🤖 AI

Ultralytics YOLO26: Unified Real-Time End-to-End Vision Models

Ultralytics YOLO26 introduit une famille unifiée de modèles de vision en temps réel de bout en bout qui élimine la suppression des non-maxima et la perte focale de distribution grâce à une architecture à double tête et des stratégies d'entraînement avancées, atteignant des performances de pointe en termes de précision-latence sur de multiples tâches, incluant la détection, la segmentation, l'estimation de pose et l'inférence à vocabulaire ouvert.

Auteurs originaux : Glenn Jocher, Jing Qiu, Mengyu Liu, Shuai Lyu, Fatih Cagatay Akyon, Muhammet Esat Kalfaoglu

Publié 2026-06-03

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Glenn Jocher, Jing Qiu, Mengyu Liu, Shuai Lyu, Fatih Cagatay Akyon, Muhammet Esat Kalfaoglu

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez que vous avez un garde de sécurité super rapide dont le travail est de repérer des objets dans un flux vidéo en temps réel. Pendant des années, les meilleurs gardes (appelés modèles « YOLO ») ont été excellents, mais ils avaient quelques habitudes agaçantes : ils avaient besoin d'une étape de « double vérification » lente après avoir repéré quelque chose, ils transportaient des sacs à dos lourds de données supplémentaires qui les ralentissaient, et ils manquaient souvent de petits objets lointains parce que leurs règles d'entraînement étaient trop strictes.

Le papier présente YOLO26, une nouvelle génération de ces gardes de vision conçus pour être plus rapides, plus légers et plus affûtés que jamais. Voici comment ils ont résolu les anciens problèmes, expliqués avec des analogies de la vie quotidienne :

1. La règle du « Pas de double vérification » (Inférence sans NMS)

L'ancien problème : Auparavant, lorsqu'un garde repérait une voiture, il pouvait la voir trois ou quatre fois à des endroits légèrement différents. Il devait alors s'arrêter et effectuer un processus de « Suppression des non-maxima » (NMS) — une double vérification manuelle et lente — pour choisir la meilleure estimation et jeter les doublons. Cela prenait du temps.
La correction de YOLO26 : YOLO26 utilise une conception à double tête (dual-head). Imaginez que vous avez deux travailleurs spécialisés :

Le Travailleur A (Le Rapide) : Ce travailleur est entraîné pour choisir immédiatement une seule estimation parfaite pour chaque objet. Pas de double vérification nécessaire. C'est comme un tireur d'élite qui atteint la cible du premier coup.
Le Travailleur B (Le Maximiseur) : Ce travailleur continue de tout regarder et peut être utilisé si vous avez besoin de la précision absolue et que vous ne vous souciez pas du temps de « double vérification » supplémentaire.
Le résultat : Vous obtenez un système qui est « de bout en bout », ce qui signifie qu'il passe directement de la vision de l'image à la réponse sans s'arrêter pour un deuxième avis.

2. Jeter le sac à dos lourd (Suppression du DFL)

L'ancien problème : Les modèles récents transportaient un sac à dos lourd appelé « Distribution Focal Loss » (DFL). Ce sac à dos essayait de prédire la taille d'un objet en devinant à partir d'une liste de 16 possibilités différentes pour chaque bord. Cela rendait le modèle lourd (plus de mémoire) et lent, surtout pour les petits modèles. Il y avait également une limite de « taille maximale » ; si un objet était trop grand pour la liste, le modèle devenait confus.
La correction de YOLO26 : Ils ont jeté le sac à dos. Au lieu de deviner à partir d'une liste, le modèle mesure directement la taille, comme en utilisant une règle plutôt qu'en choisissant dans un menu.
Le résultat : Le modèle est plus léger, plus rapide, et peut désormais mesurer avec précision des objets très grands sans heurter de « plafond » sur leur taille.

3. Le filet de sécurité pour les « Objets minuscules » (STAL)

L'ancien problème : Les anciennes règles d'entraînement étaient comme un jeu de « cache-cache » où les règles disaient : « Tu ne peux te cacher que dans une boîte qui correspond à une grille spécifique. » Si un objet minuscule (comme un oiseau lointain) était plus petit que les carrés de la grille, le garde ne pouvait tout simplement pas le voir. Il ne recevait aucune attention et était ignoré pendant l'entraînement.
La correction de YOLO26 : Ils ont introduit le STAL (Small-Target-Aware Label Assignment). Imaginez que le garde reçoive une loupe spéciale pour les choses minuscules. Même si un objet minuscule ne rentre pas dans la grille standard, le système force le garde à prêter attention à lui en « étirant » temporairement la grille juste assez pour le couvrir.
Le résultat : Le modèle n'ignore plus les objets les plus petits et les plus difficiles à voir.

4. Le « Coach Intelligent » (MuSGD & Perte Progressive)

L'ancien problème : L'entraînement de ces modèles ressemblait autrefois à un marathon où le coach criait les mêmes instructions pendant toute la course de 600 miles. Cela prenait beaucoup de temps pour devenir bon. De plus, le coach traitait le travailleur « Rapide » et le travailleur « Maximiseur » exactement de la même manière, même s'ils avaient des tâches différentes.
La correction de YOLO26 :

MuSGD (Le Coach Intelligent) : Ils ont remplacé l'ancienne méthode d'entraînement par un nouvel optimiseur (MuSGD) qui apprend plus vite, comme un coach qui sait exactement comment cadencer le coureur pour qu'il termine en moins de miles (moins d'époques d'entraînement).
Perte Progressive (Le Curriculum) : Ils ont changé le programme d'entraînement. Au début, ils se concentrent sur le travailleur « Maximiseur » pour construire une base solide. Au fil de l'entraînement, ils basculent progressivement l'attention vers le travailleur « Rapide », garantissant que le produit final est parfaitement réglé pour une inférence rapide sans vérification.

5. Des compétences spécialisées pour différents travaux

Le fait qu'un garde soit rapide pour repérer des voitures ne signifie pas qu'il est bon en tout. YOLO26 ajoute des outils spécialisés pour d'autres tâches :

Découper des formes (Segmentation) : Ils ont ajouté un système multi-échelle qui aide le garde à mieux comprendre l'arrière-plan, ce qui facilite le traçage du contour exact d'un objet.
Suivre les personnes (Estimation de pose) : Ils ont ajouté un moyen de deviner à quel point le garde est « incertain » concernant une articulation (comme un coude). Si le coude est caché, le modèle admet qu'il n'est pas sûr plutôt que de deviner n'importe quoi.
Objets pivotés (OBB) : Pour les objets comme les navires ou les avions qui ne sont pas toujours droits, ils ont corrigé les mathématiques pour que le modèle ne soit pas confus lorsqu'un objet est incliné.

6. La mise à niveau « Vocabulaire Ouvert » (YOLOE-26)

Enfin, ils ont introduit YOLOE-26, qui est comme donner au garde un traducteur universel.

Prompt Textuel : Vous pouvez dire au garde : « Trouve-moi une borne d'incendie rouge », et il la trouvera, même s'il n'a jamais été explicitement entraîné sur les bornes d'incendie.
Prompt Visuel : Vous pouvez montrer au garde l'image d'un jouet spécifique, et il trouvera ce jouet dans la vidéo.
Sans Prompt : Il peut aussi simplement regarder autour de lui et décrire ce qu'il voit de lui-même.

L'essentiel

YOLO26 est une famille unifiée de modèles qui sont plus rapides, plus légers et plus précis que leurs prédécesseurs. Ils y parviennent en supprimant les bagages inutiles, en corrigeant les règles pour repérer les petites choses et en utilisant un coach d'entraînement plus intelligent. Que vous ayez besoin de la vitesse absolue (la voie sans NMS) ou de la précision la plus élevée (la voie avec NMS), YOLO26 propose une version qui se situe tout en haut du graphique « vitesse vs précision ».

Résumé Technique : Ultralytics YOLO26

1. Énoncé du Problème

Malgré l'adoption industrielle généralisée de la famille YOLO pour la vision en temps réel, les détecteurs actuels font face à quatre limitations spécifiques qui entravent l'exactitude, l'efficacité et la flexibilité de déploiement optimales :

Dépendance au NMS et entraînement sous-optimal : La plupart des détecteurs basés sur les CNN reposent sur la suppression des non-maxima (NMS) lors de l'inférence. Bien que YOLOv10 ait introduit une conception à double tête pour permettre une inférence sans NMS, il applique des poids de perte identiques aux deux branches (dense [un-vers-plusieurs] et inférence [un-vers-un]) tout au long de l'entraînement. Cela laisse la branche critique un-vers-un sous-optimisée par rapport à ce qu'une supervision ciblée pourrait accomplir.
Gonflement des paramètres DFL et limitation de plage : Le module Distribution Focal Loss (DFL), adopté depuis YOLOv8, étend la régression des boîtes englobantes de 4 scalaires à $4K$ logits (typiquement $K=16$ ). Cela gonfle les paramètres du modèle (par exemple, une augmentation de 12 % des paramètres pour YOLO11n) et impose une plage de régression finie de $(K-1) \times \text{stride}$ , ce qui devient restrictif pour les grands objets à hautes résolutions.
Cycles d'entraînement longs : Les recettes standard basées sur SGD nécessitent environ 600 époques pour atteindre une précision COCO compétitive, rendant l'itération rapide coûteuse. Bien que l'optimiseur Muon ait montré des gains d'efficacité dans l'entraînement des Grands Modèles de Langage (LLM), il n'a pas été adapté à la détection d'objets.
Assignation nulle pour les petits objets : La stratégie d'assignation d'étiquettes Task-Aligned Learning (TAL) repose sur le confinement géométrique à l'intérieur des boîtes de vérité terrain (ground-truth). Pour les objets minuscules, le sous-échantillonnage de la carte de caractéristiques peut entraîner un nombre nul de centres d'ancres valides à l'intérieur de la boîte, conduisant à des assignations positives nulles et un manque total de signal de gradient pour ces cibles.

2. Méthodologie

YOLO26 traite ces limitations grâce à une architecture et un pipeline d'entraînement coordonnés, construits sur la base de YOLO11.

2.1. Architecture : Conception à double tête sans NMS

YOLO26 emploie une conception à double tête pour supporter à la fois l'inférence de bout en bout et la prédiction dense conventionnelle :

Tête Un-vers-Un (Par défaut) : Produit un ensemble de prédictions de taille fixe (jusqu'à 300 par image) sans NMS. Elle utilise une assignation d'étiquette stricte un-vers-un (TAL avec $topk=7$ suivi de $topk2=1$) pour apprendre une prédiction unique par instance de vérité terrain.
Tête Un-vers-Plusieurs : Conserve la prédiction dense standard avec une supervision plus riche ($topk=10$) pour les scénarios où l'exactitude maximale est privilégiée par rapport aux coûts de post-traitement.
Suppression du DFL : Le module Distribution Focal Loss est entièrement supprimé. La régression est effectuée via une sortie directe de 4 scalaires avec une plage non contrainte, réduisant considérablement les paramètres et les FLOPs de la tête.

2.2. Pipeline d'Entraînement

Trois techniques complémentaires sont appliquées conjointement pour améliorer l'exactitude et la convergence :

Optimiseur MuSGD : Un optimiseur hybride combinant Muon (issu de l'entraînement des LLM) avec le SGD-momentum standard. Muon applique des mises à jour de momentum suivies d'une orthogonalisation légère (via des itérations de Newton–Schulz) pour améliorer le conditionnement des mises à jour. MuSGD applique cela aux paramètres multidimensionnels (convolutions, poids linéaires) tout en utilisant un pur SGD pour les paramètres 1D (biais, échelles).
Perte Progressive : Une stratégie de repondération de type curriculum qui traite l'asymétrie d'optimisation entre les deux branches. Le poids de la perte pour la branche dense (un-vers-plusieurs) décroît linéairement de 0,8 à 0,1, tandis que le poids de la branche un-vers-un augmente de 0,2 à 0,9. Cela déplace l'accent de la supervision vers la tête de temps d'inférence à mesure que l'entraînement progresse.
STAL (Small-Target-Aware Label Assignment) : Pour éviter les assignations positives nulles pour les objets minuscules, STAL découple la géométrie de sélection des candidats de la géométrie de régression. Lors du filtrage des candidats, les dimensions de la boîte de vérité terrain sont contraintes à une taille de référence ( $s_{ref}$ , typiquement le stride de la pyramide suivante) si elles tombent en dessous du stride minimum. Cela garantit la couverture d'ancres pour les petites cibles tout en préservant la géométrie originale de la boîte pour la régression et le score finaux.

2.3. Extensions Spécifiques aux Tâches

Au-delà de la détection, YOLO26 introduit des conceptions spécialisées pour d'autres tâches :

Segmentation d'Instance : Utilise une voie de prototype multi-échelle (fusionnant les caractéristiques de plusieurs niveaux de pyramide) et une perte de segmentation sémantique auxiliaire (uniquement pour l'entraînement) pour améliorer la qualité du masque sans surcoût d'inférence.
Estimation de Pose : Remplace la régression de coordonnées standard par l'Estimation de Log-Vraisemblance Résiduelle (RLE). Cela modélise l'incertitude par articulation en utilisant un flux normalisant, pondérant moins les points clés ambigus ou occultés.
Boîte Englobante Orientée (OBB) : Adopte une définition d'angle à "longue arête" ( $[-45^\circ, 135^\circ)$ ) pour résoudre les discontinuités de bordure. Il introduit une perte d'angle sensible au rapport d'aspect spécifiquement pour les objets carrés afin de gérer l'ambiguïté de l'angle.
Vocabulaire Ouvert (YOLOE-26) : Étend la famille aux scénarios de vocabulaire ouvert en utilisant un backbone plus fort, un encodeur de texte amélioré (MobileCLIP2), un moteur de données de pseudo-étiquettes pour affiner les annotations, et un entraînement de segmentation découplé.

3. Résultats Clés

YOLO26 couvre cinq échelles (n/s/m/l/x) et atteint des compromis exactitude-latence de pointe sur le benchmark COCO val2017.

Performance de Détection : YOLO26 atteint 40,9–57,5 mAP sur COCO avec des latences T4 TensorRT FP16 allant de 1,7 ms (n) à 11,8 ms (x). Il fait progresser la frontière de Pareto par rapport aux versions précédentes de YOLO (YOLO11, YOLOv10, etc.) et d'autres détecteurs en temps réel.
- Comparé à YOLO11, YOLO26 améliore l'AP COCO de 1,6 à 2,8 points à travers les échelles.
- Le retrait du DFL seul a réduit les paramètres de 12 % et les FLOPs de 20 % pour le modèle nano, l'exactitude ayant été récupérée et améliorée via le nouveau pipeline d'entraînement.
Détection de Petits Objets : STAL améliore significativement la détection de petits objets (APS), récupérant les détections manquées par le TAL standard.
Gains Spécifiques aux Tâches :
- Segmentation : Jusqu'à +3,7 d'amélioration de l'AP masque par rapport à YOLO11.
- Estimation de Pose : Jusqu'à +7,2 d'amélioration de l'AP pose par rapport à YOLO11.
- Détection OBB : Jusqu'à +3,4 mAP d'amélioration sur DOTA-v1.0.
Vocabulaire Ouvert (YOLOE-26) : Le modèle YOLOE-26x atteint 40,6 AP sur LVIS minival sous incitation textuelle, surpassant DetCLIP-T de +6,2 AP.
Efficacité : L'architecture atteint une inférence CPU jusqu'à 43 % plus rapide par rapport aux versions précédentes (YOLO26n vs YOLO11n) et supporte l'exportation vers 19 cibles non-PyTorch (TensorRT, ONNX, CoreML, etc.).

4. Signification et Revendications

L'article affirme que YOLO26 représente une étape unifiée vers l'avant pour la vision en temps réel en s'attaquant directement aux inefficacités structurelles et d'entraînement de la lignée YOLO. Sa principale signification réside dans :

Viabilité de l'End-to-End sans NMS : Démontrer qu'une architecture à double tête avec une Perte Progressive peut atteindre une exactitude d'inférence sans NMS rivalisant avec les méthodes basées sur le NMS, simplifiant ainsi les pipelines de déploiement.
Efficacité par la Simplification : Prouver que le retrait du module complexe DFL n'altère pas la performance mais l'améliore lorsqu'il est couplé à une régression non contrainte et à de meilleures stratégies d'entraînement, résultant en des modèles plus légers adaptés aux appareils de bordure (edge devices).
Synergie d'Optimisation et d'Étiquetage : Établir que la combinaison d'optimiseurs avancés (MuSGD) avec un pondérage de perte de type curriculum (Perte Progressive) et une assignation d'étiquettes robuste (STAL) crée un effet synergique qui accélère la convergence et améliore la détection de petits objets sans augmenter la taille du modèle.
Cadre Multi-Tâche Unifié : Fournir un pipeline unique qui supporte la détection, la segmentation, la pose, la classification et la détection OBB avec des gains cohérents sur toutes les tâches, ainsi qu'une extension robuste de vocabulaire ouvert.

Les auteurs soulignent que YOLO26 est conçu non seulement pour un comportement d'optimisation fort, mais aussi pour une intégration d'inférence pratique à travers des matériels hétérogènes, maintenant l'universalité de déploiement qui a fait de la famille YOLO le standard de l'industrie.