YOLO26 et la vision par ordinateur en temps réel : transformer vos caméras en système d'exploitation opérationnel

YOLO26 est la toute dernière version de la famille de modèles de vision par ordinateur en temps réel développée par Ultralytics : un modèle ouvert qui identifie les objets dans une image ou un flux vidéo dès qu'ils apparaissent. Trois aspects comptent pour un chef d'entreprise avant même de compter pour un développeur : il produit désormais directement son résultat final, sans l'étape de post-traitement qui ralentissait et compliquait auparavant le déploiement ; c'est un modèle unique qui couvre sept tâches de vision au lieu de sept systèmes distincts ; et, dans sa plus petite taille, il fonctionne jusqu'à 43 % plus vite sur un processeur ordinaire que la version précédente. Concrètement, la caméra déjà installée dans votre entrepôt, votre usine ou votre salle d'exposition peut devenir une source de données opérationnelles fonctionnant sur un petit appareil sur site : pas de serveurs coûteux, et aucune vidéo qui quitte vos locaux.

Qu'est-ce qui a réellement changé dans cette version ?

Les modèles précédents dessinaient des dizaines de boîtes candidates autour de chaque objet, puis exécutaient une étape de nettoyage appelée suppression des non-maxima pour retenir la meilleure boîte et écarter les autres. Cette étape se trouvait en dehors du modèle, ce qui signifiait des réglages supplémentaires, un traitement supplémentaire et un élément de plus susceptible de casser lors d'un déploiement sur des matériels différents. YOLO26 produit un résultat final directement depuis la tête de détection, plafonné à trois cents objets par image ; l'intégrer à un système opérationnel est donc plus simple, plus rapide, et beaucoup moins susceptible de se comporter différemment en production qu'en test.

La documentation officielle décrit également une tête de détection allégée qui abandonne la perte DFL, une méthode d'entraînement actualisée reposant sur un optimiseur hybride appelé MuSGD, emprunté à l'entraînement des grands modèles de langage, et des modifications visant explicitement les petits objets. Les petits objets sont exactement ce qui compte dans les opérations réelles : une étiquette sur un carton au fond d'une allée, ou un défaut de la taille d'un ongle sur un produit qui défile sur la ligne.

Sept tâches de vision dans un seul modèle

L'intérêt commercial ne tient pas à la précision brute, mais au fait que la même famille couvre sept tâches avec des poids prêts à l'emploi et un pipeline unique. Cela réduit le nombre de systèmes que vous achetez, maintenez et sur lesquels vous formez votre équipe :

• La détection : où se trouve un objet et de quoi il s'agit. C'est la base du comptage, du suivi et des alertes.
• La segmentation d'instances : un masque précis par objet au lieu d'une boîte, utile pour mesurer des surfaces et des défauts.
• La segmentation sémantique : la classification de chaque pixel, par exemple pour séparer une allée d'une zone de stockage.
• L'estimation de la profondeur : évaluer une distance à partir d'une seule caméra, sans capteur laser supplémentaire.
• La classification : ce cas est-il conforme ou non.
• L'estimation de pose : le suivi des points clés du corps, utilisé en sécurité et en analyse du mouvement.
• La détection orientée : des boîtes inclinées pour les objets qui ne sont pas alignés sur les axes, comme les palettes et les images aériennes.

La documentation officielle fait état de gains par rapport à la version précédente allant jusqu'à 3,7 points de qualité de masque en segmentation, jusqu'à 7,2 points en estimation de pose, et de 3,4 points en détection orientée sur le banc d'essai DOTA. Les chiffres comptent, mais ce qui compte davantage, c'est qu'ils proviennent d'un seul modèle plutôt que de trois projets distincts.

Les chiffres qui décident du matériel à acheter

La famille est proposée en cinq tailles, chacune avec un compromis clair entre précision, vitesse et coût. Les chiffres publiés sur le banc d'essai COCO vont de 40,9 à 57,5 en précision et de 1,7 à 11,8 millisecondes sur une carte T4 :

• La plus petite taille : seulement 2,4 millions de paramètres, fonctionnant sur un processeur ordinaire sans carte graphique. Le choix raisonnable pour une caméra dans une agence ou un petit entrepôt.
• Les tailles intermédiaires : un bon équilibre pour plusieurs caméras sur un seul appareil sur site.
• La plus grande taille : 55,7 millions de paramètres, pour les cas où la précision l'emporte sur le coût, comme le contrôle qualité fin.

La règle pratique : commencez par la plus petite taille qui résout votre problème. La plupart des projets de vision par ordinateur qui échouent commercialement n'échouent pas parce que le modèle était trop faible, mais parce que quelqu'un a choisi le plus grand modèle et a découvert ensuite que le faire tourner sur vingt caméras coûte plus que les économies qu'il génère.

Là où cela vous aide vraiment

• Entrepôts : compter les palettes et les cartons à la réception et à l'expédition, et repérer les écarts entre ce qui a physiquement bougé et ce que le système a enregistré.
• Usines : une inspection visuelle sur la ligne qui arrête un lot lorsqu'un défaut répétitif apparaît, au lieu de le découvrir chez le client.
• Commerce de détail et salles d'exposition : mesurer les déplacements en agence, les zones où les clients s'attardent, et les rayons qui se sont vidés sans que personne ne le remarque.
• Sécurité : vérifier les équipements de protection dans les zones dangereuses et alerter instantanément lorsqu'une personne entre dans une zone interdite.
• Parcs et flottes : enregistrer les entrées et sorties des camions et les relier automatiquement à l'ordre de chargement.
• BTP : documenter visuellement l'avancement d'un chantier et le relier à la demande de paiement au lieu de s'appuyer sur un rapport manuel.

Le point commun de tous ces cas, c'est qu'aucun n'a besoin d'une intelligence artificielle générale ni d'un grand modèle de langage. Ils ont besoin d'une question précise, par exemple combien de cartons sont sortis par cette porte aujourd'hui, et d'un système qui y répond sans intervention humaine.

Détecter sur description plutôt qu'à partir d'une liste figée

Cette version alimente également une variante à vocabulaire ouvert appelée YOLOE-26, qui reconnaît des catégories sur lesquelles elle n'a jamais été entraînée, à partir d'une description textuelle ou d'un exemple visuel. Cela résout un vieux problème : chaque nouvelle catégorie exigeait auparavant un nouveau cycle d'entraînement. Dans un environnement où les produits changent constamment, comme le commerce de détail, cette fonctionnalité signifie une durée de vie utile plus longue avant que le système ne doive être reconstruit.

La licence avant le code

Ce point tue des projets entiers une fois terminés. Les poids et le code de YOLO26 sont disponibles sous licence AGPL-3.0 ou sous licence commerciale d'Ultralytics. L'AGPL impose des obligations à quiconque construit un produit fourni à des tiers via un réseau, et peut exiger le partage de votre code source. Si l'usage est purement interne à vos propres opérations, la situation est plus simple ; si vous construisez un produit que vous vendez à des clients, réglez la question de la licence avec un conseil juridique avant la première ligne de code, pas après la livraison.

Les caméras et la loi sur la protection des données personnelles

Toute caméra qui filme des personnes produit des données personnelles, et la loi saoudienne sur la protection des données personnelles (PDPL) ainsi que son règlement d'application, émanant de l'Autorité saoudienne des données et de l'intelligence artificielle (SDAIA), s'y appliquent. Concrètement, cela signifie une information et des avis sur les lieux filmés, une finalité de traitement claire et limitée, et une réduction au minimum de ce qui est conservé. La bonne nouvelle, c'est que l'efficacité de YOLO26 sur des processeurs ordinaires rend le traitement sur site réellement praticable : la vidéo ne quitte jamais les locaux, et ce qui est stocké, c'est le chiffre obtenu, pas l'image. Cette conception réduit à la fois votre exposition réglementaire et votre coût.

Comment démarrer en six semaines

Ne commencez pas par un projet de vision par ordinateur couvrant tout le site. Choisissez une caméra et une question mesurable, collectez des données sur votre propre site plutôt que sur Internet, entraînez la plus petite taille, et comparez le résultat à un comptage manuel pendant deux semaines. Si le pilote prouve que le système fait gagner des heures ou évite des pertes d'une valeur claire, étendez-le une caméra à la fois. Sinon, vous aurez dépensé six semaines au lieu du budget d'une année entière.

Sources

• Documentation officielle d'Ultralytics pour YOLO26 : docs.ultralytics.com
• Article de recherche — Ultralytics YOLO26: Unified Real-Time End-to-End Vision Models : arxiv.org
• Dépôt du code source et licences : github.com/ultralytics/ultralytics
• Loi sur la protection des données personnelles (PDPL), Autorité saoudienne des données et de l'intelligence artificielle (SDAIA) : sdaia.gov.sa