EfficientDet et YOLO11
Le choix de la bonne architecture de réseau neuronal est le fondement de toute application de vision par ordinateur réussie. Ce guide propose une comparaison technique entre EfficientDet de Google et Ultralytics YOLO11, en analysant leurs différences architecturales, leurs mesures de performance et les scénarios de déploiement les mieux adaptés.
Que tu vises une latence de quelques millisecondes sur des appareils d’IA en périphérie ou que tu aies besoin d’une précision évolutive pour l’inférence dans le cloud, comprendre les différences entre ces modèles est utile.
Profils des modèles et détails techniques#
Comprendre la lignée et la philosophie de conception sous-jacente à chaque architecture permet de mieux contextualiser ses performances dans les tâches de détection d'objets en conditions réelles.
EfficientDet#
Développé par des chercheurs de Google Brain, EfficientDet a introduit une approche raisonnée de la mise à l'échelle des réseaux de détection d'objets, ainsi que le nouveau BiFPN (réseau pyramidal de caractéristiques bidirectionnel).
- Auteurs : Mingxing Tan, Ruoming Pang et Quoc V. Le
- Organisation : Google
- Date : 2019-11-20
- arXiv : https://arxiv.org/abs/1911.09070
- GitHub : https://github.com/google/automl/tree/master/efficientdet
- Documentation : https://github.com/google/automl/tree/master/efficientdet#readme
En savoir plus sur EfficientDet
YOLO11#
YOLO11 représente une évolution majeure de l’écosystème Ultralytics, en améliorant les performances en temps réel, l’efficacité des paramètres et l’apprentissage multitâche.
- Auteurs : Glenn Jocher et Jing Qiu
- Organisation : Ultralytics
- Date : 2024-09-27
- GitHub : https://github.com/ultralytics/ultralytics
- Documentation : https://docs.ultralytics.com/models/yolo11
Comparaison des architectures#
Les différences architecturales entre ces deux modèles mettent en évidence la divergence de leurs stratégies de conception au fil des ans.
EfficientDet utilise le backbone EfficientNet et introduit BiFPN, qui permet la fusion de caractéristiques multi-échelles de haut en bas et de bas en haut. Il utilise une méthode de mise à l’échelle composée qui ajuste simultanément et uniformément la résolution, la profondeur et la largeur du backbone, du réseau de caractéristiques et des réseaux de prédiction des boîtes et des classes. Bien qu’elle soit très efficace pour maximiser la précision moyenne (mAP), la circulation complexe des données dans BiFPN peut parfois limiter la bande passante mémoire pendant l’inférence.
YOLO11, en revanche, utilise un module C3k2 optimisé et une tête de détection sans ancres. Cette approche rationalisée réduit au minimum la surcharge pendant l’extraction des caractéristiques. Ultralytics a conçu YOLO11 pour maximiser l’utilisation du matériel GPU, ce qui réduit considérablement les besoins en mémoire pendant l’entraînement et l’inférence par rapport aux anciennes architectures ou aux modèles Transformer volumineux.
Alors qu’EfficientDet est uniquement un détecteur d’objets, YOLO11 est très polyvalent. Une seule architecture YOLO11 prend nativement en charge l’instance segmentation, la classification d’images, l’estimation de pose et les boîtes englobantes orientées (OBB).
Bancs d’essai de performances#
Le tableau ci-dessous compare les performances des deux familles de modèles à différentes échelles sur le jeu de données COCO.
| 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 |
| YOLO11n | 640 | 39.5 | 56.1 | 1.5 | 2.6 | 6.5 |
| YOLO11s | 640 | 47.0 | 90.0 | 2.5 | 9.4 | 21.6 |
| YOLO11m | 640 | 51.5 | 183.2 | 4.7 | 20.1 | 68.1 |
| YOLO11l | 640 | 53.4 | 238.6 | 6.2 | 25.3 | 87.2 |
| YOLO11x | 640 | 54.7 | 462.8 | 11.3 | 56.9 | 195.3 |
Analyse équilibrée : points forts et points faibles#
YOLO11 excelle dans les environnements GPU. Par exemple, YOLO11m atteint un mAP de 51,5 % en 4,7 ms sur un GPU T4 avec TensorRT. Pour obtenir la même précision, EfficientDet-d5 prend 67,86 ms, soit plus de 14 fois plus longtemps. Cela illustre l’équilibre des performances des modèles Ultralytics pour les applications en temps réel.
Méthodologie d'entraînement et écosystème#
L’expérience des développeurs est souvent aussi importante que les capacités théoriques du modèle. C’est là que l’écosystème Ultralytics se démarque.
EfficientDet dépend fortement de l’ancien écosystème TensorFlow et de bibliothèques AutoML complexes. La mise en place d’un pipeline d’entraînement personnalisé implique une courbe d’apprentissage abrupte, une gestion complexe des dépendances et la configuration manuelle des ancres et des fonctions de perte.
À l’inverse, Ultralytics est conçu pour être facile à utiliser. Grâce à un écosystème PyTorch bien entretenu, l’entraînement d’un modèle YOLO ne nécessite que quelques lignes de code. Le framework gère automatiquement l’augmentation des données et la planification du taux d’apprentissage dès le départ, et comprend un outil intégré de réglage des hyperparamètres.
Exemple de code : démarrer avec Ultralytics#
Cet extrait montre à quel point l’entraînement et l’inférence sont simples avec l’API Python.
from ultralytics import YOLO
# Charge un petit modèle YOLO11 préentraîné
model = YOLO("yolo11s.pt")
# Entraîner le modèle sur ton jeu de données personnalisé
train_results = model.train(data="coco8.yaml", epochs=50, imgsz=640, device=0)
# Effectuer une inférence rapide sur une image
results = model.predict("https://ultralytics.com/images/bus.jpg")
results[0].show()Cas d’utilisation idéaux#
Quand utiliser EfficientDet : EfficientDet reste une option viable pour les environnements de recherche fortement ancrés dans les pipelines TensorFlow.
Quand utiliser YOLO11 : YOLO11 est un excellent choix pour les déploiements modernes en entreprise. Sa vitesse le rend particulièrement adapté aux véhicules autonomes, à l’analyse sportive en temps réel et à la détection à haut débit des défauts de fabrication. Sa faible consommation mémoire permet également un déploiement flexible sur du matériel aux ressources limitées, comme le NVIDIA Jetson.
Perspectives : passer à YOLO26#
Bien que YOLO11 soit très performant, les développeurs qui lancent de nouveaux projets devraient évaluer le tout nouveau YOLO26, tandis que le modèle éprouvé YOLOv8 reste disponible pour les déploiements existants. Sorti en janvier 2026, YOLO26 s’appuie sur les bases de YOLO11 et apporte plusieurs innovations :
- Conception de bout en bout sans NMS : Dans la lignée de YOLOv10, YOLO26 peut entièrement éviter le post-traitement par suppression non maximale (NMS) grâce à sa tête optionnelle un-à-un (
nms=False), ce qui réduit la latence et simplifie les pipelines de déploiement. - Optimiseur MuSGD : Un optimiseur hybride qui combine SGD classique et Muon (inspiré de l’entraînement des grands modèles de langage) afin d’améliorer la stabilité de l’entraînement.
- Inférence CPU jusqu’à 43 % plus rapide : YOLO26n s’exécute jusqu’à 43 % plus vite que YOLO11n sur CPU, ce qui rend YOLO26 particulièrement adapté aux appareils en périphérie sans GPU dédié.
- ProgLoss + STAL : La perte progressive et l’assignation d’étiquettes tenant compte des petits objets améliorent la détection des petits objets, essentielle pour l’imagerie aérienne et la robotique.
Découvre un panorama plus large des architectures de vision, notamment les détecteurs basés sur Transformer comme RT-DETR, dans la documentation Ultralytics.
Commentaires
Pose une question, partage tes résultats ou aide quelqu’un d’autre.