Le 5 septembre 2026, Ultralytics publie ultralytics 8.4.142. Selon les notes de version, la prédiction et la validation de YOLO26 repassent par défaut à la tête de sortie one-to-many, suivie d'une NMS, parce qu'elle est « généralement plus précise que la tête one-to-one sans NMS ». Pour retrouver la voie d'origine, il faut ajouter soi-même nms=False. Ultralytics v8.4.142
Huit mois plus tôt, le même modèle sortait officiellement, et le premier point des notes de version affirmait exactement l'inverse. Sa conception nativement de bout en bout se passe entièrement du post-traitement NMS, avec une latence plus faible et un export plus simple. Ultralytics v8.4.0
Six ans plus tôt encore, en 2020, le résumé de DETR, signé Facebook AI, indiquait que la méthode permettait de supprimer de nombreux composants conçus à la main, « comme la suppression des non-maxima (NMS) ou la génération d'ancres ». Résumé de DETR
La NMS a été retirée, puis remise en place. Cet article part de la raison pour laquelle un même objet est encadré plusieurs fois, montre comment DETR n'associe qu'une prédiction à chaque objet et ce que ce choix lui a coûté, puis suit les lignées DETR et YOLO jusqu'à leur point de rencontre, à mi-chemin.
Un chien, trois boîtes
Un détecteur ne devine jamais une seule boîte. Avec YOLO26, par exemple, une entrée de 640×640 donne 8 400 positions réparties sur des cartes de caractéristiques à trois résolutions, et chaque position produit un ensemble de scores de classe et une boîte. Documentation YOLO26
Pendant l'entraînement, la famille YOLO utilise une attribution d'étiquettes one-to-many (un à plusieurs). Autour d'un objet annoté, toutes les positions dont le score et la boîte sont assez bons deviennent des exemples positifs ; la tête un à plusieurs de YOLO26 en retient au plus 10 par objet. Article YOLO26 §3.2.1 Un modèle entraîné de cette façon, face à un chien, dira depuis plusieurs positions voisines « il y a un chien ici ».
À l'inférence, le même chien fait donc surgir plusieurs boîtes. C'est là qu'intervient la NMS (non-maximum suppression, suppression des non-maxima) pour faire le ménage. Elle trie les boîtes par score, garde la meilleure, supprime les boîtes de même classe qui la recouvrent trop, puis recommence avec les boîtes restantes. Le recouvrement se mesure par l'IoU, c'est-à-dire l'aire de l'intersection de deux boîtes divisée par l'aire de leur union.
Essayons avec quatre boîtes. A, B et C encadrent le même chien, D encadre le chat d'à côté. A a le meilleur score ; l'IoU de B avec A vaut 0,904, celle de C 0,656. Avec un seuil de 0,5, B et C sont supprimées, et le chien et le chat gardent chacun une boîte. En relâchant le seuil à 0,7, C n'est pas supprimée, et le même chien se retrouve avec une boîte de plus.
À l'inverse, un seuil trop strict pose aussi problème. Si C encadrait en réalité un second chien collé à A, le seuil de 0,5 la supprimerait comme doublon. C'est sur les photos de foule que cela arrive le plus souvent. Le jeu de données CrowdHuman compte en moyenne 22,6 personnes par image, et chaque image contient environ 2,4 paires de boîtes de personnes dont l'IoU dépasse 0,5, contre 0,02 paire pour les photos de personnes de COCO. Les auteurs notent aussi qu'abaisser le seuil fait chuter le rappel, tandis que le relever multiplie les fausses détections. CrowdHuman §1
Le seuil lie aussi la précision et le temps de calcul. Les auteurs de RT-DETR ont mesuré YOLOv8 sur un GPU T4 avec un seuil d'IoU fixé à 0,7 ; en portant le seuil de confiance de 0,001 à 0,05, l'AP passe de 52,9 à 51,2, tandis que le temps de la NMS elle-même (EfficientNMS de TensorRT) descend de 2,36 ms à 1,06 ms. RT-DETR Table 1 La NMS est en outre un post-traitement à déployer à part, qu'il faut gérer séparément à chaque export du modèle vers une plateforme d'inférence différente.
La moitié droite fixe le seuil d’IoU et fait varier la confiance : on peut suivre ensemble l’AP et le temps de NMS.
DETR n'associe qu'une prédiction à chaque objet
DETR prépare un nombre fixe d'emplacements de prédiction (les requêtes, ou queries) ; le modèle standard en compte 100. Chaque emplacement produit une classe et une boîte, et les classes comprennent une catégorie supplémentaire, « pas d'objet ».
Pendant l'entraînement, DETR ne laisse pas plusieurs emplacements revendiquer le même objet. Il réalise un appariement un à un (one-to-one) entre prédictions et annotations, en retenant, parmi toutes les associations possibles, celle dont le coût total est le plus faible ; ce coût tient compte à la fois de la justesse du score de classe et de l'écart entre les boîtes. Cet appariement optimal s'obtient avec l'algorithme hongrois. DETR §3.1
Déroulons-le avec trois emplacements et deux objets. Le tableau donne le coût d'affectation de chaque emplacement à chaque objet ; plus il est bas, mieux c'est :
| Emplacement | Chien | Chat |
|---|---|---|
| 1 (sur le chien) | 0,2 | 1,5 |
| 2 (aussi sur le chien) | 0,3 | 1,4 |
| 3 (sur le chat) | 1,6 | 0,4 |
L'affectation de coût minimal associe l'emplacement 1 au chien et l'emplacement 3 au chat, pour un coût total de 0,6 ; l'emplacement 2 reste sans objet, et sa cible d'entraînement est « pas d'objet ».
La boîte de l'emplacement 2 n'est pas mauvaise ; son coût dépasse à peine celui de l'emplacement 1. Mais quelqu'un s'occupe déjà du chien, et l'emplacement 2 reçoit comme cible d'entraînement « pas d'objet ». À force d'entraîner ainsi, la deuxième boîte posée sur un même objet est étouffée, et l'inférence n'a plus besoin de NMS.
Les auteurs de DETR ont aussi essayé d'appliquer une NMS en sortie de chaque couche du décodeur. Sur la première couche, la NMS aide, car les prédictions d'une seule couche ont tendance à se dupliquer ; sur les couches suivantes, l'auto-attention entre emplacements a déjà appris à les faire s'éviter, et la NMS supprime au contraire des boîtes correctes, ce qui fait légèrement baisser l'AP. DETR §4.2, Figure 4
Les courbes pleines et pointillées d’une même couleur comparent les sorties directes à celles filtrées par NMS.
Seulement, pour atteindre les mêmes 42,0 AP que Faster R-CNN, DETR doit s'entraîner 500 époques ; d'après le décompte des auteurs de Deformable DETR, cela représente environ 2 000 heures GPU, contre 380 pour Faster R-CNN. Deformable DETR Table 1 Les petits objets lui résistent aussi davantage, avec un AP_S de 20,5, contre 26,6 pour Faster R-CNN. DETR Table 1
Trois cents prédictions, moins de trente pour apprendre les boîtes
Les articles suivants ont posé des diagnostics différents sur la lenteur d'apprentissage de DETR. Pour Deformable DETR, le problème vient de l'attention, qui, à l'initialisation, se répartit uniformément sur toute la carte de caractéristiques et met longtemps à apprendre à se concentrer. Deformable DETR §1 Pour DN-DETR, il vient de l'instabilité de l'appariement ; pour une même image et un même emplacement, l'objet attribué peut être le chien à un tour et le chat au suivant. DN-DETR §1 Une troisième explication tient au manque de positifs. C'est elle que suit cet article, parce qu'elle touche directement à la NMS.
Comme le relèvent les auteurs de H-DETR, Deformable DETR dispose de 300 emplacements par image, et près de 99 % des photos de COCO comptent moins de 30 boîtes annotées ; par image, moins de 30 emplacements sont donc appariés à un objet et apprennent où placer la boîte, tandis que les quelque 270 autres ne reçoivent qu'un entraînement de classification vers « pas d'objet ». H-DETR §1
Les auteurs de DEIM ont tracé directement le nombre de positifs pour comparer. Avec l'appariement un à un, le nombre de positifs par image reste concentré sous 10 ; avec une attribution un à plusieurs à la manière de YOLO, certaines photos dépassent à elles seules 80 positifs, soit environ 10 fois plus dans les cas extrêmes. DEIM §3.2, Figure 3
L'inférence un à un est propre, une boîte par objet, mais la supervision à l'entraînement est trop clairsemée ; la supervision un à plusieurs est dense, mais l'inférence a forcément besoin de la NMS pour faire le ménage. Pendant les six années suivantes, les deux lignées ont cherché à avoir les deux à la fois.
Côté DETR, on réintroduit le un à plusieurs à l'entraînement
En 2022, H-DETR ajoute pendant l'entraînement, en plus des 300 emplacements un à un d'origine, un groupe de 1 500 emplacements ; chaque objet annoté y est copié 6 fois, et ce groupe est apparié en un à plusieurs. Un masque sépare les deux groupes pour qu'ils n'interfèrent pas. À l'inférence, seuls les 300 emplacements un à un d'origine sont conservés. H-DETR §3.2
Commencez à gauche par Hybrid-Branch : la branche bleue sert à l’entraînement et à l’inférence, la verte seulement à l’entraînement.
La Table 13 de H-DETR met plusieurs combinaisons côte à côte. Voici l'AP sur COCO après 12, 24 et 36 époques d'entraînement, avec des FPS mesurés sur V100 :
| Entraînement | Sortie utilisée à l'inférence | NMS | AP (12 / 24 / 36 ép.) | FPS |
|---|---|---|---|---|
| Un à plusieurs seulement | Un à plusieurs | Oui | 49,4 / 50,2 / 48,8 | 5,3 |
| Entraînement hybride | Groupe un à plusieurs | Non | 13,5 / 13,1 / 12,9 | 6,5 |
| Entraînement hybride | Groupe un à plusieurs | Oui | 48,6 / 49,8 / 49,9 | 5,4 |
| Entraînement hybride | Groupe un à un | Non | 48,7 / 49,9 / 50,0 | 6,7 |
La deuxième ligne correspond à la sortie un à plusieurs sans NMS ; l'AP tombe autour de 13, et les doublons font s'effondrer le score. Le même modèle, une fois la NMS branchée, remonte autour de 49 ; le groupe un à un, sans rien brancher, obtient un score comparable avec la vitesse la plus élevée. L'entraînement purement un à plusieurs suivi d'une NMS reste un peu au-dessus à 12 époques, puis se fait dépasser à 36 époques.
Les autres pistes procèdent autrement, mais suivent le même schéma :
- Ajouter des exercices. DN-DETR fournit au décodeur des boîtes annotées bruitées sous forme d'emplacements supplémentaires et lui demande de retrouver les boîtes d'origine ; cet exercice disparaît entièrement à l'inférence. DN-DETR §4.3 En 2022, DINO y ajoute plusieurs améliorations, dont les échantillons négatifs, et son modèle ResNet-50 à 5 échelles atteint 49,4 AP en 12 époques ; avec un backbone SwinL, après préentraînement sur Objects365, il devient aussi le premier détecteur Transformer de bout en bout à prendre la première place du classement COCO. Résumé de DINO, §1
- Ouvrir plusieurs groupes d'emplacements. Group DETR fait tourner pendant l'entraînement plusieurs groupes d'emplacements à poids partagés, chacun apparié en un à un, et n'en garde qu'un à l'inférence. LW-DETR en utilise 13, et RF-DETR reprend ensuite ce choix. LW-DETR §3.3
- Mettre plus d'objets dans une image. Fin 2024, DEIM ne touche pas à l'appariement, mais aux données. Avec Mosaic, il réduit quatre photos et les assemble en une seule ; avec Mixup, il en superpose deux. Le nombre moyen d'objets par image d'entraînement passe d'environ 10 à environ 25, et les positifs de l'appariement un à un augmentent d'autant. Cette augmentation ne reste active que pendant à peu près la première moitié de l'entraînement ; RT-DETRv2 atteint ainsi 53,6 AP en 36 époques, alors qu'il lui en fallait 72 pour obtenir 53,4. DEIM §3.2, Table 6, Table 12
Toute cette supervision supplémentaire n'existe que pendant l'entraînement. À l'inférence, DETR produit toujours une boîte par objet, sans NMS.
RT-DETR chronomètre aussi la NMS
Une fois l'entraînement accéléré, il restait à DETR une inférence trop lente. En avril 2023, RT-DETR, de Baidu, affiche directement sa conclusion dans son titre, DETRs Beat YOLOs on Real-time Object Detection. L'article a ensuite été publié à CVPR 2024.
L'article commence par examiner la façon dont la vitesse de YOLO est mesurée. Les auteurs relèvent que la famille YOLO, quand elle rapporte sa vitesse, ne compte généralement que le modèle lui-même, sans le temps de la NMS. RT-DETR §3.1 Ils mettent donc en place une mesure de bout en bout, en branchant le plugin NMS de TensorRT derrière YOLO et en chronométrant l'ensemble avec les seuils de validation. Sur GPU T4, en TensorRT FP16, RT-DETR-R50 atteint 53,1 AP à 108 FPS ; avec la même mesure, YOLOv8-L obtient 52,9 AP à 71 FPS. RT-DETR Table 2
RT-DETR n'échappe pas non plus à la règle de la section précédente, puisque son décodeur s'entraîne lui aussi avec 200 emplacements de débruitage. RT-DETR annexe, Table A
Côté YOLO, on ajoute une tête un à un
Un an plus tard, YOLO prend une autre direction. En mai 2024, YOLOv10, de l'université Tsinghua, garde la tête de sortie un à plusieurs d'origine et y ajoute une tête un à un. À l'entraînement, les deux têtes apprennent ensemble ; à l'inférence, la tête un à plusieurs est abandonnée et seule la tête un à un produit la sortie, sans NMS. YOLOv10 §3.1
À gauche figurent le backbone commun et les deux têtes ; à droite, la fréquence de concordance de leurs candidats.
Pour que les deux têtes apprennent bien, leurs critères de choix des positifs doivent concorder. YOLOv10 fait sélectionner les positifs des deux têtes avec la même notation ; la tête un à plusieurs prend les premiers du classement, la tête un à un seulement le premier, si bien que la meilleure boîte aux yeux de la tête un à plusieurs est aussi le positif de la tête un à un.
Son étude d'ablation met trois approches côte à côte (sur la base de YOLOv8-S, latence NMS comprise, T4, TensorRT FP16) :
| Têtes à l'entraînement | AP | Latence |
|---|---|---|
| Un à plusieurs seulement (NMS à l'inférence) | 44,9 | 7,07 ms |
| Un à un seulement | 43,4 | 2,44 ms |
| Les deux ensemble, un à un à l'inférence | 44,3 | 2,44 ms |
Entraîner seulement la tête un à un donne une latence superbe, mais coûte 1,5 AP. Ajouter une tête un à plusieurs comme partenaire d'entraînement en récupère l'essentiel. Et si l'écart venait simplement de quelques tours d'entraînement en plus ? Les auteurs y ont pensé et ont entraîné un YOLOv10-M à tête un à un seule jusqu'à 550 époques, pour un temps à peu près égal à celui d'origine ; l'AP reste de 48,9 contre 51,1. YOLOv10 Table 15 Des époques supplémentaires ne comblent pas l'écart ; il y faut la supervision un à plusieurs.
L'écart n'a pas non plus entièrement disparu. Les auteurs écrivent eux-mêmes que, sur les petits modèles, la tête un à un reste en dessous du un à plusieurs avec NMS, de 1,0 AP pour YOLOv10-N et de 0,5 pour YOLOv10-S ; il faut attendre YOLOv10-X pour ne plus voir de différence. YOLOv10 §4.3, annexe A.9
YOLO26 poursuit sur cette voie. Présenté en avant-première le 25 septembre 2025 à YOLO Vision 2025, il sort officiellement le 14 janvier 2026, et l'article est mis en ligne en juin. Pour les auteurs, YOLOv10 donne aux deux têtes le même poids du début à la fin, si bien que la tête un à un, la seule utilisée à l'inférence, est insuffisamment entraînée. YOLO26 passe à des poids progressifs ; les pertes un à plusieurs et un à un partent d'un rapport de 0,8 pour 0,2 et glissent linéairement jusqu'à 0,1 pour 0,9 au fil de l'entraînement. Article YOLO26 §3.3.2, §4.1
Même le point de départ des poids a été testé. Mettre d'emblée à 0 le poids de la tête un à un donne au final un score proche de celui d'un partage fixe moitié-moitié ; le meilleur résultat revient au réglage par défaut, qui part de 0,8 pour 0,2 puis déplace peu à peu le centre de gravité vers la tête un à un. Article YOLO26 Table 5 DEIM, lui aussi, coupe ses positifs supplémentaires à mi-parcours de l'entraînement ; des deux côtés, on passe du dense au clairsemé.
Quand on mesure la vitesse, la NMS compte-t-elle ?
L'avantage le plus direct de la suppression de la NMS est la vitesse, mais il est difficile de mesurer « de combien » de façon cohérente. Le même YOLOv8-N affiche, avec la mesure de YOLOv10, une latence totale de 6,16 ms, dont 1,77 ms seulement pour le modèle lui-même, le reste étant surtout de la NMS ; YOLOv10 utilise les seuils de validation, avec un seuil de confiance bas qui laisse beaucoup de candidats. YOLOv10 Table 1 Avec la mesure de RF-DETR, où le seuil de confiance est relevé à 0,01, le même modèle affiche une latence totale de 2,1 ms. RF-DETR Table 2
Quand Roboflow a présenté RF-DETR en mars 2025, son billet d'annonce relevait que la plupart des évaluations de YOLO calculent la précision avec la NMS, mais ne l'incluent pas dans la vitesse rapportée. Roboflow, 2025-03-20 L'article RF-DETR, paru ensuite, ajoute deux autres écueils, la baisse de fréquence du GPU en inférence continue et le fait que certains mesurent la latence avec un modèle FP16 et la précision avec un modèle FP32 ; les auteurs préconisent de mesurer les deux avec le même fichier de modèle. RF-DETR §4 RF-DETR utilise DINOv2 comme backbone ; sa version 2XL atteint 60,1 AP en 17,2 ms sur T4, et les auteurs le présentent comme le premier détecteur temps réel à dépasser 60 AP sur COCO. L'article a ensuite été publié à ICLR 2026.
En lisant ces comparaisons, il faut aussi garder en tête la position de chacun. Roboflow et Ultralytics sont des concurrents directs. Lors de la discussion de l'article YOLO26 sur Hacker News, un utilisateur se présentant comme cofondateur de Roboflow a objecté que l'article revendiquait, sur sa figure principale, le meilleur compromis entre précision et latence, sans inclure de DETR récent dans la comparaison. Hacker News, 2026-06-23 La Figure 1 compare les générations de YOLO, PP-YOLOE+, DAMO-YOLO et RTMDet ; la famille DETR n'apparaît que dans la Table S8 de l'annexe, où RF-DETR ne figure pas non plus. À l'inverse, l'article de Roboflow comparant RF-DETR et YOLO26 en janvier 2026 cite pour YOLO26 les chiffres du tableau officiel, 53,1 AP et 4,7 ms ; d'après la note de bas de page de la documentation Ultralytics, cette précision provient du un à plusieurs avec NMS, tandis que la latence a été mesurée sur la tête un à un, sans NMS. Documentation YOLO26, Roboflow, 2026-01-15
Le guide de bout en bout d'Ultralytics recommande lui aussi, pour comparer précision et latence, d'utiliser la même tête de sortie, la même taille d'image, la même précision numérique et le même matériel. Guide Ultralytics de détection de bout en bout
Pourquoi la NMS est revenue
Revenons au changement de valeur par défaut du début. Sur les cinq tailles de modèle, la tête un à un de YOLO26 obtient 0,6 à 0,8 AP de moins que le un à plusieurs avec NMS. Article YOLO26 §4.4 L'article indiquait déjà que, si la plateforme cible peut exécuter la NMS et que la précision prime, la tête un à plusieurs peut rester le premier choix. Avec la 8.4.142, Ultralytics en a tout bonnement fait la valeur par défaut.
Le déploiement compte aussi. Selon le guide d'Ultralytics, sur des plateformes comme NCNN, RKNN, Edge TPU ou Qualcomm QNN, l'export se rabat sur la tête un à plusieurs quand les opérateurs ne prennent pas en charge la sortie de bout en bout ; il en va de même pour certaines configurations TensorRT en INT8. Guide Ultralytics de détection de bout en bout
Les doublons n'ont pas non plus entièrement disparu. Les auteurs de DINO reconnaissent que la perte d'appariement et l'auto-attention n'étouffent les doublons que dans une certaine mesure. DINO §3.3 Les signalements d'utilisateurs n'ont jamais cessé. En juin 2024, quelqu'un qui affinait YOLOv10-M sur ses propres données voyait encore, après un à deux mille époques, des doublons presque superposés, et a fini par rétablir la NMS pour régler le problème. THU-MIG/yolov10 #236 En juillet 2026, en réponse à un signalement similaire sur YOLO26, un collaborateur d'Ultralytics a expliqué que YOLO26n produit parfois des doublons, qu'on peut brancher une NMS au besoin et qu'« il n'y a pas beaucoup de boîtes, ça devrait être rapide ». ultralytics #25304 Le premier auteur de RF-DETR a donné le même conseil, en ajoutant qu'avec suffisamment de données, le modèle devrait apprendre à s'en charger lui-même. rf-detr #187
Dans les scènes encombrées, le nombre de boîtes qu'un détecteur un à un peut produire dépend du nombre de ses emplacements. Sur CrowdHuman, DETR, avec seulement 100 emplacements, obtient 75,9 AP, bien en dessous d'un détecteur FPN avec NMS (85,8) ; Deformable DETR, avec 1 000 emplacements, atteint 91,5. Iter-E2EDET Table 2 Quand les objets se multiplient, la première question est de savoir s'il y a assez d'emplacements.
La NMS est toujours là ; c'est sa place qui a changé. D'étape obligatoire à l'inférence, elle est devenue une option qu'on peut activer ou désactiver.
Revenons à votre propre détecteur
Pour finir, résumons ces six années :
- Associer une seule prédiction à chaque objet coûte cher à l'entraînement. L'appariement un à un dispense l'inférence de NMS, au prix de positifs trop rares et d'une convergence trop lente.
- Les deux lignées ajoutent des positifs à l'entraînement. Côté DETR, une branche un à plusieurs, des exercices de débruitage ou plusieurs groupes d'emplacements ; côté YOLO, une tête un à plusieurs gardée comme partenaire d'entraînement, et une tête un à un à l'inférence.
- La NMS devient une option. La tête un à un supprime le post-traitement ; le un à plusieurs avec NMS garde encore quelques dixièmes d'AP d'avance et se déploie plus facilement sur toutes sortes de plateformes.
Si vous êtes en train de choisir un détecteur, commencez par clarifier trois choses. Pour comparer des vitesses, vérifiez d'abord si la NMS est comptée et avec quel seuil ; si vos photos contiennent beaucoup d'objets ou des objets serrés, regardez d'abord la limite d'emplacements et gardez la NMS si nécessaire ; pour un déploiement sur mobile ou sur un appareil en périphérie, vérifiez d'abord que la plateforme peut exécuter la sortie un à un.
Le pari que DETR a lancé à l'époque est toujours en cours.
Alors, du point de vue d'un ingénieur de terrain, la NMS, on peut la supprimer ?
Nous, en tout cas, on n'ose pas.
