Ultralytics YOLO27 : Rejoins la liste d'attente.
Licence YOLO
Press release

Ultralytics YOLO26 to Bring Real-Time Computer Vision to Intel Processors

Ultralytics and Intel bring YOLO26 to Intel processors with OpenVINO, with sub-5 ms inference reported in supported CPU and GPU scenarios.

3 min de lecture
Ultralytics and Intel bring YOLO26 to Intel processors with OpenVINO, with sub-5 ms inference reported in supported CPU and GPU scenarios.

SANTA CLARA, Calif. – July 14, 2026 – Ultralytics, the company behind the YOLO family of object detection models, today announced a collaboration with Intel to bring production-ready YOLO (You Only Look Once) computer vision models to Intel hardware, making real-time vision AI faster, easier, and more cost-effective to deploy across industries from robotics to manufacturing, logistics, and security.

Most real-world vision AI technologies run on existing, CPU-based infrastructures including industrial PCs, laptops and edge devices. By pairing Ultralytics YOLO models with OpenVINO Toolkit, developers can deploy YOLO models across various platforms powered by any Intel processor, putting the compute where appropriate: CPU, GPU, or NPU.

The result is faster, more cost-effective, and more accessible computer vision for the industries that need it most. The collaboration meets AI where it actually ships, resulting in faster inference in supported CPU/GPU scenarios, with sub-5-millisecond inference reported across YOLO tasks on Intel hardware, reducing latency and deployment costs.

"Enterprises train in the data center, but the real work of vision AI happens at the edge, on factory floors, in retail, in robotics-running on Intel CPUs and NPUs," said Glenn Jocher, Founder and CEO of Ultralytics. "This collaboration means developers get state-of-the-art models like YOLO26 running production-ready on the hardware they already own, eliminating the need for a discrete GPU."

The collaboration also cuts friction for developers, who can train and export their applications to OpenVINO and deploy them with the same familiar Ultralytics Platform or Python package and command line interface, often with a single command. This single workflow supports use cases in a variety of industries, including:

  • Manufacturing: quality inspection, defect detection and process monitoring on factory-floor industrial PCs
  • Logistics: parcel/asset detection, counting and tracking
  • Security: monitoring analytics (people/object detection) plus privacy/compliance monitoring
  • Retail: shelf availability and inventory intelligence, including detecting SKUs, labels and shelf stock to monitor availability, planogram compliance and stock movement; real-time product recognition, including detecting, segmenting or tracking retail products for mobile applications, smart stores and e-commerce.
  • Healthcare: internal imaging workflow improvement, annotation workflow, model validation and internal research-to-production workflows.
  • Robotics: real-time perception on compact, power-efficient Intel hardware
  • Smart cities: scalable vision on distributed edge infrastructure
  • Edge AI broadly: bringing advanced vision to devices that use integrated AI acceleration already available on the SoC

“Extending Intel's AI PC and physical AI platforms with leading open vision models helps developers deploy applications with real-world efficient AI inferencing on processors with AI acceleration built right in. This ensures that some of the industry’s top models are optimized for the latest Intel Core Ultra processors and beyond,” said Matthew Formica, Intel Senior Director & Global Head of Edge Technical Marketing. “We are excited to partner with Ultralytics to build on this momentum.”

About Ultralytics#

Founded by Glenn Jocher, Ultralytics is the leading force in vision AI, best known for its Ultralytics YOLO (You Only Look Once) models. With over 135K GitHub stars, 300 million pip downloads, and 3.3+ billion model usages, Ultralytics YOLOv5, YOLOv8, YOLO11, and now YOLO26 have become the most widely recognized object detection models globally. Ultralytics empowers users with easy-to-use, cutting-edge AI technology. Our mission is to simplify and democratize the use of AI, making it accessible and impactful across industries ranging from manufacturing to healthcare and more.

©Intel, the Intel logo, and other Intel marks are trademarks of Intel Corporation or its subsidiaries.

Media Contact: Altaïr Kabunda-Margalet - altair@ultralytics.com

À la une du blog

Ultralytics cover showing an AI-generated fabric inspection line with cameras above fabric rollers, plus four real fabric photo crops labeled ok or stain with model confidence scores.

Meilleures plateformes pour entraîner des classificateurs d’images personnalisés

Comparatif des plateformes d’entraînement de classificateurs d’images : AutoML sans code, plateformes pour développeurs et outils pour l’edge, et comment choisir selon le niveau de contrôle, le déploiement et le coût.
En savoir plus
Two overlapping amber glass panes in warm light, like two overlapping bounding boxes

Comment régler le seuil IoU du NMS dans Ultralytics YOLO

Ajuster le seuil IoU du NMS dans Ultralytics YOLO : pourquoi la prédiction utilise désormais 0,5 par défaut, quand modifier iou plutôt que conf, et quand ignorer le NMS avec YOLO26.
En savoir plus
AI-generated aerial view of a car park that changes from 3D wireframe to photo, with real Ultralytics YOLO26 car detections at each stage

Meilleurs outils de données synthétiques pour entraîner des modèles de vision par ordinateur

Comparaison des outils de données synthétiques pour la vision par ordinateur selon leur méthode : simulation 3D, modèles génératifs et augmentation, et méthodes pour les tester avec Ultralytics YOLO.
En savoir plus
Ultralytics à l’AMD Embedded AI Working Group à Dublin

Ultralytics à l’AMD Embedded AI Working Group à Dublin

Découvre comment Ultralytics et AMD ont exploré l’IA physique, la robotique et le déploiement de la vision par ordinateur lors de l’AMD Embedded AI Working Group 2026 à Dublin.
En savoir plus
Comment choisir un VLM pour l’annotation automatique en fonction de la précision et du rappel

Comment choisir un VLM pour l’annotation automatique en fonction de la précision et du rappel

Choisis un VLM pour l’annotation automatique en fonction de la précision et du rappel : quels modèles génèrent moins de boîtes superflues, lesquels omettent moins d’objets et comment les tester sur tes propres données.
En savoir plus
AI-generated logistics scene with illustrative detections; the inset shows Ultralytics Platform benchmark latency for YOLO26n on an NVIDIA L4.

ONNX ou TensorRT pour l’inférence en vision par ordinateur : benchmarks et critères de choix

ONNX Runtime ou TensorRT pour l’inférence en vision par ordinateur : mesures de la vitesse et de la précision d’Ultralytics YOLO26 sur 19 GPU NVIDIA, et comment choisir.
En savoir plus
Détection des EPI manquants : entraîne Ultralytics YOLO sur Construction-PPE

Détection des EPI manquants : entraîne Ultralytics YOLO sur Construction-PPE

Découvre comment Construction-PPE annote les casques, gilets et gants manquants, puis entraîne Ultralytics YOLO à détecter les EPI manquants sur les caméras de ton propre site.
En savoir plus
Guide des jeux de données de détection de drones : entraîner Ultralytics YOLO sur de petits UAV

Guide des jeux de données de détection de drones : entraîner Ultralytics YOLO sur de petits UAV

Compare les jeux de données DUT Anti-UAV, Drone-vs-Bird et de détection thermique de drones, puis entraîne Ultralytics YOLO26 pour repérer les petits drones et réduire les fausses alertes.
En savoir plus
IA conforme à HIPAA pour l’imagerie médicale : ce que couvre un BAA et comment entraîner avec des données de patients

IA conforme à HIPAA pour l’imagerie médicale : ce que couvre un BAA et comment entraîner avec des données de patients

Découvre ce qu’exige une IA conforme à HIPAA pour l’imagerie médicale, ce que couvre un BAA d’Ultralytics, et comment annoter, entraîner et déployer avec des données de patients.
En savoir plus
Meilleurs modèles d’estimation de profondeur : comment choisir

Meilleurs modèles d’estimation de profondeur : comment choisir

Compare les modèles de profondeur monoculaire tels que Depth Anything, Depth Pro, Metric3D, UniDepth et Ultralytics YOLO26 pour la profondeur métrique, les appareils en périphérie et la robotique.
En savoir plus
Comment migrer des modèles Ultralytics YOLO de W&B vers Ultralytics Platform

Comment migrer des modèles Ultralytics YOLO de W&B vers Ultralytics Platform

Importe des modèles Ultralytics YOLO depuis Weights & Biases (W&B) dans Ultralytics Platform sans les réentraîner, puis compare les expériences, exporte les modèles et déploie-les.
En savoir plus
GPT-6.1 Terra arrive en tête pour l’annotation automatique et bat les modèles phares d’OpenAI

GPT-6.1 Terra arrive en tête pour l’annotation automatique et bat les modèles phares d’OpenAI

GPT-6.1 Terra pour l’annotation automatique devance 39 modèles dans notre classement VLM : 0.560 mAP50 pour 4,36 $ par tranche de 1 000 images, devant GPT-6.1 Sol et Gemini 4 Argon.
En savoir plus
Annotation automatique avec MiniMax-M3.1-Flash : pourquoi un raisonnement moins poussé a donné de meilleures boîtes

Annotation automatique avec MiniMax-M3.1-Flash : pourquoi un raisonnement moins poussé a donné de meilleures boîtes

Annotation automatique avec MiniMax-M3.1-Flash sur Ultralytics Platform : 0.317 mAP50 à 1,84 $ pour 1 000 images après réglage, avec un score de 0.86 pour la détection de navires SAR.
En savoir plus
Annotation automatique avec Kimi K3.1 Pro : un tiers de mieux que K3, avec un effort élevé

Annotation automatique avec Kimi K3.1 Pro : un tiers de mieux que K3, avec un effort élevé

L’annotation automatique avec Kimi K3.1 Pro atteint 0.444 mAP50 sur UL37, soit un tiers de plus que Kimi K3. Découvre pourquoi nous l’exécutons avec un effort élevé, combien cela coûte et où le modèle se démarque.
En savoir plus
Ultralytics YOLO et NVIDIA Cosmos Data Factory : données synthétiques pour la détection des défauts

Ultralytics YOLO et NVIDIA Cosmos Data Factory : données synthétiques pour la détection des défauts

Les données synthétiques de NVIDIA Cosmos Data Factory et une boucle d’entraînement agentique aident Ultralytics YOLO26 à atteindre une précision de détection des défauts comparable à celle obtenue avec le jeu de données complet, avec moins d’annotations.
En savoir plus
Annotation automatique avec Gemini 4 Argon : les boîtes les plus précises parmi 39 modèles

Annotation automatique avec Gemini 4 Argon : les boîtes les plus précises parmi 39 modèles

Annotation automatique avec Gemini 4 Argon sur Ultralytics Platform : 2e sur 39 modèles, meilleure précision (0.667), premier dans 6 domaines sur 12, à 7,60 $ pour 1 000 images jusqu’au 30 novembre.
En savoir plus
Calcul ouvert, vision ouverte : AMD à Ultralytics YOLO Vision 2026

Calcul ouvert, vision ouverte : AMD à Ultralytics YOLO Vision 2026

Découvre comment AMD a apporté le calcul ouvert à Ultralytics YOLO Vision 2026 avec une présentation sur ROCm, des ateliers pratiques et des démonstrations de YOLO sur des GPU AMD Radeon.
En savoir plus
Meilleurs modèles de classification d’images : comment choisir

Meilleurs modèles de classification d’images : comment choisir

Compare les principaux modèles de classification d’images, de ConvNeXt V2 et DINOv3 à EfficientNetV2, ViT et Ultralytics YOLO26-cls, et découvre comment faire ton choix.
En savoir plus
Segmentation sémantique ou segmentation d’instances : comment choisir la bonne tâche

Segmentation sémantique ou segmentation d’instances : comment choisir la bonne tâche

La segmentation sémantique attribue une classe à chaque pixel ; la segmentation d’instances distingue chaque objet. Découvre laquelle convient à ton projet de vision par ordinateur, et pourquoi.
En savoir plus
Ultralytics à Arm Create 2026 : l’IA visuelle en temps réel à la périphérie

Ultralytics à Arm Create 2026 : l’IA visuelle en temps réel à la périphérie

Retour sur la participation d’Ultralytics à Arm Create 2026 à Shenzhen : déploiement d’Ultralytics YOLO pour l’IA en périphérie en temps réel, table ronde sur les modèles et nouveau portail Arm AI Portal.
En savoir plus
Rencontre Ultralytics : Londres

Rencontre Ultralytics : Londres

Retour sur la rencontre Ultralytics à Londres : premier aperçu de YOLO27, démonstrations d’Ultralytics Platform et table ronde sur l’IA visuelle avec NVIDIA et Arm.
En savoir plus
Suivi Ultralytics Platform : garde le cap sur tes déploiements d’IA visuelle

Suivi Ultralytics Platform : garde le cap sur tes déploiements d’IA visuelle

Surveille les modèles d’IA visuelle déployés avec Ultralytics Platform. Suis l’état des points de terminaison, la latence, les erreurs, les journaux et les statistiques de prédiction en direct.
En savoir plus
Découvrez Ultralytics Agents : créez plus rapidement des workflows d’IA visuelle

Découvrez Ultralytics Agents : créez plus rapidement des workflows d’IA visuelle

Crée des workflows d’IA visuelle avec Ultralytics Agents. Connecte des modèles YOLO, des modèles vision-langage, des conditions, des jeux de données et des alertes Slack sur un même canevas.
En savoir plus
Découvrez Ultralytics AutoTrain : simplifiez l’entraînement des modèles d’IA visuelle

Découvrez Ultralytics AutoTrain : simplifiez l’entraînement des modèles d’IA visuelle

Entraîne, compare et améliore des modèles Ultralytics YOLO avec AutoTrain dans Ultralytics Platform, de la référence initiale au déploiement en production.
En savoir plus
Les temps forts d’Ultralytics YOLO Vision 2026 !

Les temps forts d’Ultralytics YOLO Vision 2026 !

Les moments forts de YOLO Vision 2026, où Ultralytics a dévoilé Ultralytics YOLO27 et présenté AutoTrain, Agents et Monitoring sur Ultralytics Platform.
En savoir plus
Ultralytics YOLO26 prend désormais en charge l’estimation de profondeur monoculaire

Ultralytics YOLO26 prend désormais en charge l’estimation de profondeur monoculaire

Découvre comment la nouvelle tâche d’estimation de profondeur d’Ultralytics YOLO26 prédit une profondeur métrique pour chaque pixel à partir d’une seule image RGB, sans système stéréo ni LiDAR.
En savoir plus
Meilleures plateformes d’annotation d’images pour la vision par ordinateur

Meilleures plateformes d’annotation d’images pour la vision par ordinateur

Compare neuf plateformes d’annotation d’images pour la vision par ordinateur : CVAT, Encord, Label Studio, Labelbox, Roboflow, Scale AI, SuperAnnotate, Ultralytics et V7.
En savoir plus
Détection automatisée des défauts en production : comparatif des plateformes

Détection automatisée des défauts en production : comparatif des plateformes

Compare les plateformes de détection automatisée des défauts : Cognex, Instrumental, Keyence, Landing AI, Overview et Ultralytics, et découvre comment choisir la tâche du modèle en fonction du défaut.
En savoir plus
Combien coûte la vision par ordinateur en entreprise : un cadre d’analyse du TCO

Combien coûte la vision par ordinateur en entreprise : un cadre d’analyse du TCO

Un cadre d’analyse du coût total de la vision par ordinateur en entreprise, couvrant les données, l’annotation, les caméras, le matériel embarqué, l’entraînement, l’inférence, l’intégration et le réentraînement.
En savoir plus
Vérification de l’assemblage et prévention des erreurs par la vision par ordinateur

Vérification de l’assemblage et prévention des erreurs par la vision par ordinateur

Comment la vision par ordinateur vérifie l’exhaustivité, la conformité et l’ordre des étapes d’assemblage : conception du poste d’imagerie, choix de la tâche du modèle, intégration au PLC et validation.
En savoir plus

Construisons ensemble l’avenir de l’IA !

Commence ton parcours vers l’avenir de l’apprentissage automatique