Commencer

EfficientDet vs DAMO-YOLO

Lors de la création de pipelines évolutifs de vision par ordinateur, le choix de l'architecture du modèle est une décision cruciale qui influe à la fois sur la faisabilité du déploiement et la précision de détection. Ce guide propose une comparaison technique de deux architectures bien connues : EfficientDet et DAMO-YOLO.

Bien que ces deux modèles aient apporté des innovations majeures à la détection d'objets, l'IA pour la vision s'est depuis orientée vers des écosystèmes plus intégrés. Cette analyse présente les principes fondamentaux de ces anciens réseaux et explique pourquoi des solutions modernes comme la plateforme Ultralytics et Ultralytics YOLO26 sont largement utilisées en production.

EfficientDet : une détection d’objets efficace et évolutive#

Présenté par des chercheurs de Google, EfficientDet a été conçu pour faire évoluer systématiquement l’architecture du modèle tout en maintenant une grande efficacité. Pour cela, il utilise une mise à l’échelle composée de la profondeur et de la largeur du réseau, ainsi que de la résolution d’entrée.

Détails d’EfficientDet :

Innovations architecturales#

La principale contribution d'EfficientDet est le réseau pyramidal de caractéristiques bidirectionnel (BiFPN). Contrairement aux FPN traditionnels, BiFPN permet une fusion rapide de caractéristiques multi-échelles en utilisant des poids apprenables pour représenter l'importance des différentes caractéristiques d'entrée. Il est associé au backbone EfficientNet, ce qui donne une famille de modèles (de D0 à D7) dont la mise à l'échelle est prévisible.

Points forts et points faibles#

Le principal atout d’EfficientDet réside dans son efficacité en matière de paramètres. Pour les tâches où la précision moyenne (mAP) doit être maximisée dans le respect d’un budget de calcul fixe, sa méthode de mise à l’échelle composée est très prévisible. Toutefois, EfficientDet est complexe à entraîner à partir de zéro et nécessite souvent un important réglage des hyperparamètres. Sa forte dépendance à certaines opérations TensorFlow complique également le passage aux déploiements en périphérie via ONNX ou TensorRT, par rapport aux capacités d’exportation optimisées des modèles YOLO modernes.

En savoir plus sur EfficientDet

DAMO-YOLO : la recherche automatisée d’architectures en action#

DAMO-YOLO adopte une approche différente : il utilise la recherche d'architecture neuronale (NAS) pour concevoir automatiquement des structures de réseau efficaces destinées à l'inférence en temps réel.

Détails de DAMO-YOLO :

Innovations architecturales#

DAMO-YOLO introduit plusieurs nouvelles technologies. Il utilise un backbone généré par NAS appelé MAE-NAS, un RepGFPN efficace pour son cou et une conception ZeroHead qui réduit considérablement le coût de calcul de la tête de détection. Il emploie également AlignedOTA pour l'attribution des étiquettes et s'appuie fortement sur la distillation des connaissances afin d'améliorer les performances de ses variantes plus petites.

Points forts et points faibles#

DAMO-YOLO se distingue par sa vitesse d'inférence sur GPU et a été conçu pour être déployé sur des architectures NVIDIA avec TensorRT. En supprimant les structures de tête lourdes, le modèle produit des prédictions à faible latence. Cependant, la recherche automatisée d'architecture peut rendre la structure du modèle opaque et difficile à déboguer manuellement ou à ajuster pour des appareils en périphérie personnalisés. Contrairement à Ultralytics YOLO11, polyvalent, DAMO-YOLO se concentre principalement sur la détection standard par boîtes englobantes et ne prend pas nativement en charge des tâches comme l'estimation de pose ou la détection de boîtes englobantes orientées (OBB).

En savoir plus sur DAMO-YOLO

Comparaison des performances#

Comprendre les compromis empiriques est essentiel pour choisir un modèle. Le tableau ci-dessous compare la famille EfficientDet à la série DAMO-YOLO selon des indicateurs de performance essentiels.

Modèletaille
(pixels)
mAPval50-95Vitesse
CPU ONNX
(ms)
Vitesse
T4 TensorRT10
(ms)
paramètres
(M)
FLOPs
(B)
EfficientDet-d051234.6-3.923.92.54
EfficientDet-d164040.5-7.316.66.1
EfficientDet-d276843.0-10.928.111.0
EfficientDet-d389647.5-19.5912.024.9
EfficientDet-d4102449.7-33.5520.755.2
EfficientDet-d5128051.5-67.8633.7130.0
EfficientDet-d6128052.6-89.2951.9226.0
EfficientDet-d7153653.7-128.0751.9325.0
DAMO-YOLOt64042.0-2.328.518.1
DAMO-YOLOs64046.0-3.4516.337.8
DAMO-YOLOm64049.2-5.0928.261.8
DAMO-YOLOl64050.8-7.1842.197.3
Analyse des données

EfficientDet-d7 atteint la précision la plus élevée, mais nécessite une puissance de calcul importante, ce qui le rend inadapté à l'IA en périphérie. DAMO-YOLO offre une grande vitesse avec TensorRT, mais nécessite généralement plus de paramètres que les modèles EfficientDet d'entrée de gamme pour atteindre une précision comparable.

Cas d’utilisation et recommandations#

Le choix entre EfficientDet et DAMO-YOLO dépend des exigences spécifiques de ton projet, des contraintes de déploiement et de tes préférences en matière d’écosystème.

Quand choisir EfficientDet#

EfficientDet est un bon choix pour :

  • Google Cloud et pipelines TPU : systèmes basés sur TensorFlow exécutés sur l’infrastructure Google Cloud TPU, où l’implémentation de référence d’EfficientDet prend en charge l’entraînement sur TPU.
  • Recherche sur la mise à l’échelle composée : évaluation comparative universitaire axée sur l’étude des effets d’une mise à l’échelle équilibrée de la profondeur, de la largeur et de la résolution du réseau.
  • Déploiement mobile avec LiteRT : projets nécessitant spécifiquement l’exportation vers LiteRT (anciennement TensorFlow Lite) pour Android ou les appareils Linux embarqués.

Quand choisir DAMO-YOLO#

DAMO-YOLO est recommandé pour :

  • Analyse vidéo à haut débit : Traitement de flux vidéo à FPS élevé sur une infrastructure GPU NVIDIA fixe, lorsque le débit avec une taille de lot de 1 est le principal critère.
  • Lignes de fabrication industrielle : Scénarios soumis à des contraintes strictes de latence GPU sur du matériel dédié, comme l’inspection qualité en temps réel sur les chaînes de montage.
  • Recherche sur la recherche d’architectures neuronales : Étude des effets de la recherche automatisée d’architectures (MAE-NAS) et des backbones efficaces reparamétrés sur les performances de détection.

Quand choisir Ultralytics (YOLO26)#

Pour la plupart des nouveaux projets, Ultralytics YOLO26 offre la meilleure combinaison de performances et d’expérience développeur :

  • Déploiement edge sans NMS : applications nécessitant une inférence cohérente à faible latence, sans la complexité du post-traitement par suppression non maximale (NMS).
  • Environnements exclusivement CPU : appareils sans accélération GPU dédiée, pour lesquels l’inférence CPU jusqu’à 43 % plus rapide de YOLO26 (YOLO26n par rapport à YOLO11n) constitue un avantage net.
  • Détection de petits objets : les situations difficiles, comme l’imagerie aérienne par drone ou l’analyse de capteurs IoT, où ProgLoss et STAL améliorent considérablement la précision pour les objets minuscules.

L’avantage Ultralytics : dépasser les anciens modèles#

Bien qu'EfficientDet et DAMO-YOLO apportent des éclairages universitaires précieux, les développeurs modernes ont besoin de frameworks qui allient performances élevées et ergonomie pour les développeurs. C'est là que l'écosystème Ultralytics se démarque.

Facilité d’utilisation et écosystème#

Le déploiement de modèles provenant de dépôts de recherche distincts et fortement personnalisés entraîne souvent un travail d'intégration complexe. Ultralytics propose un écosystème bien entretenu et unifié, doté d'une documentation complète et d'une API idiomatique pour Python. Que tu utilises Google Colab pour l'entraînement ou que tu exportes vers CoreML pour l'inférence mobile, le pipeline ne nécessite que quelques lignes de code.

from ultralytics import YOLO

# Charger le modèle nano YOLO26 vivement recommandé
model = YOLO("yolo26n.pt")

# Entraîner le modèle sur un jeu de données personnalisé
model.train(data="coco8.yaml", epochs=50, imgsz=640)

# Exporter le modèle entraîné vers ONNX pour la production
model.export(format="onnx")

Présentation de YOLO26#

Pour les développeurs qui évaluent EfficientDet ou DAMO-YOLO, Ultralytics YOLO26 est la prochaine étape naturelle. Lancé en janvier 2026, il apporte plusieurs nouvelles capacités :

  • Conception de bout en bout sans NMS : s'appuyant sur l'entraînement sans NMS de YOLOv10, la tête native un-à-un de YOLO26 (nms=False) élimine le besoin de post-traitement par NMS. Cela simplifie les architectures de déploiement et assure une latence constante sur divers matériels.
  • Inférence CPU jusqu'à 43 % plus rapide : pour les déploiements en périphérie sans GPU puissant, auxquels DAMO-YOLO n'est pas destiné, YOLO26 est optimisé pour les CPU standard : YOLO26n s'exécute jusqu'à 43 % plus vite que YOLO11n.
  • Optimiseur MuSGD : en transposant les techniques d'entraînement des LLM à la vision par ordinateur, YOLO26 intègre l'optimiseur MuSGD (inspiré de Moonshot AI) pour assurer un entraînement stable et une convergence rapide, par rapport à la configuration d'entraînement plus sensible d'EfficientDet.
  • Suppression de DFL : la suppression de la perte focale de distribution simplifie l'exportation et améliore la compatibilité avec les appareils en périphérie à faible consommation, comme le Raspberry Pi.
  • ProgLoss + STAL : une fonction de perte progressive et une stratégie d'attribution des étiquettes adaptée aux petites cibles améliorent sensiblement la reconnaissance des petits objets, un domaine qui pose généralement problème aux architectures plus anciennes.

Efficacité mémoire et polyvalence des tâches#

Contrairement aux modèles Transformer ou aux réseaux NAS fortement fusionnés, les modèles Ultralytics sont réputés pour leur faible consommation mémoire. Ils utilisent beaucoup moins de mémoire CUDA pendant l'entraînement, ce qui permet d'itérer rapidement sur du matériel grand public.

Alors qu'EfficientDet et DAMO-YOLO se limitent aux boîtes englobantes, Ultralytics prend nativement en charge la segmentation d'instances et la classification d'images dans un même framework intuitif. Pour les utilisateurs qui maintiennent d'anciens projets, Ultralytics YOLOv8 reste une alternative fiable et largement déployée qui mérite d'être envisagée.

Conclusion#

Choisir la bonne architecture de vision implique de mettre en balance les performances théoriques brutes et les réalités du déploiement. EfficientDet propose une approche de mise à l'échelle rigoureuse, tandis que DAMO-YOLO offre d'excellentes vitesses brutes sur GPU. Toutefois, pour les équipes qui privilégient le développement rapide, des déploiements fiables et des fonctionnalités modernes, les modèles Ultralytics sont le meilleur choix. En combinant des innovations telles que l'inférence sans NMS et l'optimisation MuSGD, YOLO26 offre aux projets de vision par ordinateur une base performante, facile à maintenir et efficace.

Commentaires

Pose une question, partage tes résultats ou aide quelqu’un d’autre.