EfficientDet vs YOLO11#

Sélectionner l'architecture de réseau de neurones optimale est la base de toute application de computer vision réussie. Ce guide complet fournit une comparaison technique approfondie entre EfficientDet de Google et Ultralytics YOLO11, en analysant leurs différences architecturales, leurs métriques de performance et leurs scénarios de déploiement idéaux.

Que tu vises une latence de l'ordre de la milliseconde sur des appareils d'edge AI ou que tu aies besoin d'une précision évolutive pour l'inférence dans le cloud, il est crucial 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 des tâches de object detection du monde réel.

EfficientDet#

Développé par les chercheurs de Google Brain, EfficientDet a introduit une approche rigoureuse pour la mise à l'échelle des réseaux de détection d'objets, accompagnée du nouveau BiFPN (Bidirectional Feature Pyramid Network).

• 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
• Docs : https://github.com/google/automl/tree/master/efficientdet#readme

En savoir plus sur EfficientDet

YOLO11#

YOLO11 représente une évolution significative au sein de l'écosystème Ultralytics, repoussant les limites de la performance en temps réel, de l'efficacité des paramètres et de l'apprentissage multi-tâches.

• Auteurs : Glenn Jocher et Jing Qiu
• Organisation : Ultralytics
• Date : 2024-09-27
• GitHub: https://github.com/ultralytics/ultralytics
• Docs : https://docs.ultralytics.com/models/yolo11

En savoir plus sur YOLO11

Comparaison architecturale#

Les différences architecturales entre ces deux modèles soulignent la divergence des stratégies de conception au fil des années.

EfficientDet s'appuie sur le backbone EfficientNet et introduit BiFPN, qui permet une fusion de caractéristiques multi-échelle descendante et ascendante. Il utilise une méthode de mise à l'échelle composite qui met à l'échelle uniformément la résolution, la profondeur et la largeur pour tous les réseaux de backbone, de réseau de caractéristiques et de prédiction de boîte/classe simultanément. Bien qu'il soit très efficace pour maximiser le mean Average Precision (mAP), le routage complexe dans BiFPN peut parfois créer un goulot d'étranglement pour la bande passante mémoire lors de l'inférence.

YOLO11, en revanche, utilise un module C3k2 optimisé et une tête de détection avancée sans ancrage. Cette approche rationalisée minimise la surcharge lors de l'extraction de caractéristiques. Ultralytics a conçu YOLO11 pour maximiser l'utilisation du matériel GPU, ce qui entraîne des exigences de mémoire considérablement plus faibles pendant l'entraînement et l'inférence par rapport aux architectures plus anciennes ou aux modèles de transformer lourds.

Benchmarks de performance#

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

Analyse équilibrée : forces et faiblesses#

Accélération GPU : YOLO11 domine dans les environnements GPU. Par exemple, YOLO11m offre un mAP de 51,5 % à une vitesse fulgurante de 4,7 ms sur un GPU T4 utilisant TensorRT. Pour atteindre une précision comparable, EfficientDet-d5 prend 67,86 ms, soit plus de 14 fois plus lentement. Cela met en évidence l'équilibre des performances supérieur des modèles Ultralytics pour les applications en temps réel.

Environnements CPU : EfficientDet présente des vitesses d'inférence CPU hautement optimisées dans ses variantes plus petites (comme d0 et d1) en utilisant ONNX. Cependant, sa précision évolue mal sans encourir de pénalités de latence GPU massives dans les variantes plus grandes comme d7.

Méthodologie d'entraînement et écosystème#

L'expérience du développeur est souvent aussi cruciale que les capacités théoriques du modèle. C'est là que l'écosystème Ultralytics brille.

EfficientDet repose lourdement sur l'écosystème TensorFlow historique et des bibliothèques AutoML complexes. La configuration d'un pipeline d'entraînement personnalisé implique des courbes d'apprentissage abruptes, une gestion complexe des dépendances et une configuration manuelle des ancres et des loss functions.

À l'inverse, Ultralytics offre une facilité d'utilisation inégalée. Soutenu par un écosystème PyTorch bien entretenu, l'entraînement d'un modèle YOLO ne nécessite que quelques lignes de code. Le framework gère automatiquement le hyperparameter tuning, les augmentations de données avancées et la planification optimale du taux d'apprentissage dès la sortie de la boîte.

Exemple de code : Pour bien démarrer avec Ultralytics#

Cet extrait robuste et prêt pour la production démontre à quel point l'entraînement et l'inférence sont simples au sein de la Python API.

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 les pipelines TensorFlow ou pour des contraintes spécifiques liées au CPU où les architectures anciennes comme d0 fonctionnent correctement.

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

Regard vers l'avenir : La mise à niveau YOLO26#

Bien que YOLO11 soit exceptionnellement performant, les développeurs qui commencent de nouveaux projets devraient évaluer d'autres architectures Ultralytics comme le fait ses preuves YOLOv8 ou le nouveau YOLO26. Sorti au début de 2026, YOLO26 reprend les bases de YOLO11 et introduit plusieurs innovations révolutionnaires :

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

Explore le paysage plus large des architectures de vision, y compris les détecteurs basés sur les transformers comme RT-DETR, dans notre Ultralytics Docs complet.