Commencer

EfficientDet ou YOLOv5

Choisir la bonne architecture de réseau neuronal est une étape déterminante dans tout projet de vision par ordinateur. L’équilibre entre latence d’inférence, efficacité des paramètres et précision de détection détermine les performances réelles d’un modèle. Ce guide technique analyse deux frameworks influents de détection d’objets : EfficientDet de Google et YOLOv5 d’Ultralytics.

En comparant leurs innovations architecturales, leurs méthodes d’entraînement et leurs capacités de déploiement, les développeurs peuvent prendre des décisions éclairées pour leurs environnements spécifiques, qu’il s’agisse d’une mise à l’échelle sur des serveurs cloud ou d’une exécution sur des appareils edge aux ressources limitées.

EfficientDet : architecture évolutive avec BiFPN#

Présenté par Google Research, EfficientDet a été conçu pour mettre systématiquement à l’échelle à la fois le backbone et le réseau de caractéristiques, afin d’atteindre une grande précision avec moins de paramètres que les meilleurs modèles précédents.

Détails du modèle#

Innovations architecturales#

EfficientDet utilise le modèle de classification EfficientNet comme backbone, avec une méthode de mise à l’échelle composée qui ajuste uniformément la largeur, la profondeur et la résolution du réseau. Sa contribution la plus notable à la détection d’objets est l’introduction du réseau pyramidal de caractéristiques bidirectionnel (BiFPN). Contrairement aux réseaux pyramidaux de caractéristiques classiques, qui se contentent d’agréger les caractéristiques de haut en bas, BiFPN permet des connexions transversales complexes dans les deux sens et introduit des poids apprenables pour déterminer l’importance des différentes caractéristiques d’entrée.

Bien que très précis, EfficientDet dépend fortement de l’écosystème TensorFlow et de bibliothèques AutoML spécifiques. Cette dépendance peut compliquer son intégration dans des pipelines de déploiement personnalisés et légers ou dans des environnements privilégiant les graphes de calcul dynamiques.

En savoir plus sur EfficientDet

Ultralytics YOLOv5 : démocratiser l’IA en temps réel#

Sorti au milieu de 2020, Ultralytics YOLOv5 a rendu YOLO beaucoup plus accessible grâce à une implémentation native PyTorch de l’architecture. Il a établi une nouvelle référence en matière d’expérience développeur, d’efficacité d’entraînement et de flexibilité de déploiement en temps réel.

Détails du modèle#

Innovations architecturales#

YOLOv5 a apporté des améliorations majeures par rapport à ses prédécesseurs en utilisant un backbone CSPDarknet (Cross-Stage Partial), qui améliore la propagation du gradient tout en réduisant le nombre total de paramètres. YOLOv5 intègre également des boîtes d’ancrage apprises automatiquement, qui calculent automatiquement les a priori des boîtes englobantes à partir de tes données d’entraînement personnalisées et éliminent le réglage manuel des ancres.

YOLOv5 s’appuie également fortement sur l’augmentation de données Mosaic, qui fusionne quatre images différentes en une seule vignette d’entraînement. Cela améliore la capacité du modèle à détecter les petits objets ainsi que sa compréhension du contexte, ce qui le rend robuste dans des environnements variés.

Performances et benchmarks#

Évaluer les modèles sur des benchmarks standard comme le jeu de données COCO est essentiel pour comprendre les compromis entre précision et vitesse. Le tableau ci-dessous montre les performances de différentes tailles d’EfficientDet et de YOLOv5 dans des conditions standardisées.

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
YOLOv5n64028.0-1.121.94.5
YOLOv5s64037.4-1.927.216.5
YOLOv5m64045.4-4.0321.249.0
YOLOv5l64049.0-6.6146.5109.1
YOLOv5x64050.7-11.8986.7205.7

Analyse des compromis#

EfficientDet-d7 atteint un mAP maximal de 53,7, mais présente une latence d’inférence importante sur le matériel GPU par rapport aux architectures YOLO. YOLOv5, en revanche, bénéficie fortement de l’accélération matérielle. La variante YOLOv5n atteint un temps d’inférence de 1,12 ms sur un GPU T4 avec NVIDIA TensorRT, ce qui la rend bien mieux adaptée aux applications en temps réel comme la conduite autonome ou les lignes de production à grande vitesse.

Les modèles YOLOv5 nécessitent également beaucoup moins de mémoire CUDA pendant l’entraînement que les réseaux complexes à mise à l’échelle composée ou les grands modèles basés sur les Transformers. Cette faible empreinte mémoire rend l’IA moderne plus accessible et permet aux chercheurs d’entraîner des modèles robustes sur du matériel grand public standard.

Maximiser l’efficacité matérielle

Pour tirer le maximum d’images par seconde (FPS) de ton modèle YOLOv5 sur des appareils périphériques, exporte tes poids PyTorch vers TensorRT pour les GPU NVIDIA ou vers OpenVINO pour les CPU Intel. Cette étape peut considérablement accélérer l’inférence.

Écosystème d’entraînement et expérience développeur#

Le principal avantage de l’écosystème Ultralytics réside dans son expérience utilisateur rationalisée. Alors qu’EfficientDet exige une connaissance approfondie de l’API de détection d’objets TensorFlow, YOLOv5 propose une API Python cohérente et simple.

L’écosystème Ultralytics bien maintenu offre aux développeurs des mises à jour fréquentes, le soutien actif de la communauté et des intégrations avec des outils de suivi des expériences comme Weights & Biases et ClearML.

Exemple de code : démarrer avec YOLOv5#

L’inférence avec un modèle YOLOv5 préentraîné ne nécessite que quelques lignes de code grâce au package Python Ultralytics :

from ultralytics import YOLO

# Charger le modèle YOLOv5s très efficace
model = YOLO("yolov5su.pt")  # YOLOv5u : poids YOLOv5 sans ancres pour le package ultralytics

# Effectuer une inférence sur une image
results = model("https://ultralytics.com/images/zidane.jpg")

# Afficher les boîtes englobantes détectées
results[0].show()

Polyvalence et applications concrètes#

EfficientDet est strictement un framework de détection d’objets, ce qui limite son utilité dans les pipelines de vision complexes. À l’inverse, YOLOv5 a évolué pour prendre en charge plusieurs tâches de vision par ordinateur. Les versions modernes du modèle prennent en charge la segmentation d’instances et la classification d’images avec précision, ce qui permet aux développeurs de consolider leur infrastructure d’apprentissage automatique.

Cas d’utilisation idéaux#

  • EfficientDet : Idéal pour le traitement hors ligne, la recherche universitaire et l’analyse dans le cloud, où la précision maximale prime sur la latence et où des TPU de classe serveur ou des GPU à grande mémoire sont disponibles.
  • YOLOv5 : un excellent choix pour les déploiements d’IA en périphérie. Sa faible latence, sa petite empreinte en paramètres et sa grande précision le rendent particulièrement adapté à l’analyse par drone, à l’automatisation du commerce de détail en temps réel et aux applications mobiles via CoreML ou LiteRT.

La prochaine génération : passer à YOLO26#

YOLOv5 reste un modèle robuste et largement déployé, mais le domaine de l’IA évolue rapidement. Pour les équipes qui démarrent de nouveaux projets ou recherchent les meilleures performances modernes, Ultralytics a lancé YOLO26 en janvier 2026.

YOLO26 améliore le compromis entre vitesse et précision grâce à des changements architecturaux qui simplifient le déploiement et accélèrent l’inférence.

Principales avancées de YOLO26#

  • Conception de bout en bout sans NMS : la tête de bout en bout facultative de YOLO26 (nms=False) élimine le post-traitement par suppression non maximale (NMS). Cela simplifie la logique de déploiement et réduit les variations de latence, en perfectionnant une approche introduite pour la première fois dans YOLOv10.
  • Inférence CPU jusqu’à 43 % plus rapide : par rapport à YOLO11n, YOLO26n est jusqu’à 43 % plus rapide sur CPU, ce qui le rend adapté à l’informatique en périphérie et aux appareils IoT basse consommation fonctionnant sans GPU dédié.
  • Optimiseur MuSGD : inspiré des techniques d’entraînement des grands modèles de langage (comme celles utilisées pour Kimi K2 de Moonshot AI), cet hybride de SGD et de Muon transpose les idées de l’entraînement des LLM à la vision par ordinateur, pour une convergence plus rapide et une dynamique d’entraînement stable.
  • ProgLoss + STAL : une perte progressive et une stratégie d’assignation d’étiquettes adaptée aux petites cibles améliorent nettement la reconnaissance des petits objets, un atout essentiel pour l’imagerie aérienne et la robotique.
  • Suppression de DFL : la suppression de Distribution Focal Loss simplifie la tête du modèle et améliore la compatibilité lors de l’exportation vers du matériel périphérique ancien ou très limité.

Pour les équipes qui déploient des pipelines multitâches, YOLO26 propose également des améliorations spécifiques aux tâches, comme le proto multi-échelle pour la segmentation et une fonction de perte d’angle dédiée aux boîtes englobantes orientées (OBB). Tu peux aussi consulter YOLO11 ou l’architecture YOLOv8 pour découvrir d’autres solutions modernes de l’écosystème.

Conclusion#

Le choix entre EfficientDet et YOLOv5 dépend fortement de ta cible de déploiement. EfficientDet propose une méthode de mise à l’échelle rigoureuse, adaptée à l’inférence principalement dans le cloud. Cependant, l’expérience développeur de YOLOv5, ses boucles d’entraînement PyTorch rapides et ses capacités de déploiement optimisées pour les appareils périphériques en font le choix privilégié pour la plupart des applications réelles en temps réel ; YOLO26 est le point de départ recommandé pour les nouveaux projets. En tirant parti des outils complets fournis par Ultralytics, les équipes peuvent accélérer leur mise sur le marché et créer des systèmes d’IA très réactifs.

Commentaires

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