EfficientDet vs PP-YOLOE+
La vision par ordinateur a été façonnée par l’évolution constante des modèles de détection d’objets. EfficientDet de Google et PP-YOLOE+ de Baidu en sont deux jalons importants. Les deux architectures équilibrent l’efficacité de calcul et la précision de détection, mais abordent ce défi selon des philosophies de conception fondamentalement différentes.
Ce guide examine leurs architectures, leurs méthodes d’entraînement et leurs scénarios de déploiement en conditions réelles afin de t’aider à choisir le bon réseau neuronal pour ta prochaine application de vision par ordinateur.
Innovations architecturales et philosophies de conception#
Comprendre l’architecture fondamentale de ces modèles est essentiel pour les déployer efficacement en production, que ce soit sur des appareils edge ou des serveurs cloud.
EfficientDet : la puissance de la mise à l’échelle composée#
Développé par Google Research, EfficientDet a transformé la mise à l’échelle des détecteurs en remplaçant les ajustements ponctuels par une méthode rigoureuse de mise à l’échelle composée.
- Auteurs : Mingxing Tan, Ruoming Pang et Quoc V. Le
- Organisation : Google Research
- Date : 2019-11-20
- arXiv : 1911.09070
- GitHub : google/automl
- Documentation : documentation d’EfficientDet
En savoir plus sur EfficientDet
L’innovation fondamentale d’EfficientDet réside dans son réseau pyramidal de caractéristiques bidirectionnel (BiFPN). Contrairement aux FPN traditionnels, qui se contentent d’additionner les caractéristiques de haut en bas, BiFPN introduit des poids apprenables pour fusionner les caractéristiques entre échelles, de haut en bas comme de bas en haut. Le réseau peut ainsi apprendre l’importance des différentes caractéristiques d’entrée. Associé au backbone EfficientNet, EfficientDet ajuste simultanément la résolution, la profondeur et la largeur, créant une famille de modèles (d0 à d7) adaptée à différents budgets de calcul.
Lors du déploiement d’EfficientDet, examine attentivement le matériel cible. Si d0 convient aux appareils mobiles, passer à d7 nécessite une mémoire GPU et une puissance de calcul considérables.
PP-YOLOE+ : repousser les limites de PaddlePaddle#
S’appuyant sur les réussites de ses prédécesseurs, PP-YOLOE+ a été conçu par l’équipe PaddlePaddle de Baidu pour offrir une grande précision et être optimisé pour les déploiements serveur à haut débit.
- Auteurs : Auteurs de PaddlePaddle
- Organisation : Baidu
- Date : 2022-04-02
- arXiv : 2203.16250
- GitHub : PaddlePaddle/PaddleDetection
- Documentation : Configuration de PP-YOLOE+
PP-YOLOE+ est doté d’un backbone CSPRepResNet, qui exploite les réseaux Cross Stage Partial et des techniques de reparamétrisation afin d’améliorer l’extraction des caractéristiques sans alourdir la latence d’inférence. Sa tête ET (tête efficace alignée sur les tâches) améliore considérablement l’alignement entre les tâches de classification et de localisation. Le modèle utilise également une conception sans ancres associée à une assignation dynamique des étiquettes (TAL), ce qui simplifie le processus d’entraînement et améliore la généralisation à différents jeux de données.
Mesures de performance et benchmarks#
Pour choisir un modèle d’inférence en temps réel, il est essentiel d’évaluer l’équilibre entre la précision moyenne (mAP) et la vitesse de calcul. Le tableau ci-dessous présente les principaux indicateurs de performance des deux familles de modèles.
| Modèle | taille (pixels) | mAPval50-95 | Vitesse CPU ONNX (ms) | Vitesse T4 TensorRT10 (ms) | paramètres (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| EfficientDet-d0 | 512 | 34.6 | - | 3.92 | 3.9 | 2.54 |
| EfficientDet-d1 | 640 | 40.5 | - | 7.31 | 6.6 | 6.1 |
| EfficientDet-d2 | 768 | 43.0 | - | 10.92 | 8.1 | 11.0 |
| EfficientDet-d3 | 896 | 47.5 | - | 19.59 | 12.0 | 24.9 |
| EfficientDet-d4 | 1024 | 49.7 | - | 33.55 | 20.7 | 55.2 |
| EfficientDet-d5 | 1280 | 51.5 | - | 67.86 | 33.7 | 130.0 |
| EfficientDet-d6 | 1280 | 52.6 | - | 89.29 | 51.9 | 226.0 |
| EfficientDet-d7 | 1536 | 53.7 | - | 128.07 | 51.9 | 325.0 |
| PP-YOLOE+t | 640 | 39.9 | - | 2.84 | 4.85 | 19.15 |
| PP-YOLOE+s | 640 | 43.7 | - | 2.62 | 7.93 | 17.36 |
| PP-YOLOE+m | 640 | 49.8 | - | 5.56 | 23.43 | 49.91 |
| PP-YOLOE+l | 640 | 52.9 | - | 8.36 | 52.2 | 110.07 |
| PP-YOLOE+x | 640 | 54.7 | - | 14.3 | 98.42 | 206.59 |
Comme on peut le constater, PP-YOLOE+ atteint généralement des pics de précision plus élevés à nombre de paramètres équivalent, en particulier dans ses grandes variantes (l et x). Il est optimisé pour le débit des GPU, ce qui en fait un excellent candidat pour les déploiements serveur avec traitement par lots. En revanche, les petits modèles EfficientDet ont un nombre de paramètres et de FLOPs très faible, ce qui peut être avantageux dans les environnements où la mémoire est extrêmement limitée.
Cas d’utilisation idéaux et stratégies de déploiement#
Le choix entre ces architectures dépend souvent de ta pile technologique actuelle et du matériel de déploiement.
Quand choisir EfficientDet :
- Flux de travail AutoML : si tu utilises intensivement l’écosystème Google et t’appuies sur des capacités de recherche automatisée d’architectures.
- Périphérie aux ressources limitées : les modèles d’entrée de gamme (d0, d1) ont peu de paramètres (3,9 M et 6,6 M), ce qui les rend adaptés aux appareils soumis à de fortes contraintes de taille de modèle.
Quand choisir PP-YOLOE+ :
- Serveurs équipés de GPU haut de gamme : pour les scénarios exigeant un débit maximal sur du matériel NVIDIA, comme le traitement de centaines de flux vidéo simultanés pour la surveillance des villes intelligentes.
- Écosystème PaddlePaddle : si ton équipe de développement utilise déjà le framework d’apprentissage profond de Baidu, l’intégration de PP-YOLOE+ est simple.
L’avantage Ultralytics : présentation de YOLO26#
Bien qu'EfficientDet et PP-YOLOE+ soient des modèles performants, les projets modernes ont besoin de solutions qui allient performances élevées et facilité d'utilisation. C'est là que Ultralytics YOLO26 se distingue comme le choix recommandé pour les applications modernes de vision par ordinateur.
Lancé en janvier 2026, YOLO26 introduit une architecture native de bout en bout sans NMS. En ignorant éventuellement le post-traitement par suppression non maximale (NMS) (nms=False), un goulot d'étranglement persistant dans les anciens modèles, YOLO26 simplifie le déploiement et réduit la variabilité de la latence d'inférence.
YOLO26 est également optimisé pour les déploiements en périphérie. La suppression de la perte focale de distribution (DFL) simplifie l'exportation vers des formats comme ONNX et TensorRT, et YOLO26n offre une inférence CPU jusqu'à 43 % plus rapide que YOLO11n. Il convient ainsi parfaitement aux appareils IoT alimentés par batterie.
YOLO26 intègre l'optimiseur MuSGD, un hybride de SGD et de Muon. Inspiré des progrès réalisés dans l'entraînement des LLM, cet optimiseur assure un entraînement stable et une convergence rapide, ce qui permet d'économiser des heures de calcul GPU.
Les développeurs bénéficient également de la fonction de perte progressive de YOLO26 et de son attribution des étiquettes adaptée aux petites cibles (ProgLoss + STAL), qui améliorent la reconnaissance des petits objets, une exigence essentielle pour l'imagerie aérienne et les applications d'agriculture de précision.
Déploiement avec Ultralytics#
La principale force d'Ultralytics réside dans son écosystème unifié. Contrairement aux modèles qui nécessitent des scripts d'entraînement complexes et personnalisés, YOLO26 propose une API simplifiée. L'entraînement d'un modèle sur ton jeu de données personnalisé ne nécessite que quelques lignes de code Python :
from ultralytics import YOLO
# Charger un modèle YOLO26 préentraîné
model = YOLO("yolo26n.pt")
# Entraîner le modèle sur le jeu de données COCO8
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# Effectuer une inférence sur une nouvelle image
predictions = model("https://ultralytics.com/images/bus.jpg")
# Exporter au format ONNX pour le déploiement
model.export(format="onnx")Que tu aies besoin de détection standard ou de tâches spécialisées comme la segmentation d'instances et l'estimation de pose, YOLO26 les prend nativement en charge grâce à des prototypes multi-échelles et à l'estimation du logarithme de vraisemblance résiduelle (RLE), le tout dans un même framework convivial.
Découvrir d’autres modèles remarquables#
Si tu évalues des architectures en fonction d'exigences spécifiques à ton entreprise, il vaut également la peine d'envisager la génération précédente, Ultralytics YOLO11, qui reste un modèle robuste et éprouvé en production. Pour les applications qui nécessitent des architectures basées sur des Transformers, RT-DETR constitue une alternative intéressante, même si son entraînement exige généralement plus de mémoire CUDA que les variantes YOLO plus efficaces.
En conclusion, EfficientDet propose une mise à l’échelle fondée sur des principes solides et PP-YOLOE+ offre un excellent débit GPU dans son framework spécifique, mais Ultralytics YOLO26 est aujourd’hui la solution la plus équilibrée, polyvalente et conviviale pour les développeurs. Son architecture native de bout en bout et ses nombreuses capacités d’intégration en font la base recommandée pour l’IA visuelle de nouvelle génération.
Commentaires
Pose une question, partage tes résultats ou aide quelqu’un d’autre.