Comparaison entre EfficientDet et YOLO11#

Sélectionner l'architecture de réseau neuronal optimale est le fondement de toute application réussie de vision par ordinateur. Ce guide complet propose une comparaison technique approfondie entre EfficientDet de Google et Ultralytics YOLO11, en analysant leurs différences architecturales, leurs indicateurs de performance et leurs scénarios de déploiement idéaux.

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, il est essentiel de comprendre les nuances de ces modèles.

Profils des modèles et détails techniques#

Comprendre la lignée et la philosophie de conception sous-jacente de chaque architecture aide à contextualiser leurs performances dans les tâches réelles de détection d'objets.

EfficientDet#

Développé par des chercheurs de Google Brain, EfficientDet a introduit une approche méthodique 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 : 20/11/2019
• 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

YOLO11#

YOLO11 représente une évolution majeure de l'écosystème Ultralytics, repoussant les limites des performances en temps réel, de l'efficacité des paramètres et de 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 des stratégies de conception au fil des années.

EfficientDet exploite le backbone EfficientNet et introduit BiFPN, qui permet une fusion des caractéristiques multi-échelles de haut en bas et de bas en haut. Il utilise une méthode de mise à l'échelle composée qui ajuste uniformément la résolution, la profondeur et la largeur de tous les réseaux du backbone, du réseau de caractéristiques et de prédiction des boîtes/classes, simultanément. Bien que très efficace pour maximiser la précision moyenne globale (mAP), le routage complexe de BiFPN peut parfois limiter la bande passante mémoire pendant l'inférence.

YOLO11, en revanche, utilise un module C3k2 optimisé et une tête de détection avancée sans ancres. Cette approche rationalisée réduit la surcharge lors de l'extraction des caractéristiques. Ultralytics a conçu YOLO11 pour maximiser l'utilisation du matériel GPU, ce qui se traduit par des besoins en mémoire nettement inférieurs, tant pendant l'entraînement que pendant l'inférence, par rapport aux architectures plus anciennes ou aux modèles lourds de type Transformer.

Benchmarks de performance#

Le tableau ci-dessous compare les performances des deux familles de modèles à différentes échelles sur le jeu de données COCO.

Analyse équilibrée : points forts et points faibles#

Accélération GPU : YOLO11 domine dans les environnements GPU. Par exemple, YOLO11m atteint une mAP de 51,5 % en seulement 4,7 ms sur un GPU T4 utilisant TensorRT. Pour atteindre une précision comparable, EfficientDet-d5 nécessite 67,86 ms, soit plus de 14 fois plus lent. Cela met en évidence le meilleur équilibre de performances des modèles Ultralytics pour les applications en temps réel.

Environnements CPU : EfficientDet affiche des vitesses d'inférence CPU très optimisées dans ses variantes plus petites, comme d0 et d1, avec ONNX. Cependant, sa précision évolue mal sans entraîner de lourdes pénalités de latence GPU dans les variantes plus grandes, comme d7.

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 une configuration manuelle des ancres et des fonctions de perte.

À l'inverse, Ultralytics offre une facilité d'utilisation inégalée. Soutenu par un écosystème PyTorch bien maintenu, l'entraînement d'un modèle YOLO ne nécessite que quelques lignes de code. Le framework gère automatiquement l'optimisation des hyperparamètres, les augmentations avancées des données et la planification optimale du taux d'apprentissage, dès la configuration initiale.

Exemple de code : démarrer avec Ultralytics#

Cet extrait robuste et prêt pour la production montre à quel point l'entraînement et l'inférence sont simples avec l'API Python.

from ultralytics import YOLO

# Load a pre-trained YOLO11 small model
model = YOLO("yolo11s.pt")

# Train the model on your custom dataset with automated hyperparameter tuning
train_results = model.train(data="coco8.yaml", epochs=50, imgsz=640, device=0)

# Perform fast inference on an image
results = model.predict("https://ultralytics.com/images/bus.jpg")
results[0].show()

Cas d’utilisation idéaux#

Quand utiliser EfficientDet : EfficientDet reste un choix viable pour les environnements de recherche fortement ancrés dans des pipelines TensorFlow ou soumis à des contraintes spécifiques liées au CPU, où les premières architectures comme d0 offrent des performances suffisantes.

Quand utiliser YOLO11 : YOLO11 est le choix de référence pour les déploiements d'entreprise modernes. Sa vitesse exceptionnelle le rend idéal pour les véhicules autonomes, l'analyse sportive en temps réel et la détection de défauts industriels à haut débit. De plus, sa faible consommation mémoire permet un déploiement flexible sur du matériel aux ressources limitées, comme le NVIDIA Jetson.

Perspectives : la mise à niveau vers YOLO26#

Bien que YOLO11 soit particulièrement performant, les développeurs qui commencent de nouveaux projets devraient évaluer d'autres architectures Ultralytics, comme le très éprouvé YOLOv8 ou le nouveau YOLO26. Sorti début 2026, YOLO26 s'appuie sur les fondations de YOLO11 et introduit plusieurs innovations majeures :

• Conception de bout en bout sans NMS : S'appuyant sur l'héritage de YOLOv10, YOLO26 élimine complètement la suppression des non-maxima (NMS) lors du post-traitement, réduisant fortement la latence et simplifiant les pipelines de déploiement.
• Optimiseur MuSGD : Un optimiseur hybride qui combine le SGD standard avec Muon, inspiré de l'entraînement des grands modèles de langage, et améliore considérablement la stabilité de l'entraînement.
• Jusqu'à 43 % d'inférence CPU plus rapide : Des optimisations spécifiques rendent YOLO26 extrêmement performant sur les appareils en périphérie dépourvus de GPU dédiés.
• ProgLoss + STAL : Des fonctions de perte avancées qui améliorent considérablement la détection des petits objets, un aspect essentiel pour l'imagerie aérienne et la robotique.

Explore le paysage plus large des architectures de vision, notamment les détecteurs fondés sur les Transformer comme RT-DETR, dans notre documentation Ultralytics complète.