide, plus facile à exporter et plus fiable à déployer sur un large éventail de plateformes matérielles.

Fig. 1. Détection d'objets dans une image avec Ultralytics YOLO26.

Dans cet article, nous allons examiner de plus près pourquoi la détection d'objets traditionnelle s'appuyait sur le NMS, comment celui-ci est devenu un goulot d'étranglement pour le déploiement et comment Ultralytics YOLO26 élimine le besoin de solutions de contournement. Commençons !

La détection d'objets traditionnelle produit des détections en double#

Avant d'examiner ce qu'est le NMS et pourquoi nous l'avons supprimé dans Ultralytics YOLO26, prenons un peu de recul et voyons comment les modèles traditionnels de détection d'objets génèrent leurs prédictions.

Les modèles traditionnels de détection d'objets produisent souvent plusieurs boîtes englobantes qui se chevauchent pour un même objet. Chacune de ces boîtes possède son propre score de confiance, même si elles désignent toutes le même objet dans l'image.

Cela se produit pour plusieurs raisons. Premièrement, le modèle effectue simultanément des prédictions à de nombreux emplacements spatiaux et à différentes échelles. Cela l'aide à détecter des objets de tailles différentes, mais signifie aussi que des emplacements proches peuvent tous identifier indépendamment le même objet.

Deuxièmement, de nombreux systèmes de détection d'objets utilisent des approches basées sur des ancres, qui génèrent un grand nombre de boîtes candidates autour de chaque emplacement. Bien que cela augmente les chances de localiser les objets avec précision, cela accroît également le nombre de prédictions qui se chevauchent.

Enfin, la détection basée sur une grille entraîne naturellement une redondance. Lorsqu'un objet se trouve près de la limite de plusieurs cellules de la grille, plusieurs cellules peuvent prédire une boîte pour cet objet, ce qui produit plusieurs détections qui se chevauchent.

Pour cette raison, la sortie brute du modèle contient souvent plusieurs boîtes pour un seul objet. Pour rendre les résultats exploitables, ces prédictions redondantes doivent être filtrées afin qu'il ne reste qu'une seule détection finale.

Comprendre la suppression non maximale#

Lorsqu'un modèle de détection d'objets produit plusieurs boîtes englobantes qui se chevauchent pour un même objet, ces résultats doivent être nettoyés avant de pouvoir être utilisés. C'est à ce moment qu'intervient la suppression non maximale.

La suppression non maximale est une étape de post-traitement qui s'exécute une fois que le modèle a terminé ses prédictions. Son objectif est de réduire les détections en double afin que chaque objet soit représenté par une seule boîte englobante finale.

Fig. 2. Vue d'ensemble du NMS. Image réalisée par l'auteur.

Le processus consiste à comparer les boîtes englobantes en fonction de leurs scores de confiance et de leur degré de chevauchement. Les prédictions dont la confiance est très faible sont d'abord supprimées.

Les boîtes restantes sont ensuite triées selon leur confiance, et la boîte ayant le score le plus élevé est sélectionnée comme meilleure détection. Cette boîte sélectionnée est comparée aux autres boîtes.

Si une autre boîte la recouvre trop, cette boîte est supprimée. Le chevauchement est généralement mesuré avec l'intersection sur union, une métrique qui calcule le rapport entre la surface commune à deux boîtes et la surface totale couverte par les deux. Le processus se répète jusqu'à ce qu'il ne reste que les détections les plus fiables et qui ne se chevauchent pas.

Pourquoi le NMS complique le déploiement#

Bien que la suppression non maximale aide à filtrer les détections en double, elle introduit également des difficultés qui deviennent plus visibles lorsque les modèles passent de la recherche au déploiement dans des environnements réels.

L'un des principaux problèmes concerne les performances. Le NMS s'exécute après l'inférence et nécessite de comparer les boîtes englobantes entre elles pour déterminer lesquelles conserver.

Ce processus est coûteux en calcul et difficile à paralléliser efficacement. Sur les appareils edge et les systèmes basés sur des CPU, ce travail supplémentaire peut ajouter une latence notable, ce qui complique le respect des exigences du temps réel.

Le NMS accroît également la complexité du déploiement. Comme il ne fait pas partie du modèle lui-même, il doit être implémenté séparément sous forme de code de post-traitement.

Les différents moteurs d'exécution et plateformes gèrent le NMS de manière différente, ce qui implique souvent de maintenir des implémentations personnalisées pour chaque environnement cible. Ce qui fonctionne dans une configuration peut se comporter légèrement différemment dans une autre, rendant le déploiement plus fragile et plus difficile à faire évoluer.

L'optimisation matérielle constitue un autre défi. Le NMS s'adapte mal aux accélérateurs d'IA spécialisés, conçus pour exécuter efficacement les opérations des réseaux neuronaux. Ainsi, même lorsque le modèle s'exécute rapidement sur du matériel optimisé, le NMS peut devenir un goulot d'étranglement qui limite les performances globales.

À ces facteurs s'ajoute le fait que le NMS repose sur des paramètres choisis manuellement, tels que les seuils de confiance et de chevauchement. Ces paramètres peuvent avoir une influence importante sur les résultats et doivent souvent être ajustés pour différents jeux de données, applications ou matériels. Le comportement des systèmes de production devient ainsi moins prévisible, tout en ajoutant une surcharge de configuration.

L'inférence de détection d'objets de bout en bout expliquée#

Les limites de la suppression non maximale nous ont conduits à repenser le comportement des modèles de détection d'objets au moment de l'inférence. Au lieu de générer de nombreuses prédictions qui se chevauchent et de les nettoyer ensuite, nous avons posé une question plus fondamentale.

Et si le modèle pouvait produire directement les détections finales ? Cette question est au cœur de l'inférence de détection d'objets de bout en bout. Dans un système de bout en bout, le modèle est entraîné pour gérer l'intégralité du processus de détection du début à la fin, sans dépendre d'étapes externes de nettoyage.

Au lieu de produire de nombreuses boîtes candidates et de les filtrer après l'inférence, le modèle apprend à générer de lui-même un petit ensemble de prédictions fiables et qui ne se chevauchent pas. Les détections en double sont résolues au sein du réseau plutôt que supprimées par le post-traitement.

Les architectures de modèles plus récentes ont montré que cette approche était à la fois possible et pratique. Avec la bonne stratégie d'entraînement, les modèles pouvaient apprendre à associer chaque objet à une seule prédiction plutôt qu'à plusieurs prédictions concurrentes, réduisant ainsi la redondance à sa source.

Fig. 3. Exemple de détection d'objets avec Ultralytics YOLO26.

Pour que cela fonctionne, l'entraînement doit lui aussi évoluer. Au lieu de laisser de nombreuses prédictions se disputer le même objet, le modèle apprend à prendre une décision claire, en produisant moins de détections et avec une plus grande confiance.

Le résultat global est un pipeline d'inférence plus simple. Comme les doublons sont déjà résolus en interne, la suppression non maximale n'est pas nécessaire au moment de l'inférence. La sortie du modèle constitue déjà l'ensemble final des détections.

Cette conception de bout en bout facilite également le déploiement. Sans étapes de post-traitement ni implémentations du NMS propres à chaque plateforme, le modèle exporté est entièrement autonome et se comporte de manière cohérente sur différents frameworks d'inférence et cibles matérielles.

Comme l'explique notre Lead Partnership Engineer, Francesco Mattioli, « Un véritable apprentissage de bout en bout signifie que le modèle doit tout gérer, des pixels aux prédictions, sans étapes de post-traitement définies manuellement qui rompent la différentiabilité et compliquent le déploiement. »

Comment Ultralytics YOLO26 supprime le NMS#

Ultralytics YOLO26 supprime la suppression non maximale en modifiant la manière dont les détections sont apprises et produites, plutôt qu'en s'appuyant sur le post-traitement pour les nettoyer. Au lieu de permettre à de nombreuses prédictions de se disputer le même objet, YOLO26 est entraîné à apprendre une relation claire, biunivoque, entre les objets et les sorties.

Cela est rendu possible en partie par la détection basée sur des requêtes apprenables, qui aide le modèle à se concentrer sur la production d'une prédiction unique et fiable pour chaque objet plutôt que sur de nombreux candidats qui se chevauchent. Chaque objet est associé à une prédiction, ce qui réduit naturellement les détections en double.

Ce comportement est renforcé par des stratégies d'appariement cohérentes pendant l'entraînement, qui encouragent le modèle à prendre une décision fiable pour chaque objet plutôt qu'à générer des prédictions qui se chevauchent. Au final, le modèle produit moins de prédictions, mais chacune représente une détection finale.

Pourquoi la suppression de DFL a rendu possible la détection sans NMS#

Une autre innovation importante qui permet l'inférence sans NMS dans Ultralytics YOLO26 est la suppression de la perte focale de distribution, ou DFL. Dans les anciens modèles YOLO, la DFL était utilisée pour améliorer la régression des boîtes englobantes en prédisant une distribution de positions possibles de la boîte plutôt qu'une valeur unique.

Bien que cette approche ait amélioré la précision de la localisation, elle a également ajouté de la complexité au pipeline de détection. Cette complexité est devenue une limite lors du passage à une véritable inférence de bout en bout.

La DFL introduisait des calculs supplémentaires et des plages de régression fixes, ce qui rendait plus difficile l'apprentissage par le modèle d'affectations objet-prédiction claires et biunivoques, tout en augmentant la dépendance à des étapes de post-traitement comme la suppression non maximale. Avec Ultralytics YOLO26, nous avons supprimé la DFL et repensé la régression des boîtes englobantes pour la rendre plus simple et plus directe.

Au lieu de s'appuyer sur des sorties basées sur des distributions, le modèle apprend à prédire des coordonnées de boîte précises d'une manière qui favorise des détections moins nombreuses et plus fiables. Cette modification contribue à réduire les prédictions qui se chevauchent à leur source et aligne la régression des boîtes englobantes sur la conception de bout en bout, sans NMS, d'Ultralytics YOLO26.

Ultralytics YOLO26 est sans NMS et facile à déployer#

Une conception sans NMS fait d'Ultralytics YOLO26 un véritable modèle de bout en bout. Cela a un impact important sur l'exportation des modèles.

L'exportation consiste à convertir un modèle entraîné dans un format pouvant s'exécuter en dehors de l'environnement d'entraînement, comme ONNX, TensorRT, CoreML ou OpenVINO. Dans les pipelines traditionnels, ce processus échoue souvent parce que la suppression non maximale ne fait pas partie du modèle lui-même.

En supprimant le NMS, Ultralytics YOLO26 évite entièrement ce problème. Le modèle exporté intègre déjà tout ce qui est nécessaire pour produire les détections finales.

Le modèle exporté est ainsi entièrement autonome et plus portable entre les frameworks d'inférence et les cibles matérielles. Le même modèle se comporte de manière cohérente, qu'il soit déployé sur des serveurs, des systèmes utilisant uniquement des CPU, des appareils embarqués ou des accélérateurs edge. Le déploiement devient plus simple, car ce que tu exportes correspond exactement à ce que tu exécutes.

Cette simplicité est particulièrement importante pour les applications edge. Par exemple, YOLO26 peut être facilement déployé sur des appareils comme des drones pour des cas d'usage tels que la surveillance des cultures, l'inspection des champs et l'analyse de la santé des plantes, où les ressources limitées en calcul et en énergie rendent impraticables les pipelines de post-traitement complexes. Comme le modèle produit directement les détections finales, il fonctionne de manière fiable sur du matériel léger, sans étapes de traitement supplémentaires.

Fig. 4. Ultralytics YOLO26 est facile à déployer sur des appareils edge comme les drones.

En bref, l'inférence sans NMS élimine les difficultés liées à l'exportation et au déploiement, et permet de créer des systèmes de vision plus propres et plus fiables. Le NMS était une solution de contournement. Ultralytics YOLO26 n'a désormais plus besoin de solutions de contournement.

Points clés à retenir#

Ultralytics YOLO26 supprime la suppression non maximale en résolvant le problème sous-jacent des détections en double, plutôt qu'en les nettoyant a posteriori. Sa conception de bout en bout permet au modèle de produire directement les détections finales, ce qui rend l'exportation et le déploiement plus simples et plus cohérents sur différents matériels. Le NMS était une solution de contournement utile pour les systèmes précédents, mais YOLO26 n'en a désormais plus besoin.

Rejoins notre communauté et consulte notre dépôt GitHub pour en savoir plus sur l'IA. Explore nos pages consacrées à l'IA dans l'agriculture et à la vision par ordinateur dans le commerce de détail. Découvre nos options de licence et commence dès aujourd'hui avec l'IA de vision !