Commencer

EfficientDet et YOLOv10

En vision par ordinateur, choisir la bonne architecture de détection d’objets est essentiel pour équilibrer la précision, la latence et l’efficacité computationnelle. Ce guide technique compare deux modèles influents : EfficientDet de Google et YOLOv10 de l’université Tsinghua. Bien que les deux modèles représentent des avancées majeures en détection d’objets, ils abordent la conception architecturale et l’optimisation des modèles sous des angles très différents.

Ce guide présente leurs architectures fondamentales, examine leurs performances sur des jeux de données standard comme COCO et explique leur intégration aux pipelines modernes d’apprentissage automatique, notamment à l’écosystème Ultralytics.

EfficientDet : pionnier de la mise à l'échelle composée#

Introduit fin 2019, EfficientDet a établi une nouvelle référence en matière de détection d’objets évolutive et précise, grâce à une approche rigoureuse de mise à l’échelle des dimensions du réseau.

Innovations clés et architecture#

EfficientDet repose sur le backbone EfficientNet et utilise un nouveau réseau pyramidal bidirectionnel de caractéristiques (BiFPN). Contrairement aux réseaux pyramidaux de caractéristiques (FPN) traditionnels, qui additionnent les caractéristiques sans distinguer leur importance, BiFPN utilise des poids apprenables pour fusionner les caractéristiques multi-échelles. Le réseau peut ainsi apprendre efficacement quelles caractéristiques de résolution contribuent le plus à la prédiction finale. EfficientDet utilise également 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.

EfficientDet reste un choix solide pour les anciens systèmes étroitement intégrés à des pipelines TensorFlow antérieurs, mais ses besoins en mémoire pendant l'entraînement sont importants et il dépend d'un ancien écosystème qui peut être encombrant comparé aux frameworks modernes et dynamiques.

En savoir plus sur EfficientDet

YOLOv10 : l'innovateur sans NMS#

Sorti mi-2024, YOLOv10 a transformé la détection d’objets en temps réel en supprimant la nécessité d’appliquer la suppression non maximale (NMS) pendant le post-traitement, ce qui réduit considérablement la latence d’inférence.

Innovations clés et architecture#

YOLOv10 introduit une stratégie cohérente de double assignation pour l’entraînement sans NMS. En utilisant à la fois les assignations d’étiquettes un-à-plusieurs et un-à-un pendant l’entraînement, le réseau apprend à produire des boîtes englobantes avec des correspondances uniques sans recourir à NMS pour éliminer les doublons. Cette conception globale, axée sur l’efficacité et la précision, réduit la redondance des calculs, ce qui en fait un excellent candidat pour l’informatique en périphérie et les applications de diffusion vidéo à faible latence. Le modèle s’intègre aussi à l’écosystème Ultralytics et offre aux développeurs une API Python simple.

En savoir plus sur YOLOv10

Impact de l'absence de NMS

En supprimant l’étape de NMS, YOLOv10 maintient une vitesse d’inférence constante, quel que soit le nombre d’objets détectés dans une scène, ce qui élimine les pics de latence souvent observés lorsque des scènes encombrées sont traitées par les applications de vision par ordinateur.

Comparaison des performances : précision, vitesse et efficacité#

Lors du déploiement de modèles en conditions réelles, les développeurs doivent comparer la précision moyenne (mAP) au nombre de paramètres et aux opérations de calcul (FLOPs). Le tableau ci-dessous détaille ces indicateurs pour les différentes variantes de mise à l'échelle des deux modèles.

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
YOLOv10n64038.5-1.842.36.7
YOLOv10s64046.3-2.497.221.6
YOLOv10m64051.1-4.7415.459.1
YOLOv10b64052.5-5.7419.192.0
YOLOv10l64053.2-7.2824.4120.3
YOLOv10x64054.4-10.7029.5160.4

Remarque : la variante YOLOv10n nécessite moins de paramètres (2,3M) et atteint des vitesses TensorRT bien plus élevées (1,84 ms) que les plus petites variantes EfficientDet, ce qui la rend beaucoup plus adaptée à l’inférence en temps réel en production.

Pourquoi choisir Ultralytics pour le déploiement de modèles ?#

Bien que les deux modèles aient une importance historique et structurelle, leur intégration aux pipelines modernes peut s’avérer difficile. C’est là que la plateforme Ultralytics intervient. En proposant un écosystème unifié, Ultralytics simplifie l’ensemble du cycle de vie, de l’annotation des données au déploiement.

  1. Facilité d'utilisation : le package Python Ultralytics offre une interface unique pour l'entraînement des modèles, la validation et l'export, remplaçant des centaines de lignes de code standard par des commandes concises.
  2. Écosystème et polyvalence : Alors qu’EfficientDet est spécialisé dans la détection, les modèles Ultralytics YOLO prennent aussi en charge l’instance segmentation, la classification, l’estimation de pose et les boîtes englobantes orientées (OBB).
  3. Efficacité de l’entraînement : Grâce à des techniques comme le regroupement automatique par lots et l’entraînement distribué, les modèles Ultralytics s’entraînent plus vite et consomment beaucoup moins de mémoire CUDA que les architectures Transformer volumineuses ou les anciennes architectures TensorFlow à branches multiples.

Exemple de code : entraîner YOLOv10#

Déployer YOLOv10 avec Ultralytics est simple. L’extrait de code suivant montre comment initialiser, entraîner et évaluer un réseau YOLOv10 entièrement avec l’API Python.

from ultralytics import YOLO

# Charger un modèle YOLOv10 préentraîné (variante nano pour la vitesse en périphérie)
model = YOLO("yolov10n.pt")

# Entraîner le modèle sur le jeu de données COCO8
results = model.train(data="coco8.yaml", epochs=50, imgsz=640, batch=16)

# Évaluer le modèle sur le jeu de validation
metrics = model.val()

# Exporter le modèle vers ONNX pour un déploiement en production
model.export(format="onnx")

Cas d’utilisation et recommandations#

Le choix entre EfficientDet et YOLOv10 dépend des exigences propres à 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 YOLOv10#

YOLOv10 est recommandé pour :

  • Détection en temps réel sans NMS : les applications qui tirent parti de la détection de bout en bout sans suppression non maximale, ce qui réduit la complexité du déploiement.
  • Équilibre entre vitesse et précision : les projets qui nécessitent un bon compromis entre vitesse d’inférence et précision de détection, pour différentes tailles de modèles.
  • Applications à latence constante : les scénarios de déploiement où des temps d’inférence prévisibles sont essentiels, comme en robotique ou dans les systèmes autonomes.

Quand choisir Ultralytics (YOLO26)#

Pour la plupart des nouveaux projets, Ultralytics YOLO26 offre le meilleur équilibre entre performances et expérience développeur :

  • Déploiement en périphérie sans NMS : les applications qui exigent des inférences à faible latence et constantes, sans la complexité du post-traitement par suppression non maximale.
  • Environnements uniquement équipés d’un CPU : Les appareils sans accélération GPU dédiée, sur lesquels l’inférence sur CPU jusqu’à 43 % plus rapide de YOLO26n par rapport à YOLO11n représente un avantage évident.
  • 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.

Le futur est là : découvrez Ultralytics YOLO26#

YOLOv10 a introduit la conception YOLO sans NMS, mais la technologie a évolué depuis. Sorti en janvier 2026, Ultralytics YOLO26 est le modèle Ultralytics actuellement recommandé pour l’IA visuelle. Il réunit les points forts des architectures précédentes, comme les capacités multitâches de YOLO11 et la détection de bout en bout de RT-DETR, au sein d’une seule famille de modèles optimisés.

Les avantages de YOLO26

Si tu démarres un nouveau projet, commence avec YOLO26. La plateforme Ultralytics t’offre flexibilité et facilité d’utilisation.

Principales innovations de YOLO26 :

  • Conception de bout en bout sans NMS : En s’appuyant sur les bases établies par YOLOv10, YOLO26 propose une tête de bout en bout un-à-un optionnelle (nms=False) qui évite NMS et réduit la logique nécessaire au déploiement.
  • Inférence CPU jusqu’à 43 % plus rapide : En supprimant la perte focale de distribution (DFL), YOLO26 réduit considérablement la surcharge de calcul. YOLO26n est jusqu’à 43 % plus rapide que YOLO11n sur CPU, ce qui le rend particulièrement adapté aux appareils d’IA en périphérie.
  • Optimiseur MuSGD : YOLO26 reprend des techniques d’entraînement des grands modèles de langage (LLM). En combinant la stabilité de SGD à la vitesse de Muon, il converge plus vite et de manière plus fiable.
  • ProgLoss + STAL : La perte progressive et l’assignation d’étiquettes tenant compte des petits objets répondent aux problèmes de longue date liés à la détection des petits objets, un domaine où EfficientDet a traditionnellement rencontré des difficultés.

Conclusion : choisir le modèle adapté à chaque cas d'usage#

Le choix entre ces réseaux dépend en définitive de tes contraintes de déploiement :

  • EfficientDet reste un sujet d'intérêt académique pour l'étude de la mise à l'échelle composée. Il convient aux chercheurs qui assurent la maintenance de systèmes TensorFlow existants, pour lesquels la taille du poids du modèle (sur disque) est plus importante que la vitesse d'exécution.
  • YOLOv10 convient bien aux applications exigeant une latence extrêmement faible, comme le suivi multi-objets à grande vitesse et la surveillance du trafic, grâce à son architecture sans NMS.
  • YOLO26 est toutefois le meilleur choix pour les projets modernes de vision par ordinateur, car il offre un excellent équilibre des performances entre précision, faible empreinte mémoire et polyvalence multitâche, le tout soutenu par l’écosystème robuste d’Ultralytics.

Commentaires

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