EfficientDet ou YOLOv6-3.0
Choisir la bonne architecture de réseau neuronal est la pierre angulaire de tout projet réussi de vision par ordinateur. Ce guide propose une comparaison technique de deux modèles importants de détection d’objets : EfficientDet de Google et YOLOv6-3.0 de Meituan.
Les deux architectures ont représenté des avancées majeures à leur sortie, mais l’IA a depuis produit des solutions plus polyvalentes et optimisées pour les appareils périphériques. Ce guide compare les performances, les méthodes d’entraînement et les détails architecturaux d’EfficientDet et de YOLOv6-3.0, et explique pourquoi de nombreux développeurs optent aujourd’hui pour des écosystèmes modernes comme Ultralytics YOLO26 pour le déploiement.
EfficientDet : architecture AutoML évolutive#
Développé par l’équipe Google Brain, EfficientDet s’appuie sur le backbone EfficientNet conçu par AutoML et l’associe à un réseau de caractéristiques mis à l’échelle de manière composée.
- Auteurs : Mingxing Tan, Ruoming Pang et Quoc V. Le
- Organisation : Google Research
- Date : 2019-11-20
- arXiv : 1911.09070
- GitHub : google/automl
- Documentation : README d’EfficientDet
Innovations architecturales#
L’innovation fondamentale d’EfficientDet est BiFPN (réseau pyramidal de caractéristiques bidirectionnel). Contrairement aux FPN traditionnels, qui se contentent d’agréger les caractéristiques de haut en bas, BiFPN permet des connexions transversales complexes dans les deux sens et utilise des poids apprenables pour saisir l’importance des différentes caractéristiques d’entrée. Cette approche s’associe à une méthode de mise à l’échelle composée qui ajuste uniformément et simultanément la résolution, la profondeur et la largeur du réseau.
Points forts et points faibles#
EfficientDet atteint une excellente précision moyenne (mAP) au regard de son nombre de paramètres, ce qui le rendait très précis pour son époque. Cependant, il dépend fortement d’environnements TensorFlow plus anciens. Cette dépendance entraîne souvent un réglage complexe des hyperparamètres, une utilisation accrue de la mémoire pendant l’entraînement et une latence d’inférence supérieure sur du matériel standard, comparé aux détecteurs modernes à un étage basés sur PyTorch.
En savoir plus sur EfficientDet
YOLOv6-3.0 : champion du débit industriel#
Conçu pour le traitement industriel à grand volume, YOLOv6-3.0 est un réseau neuronal convolutif (CNN) conçu dès le départ pour maximiser le débit sur les accélérateurs matériels comme les GPU NVIDIA T4 et A100.
- Auteurs : Chuyi Li, Lulu Li, Yifei Geng, et al.
- Organisation : Meituan Vision AI
- Date : 2023-01-13
- arXiv : 2301.05586
- GitHub : meituan/YOLOv6
- Docs : Documentation de YOLOv6
Innovations architecturales#
YOLOv6-3.0 remplace les modules traditionnels du neck par le module Bi-directional Concatenation (BiC) afin de préserver la précision des signaux de localisation. Il utilise également une stratégie Anchor-Aided Training (AAT). AAT intègre une branche auxiliaire basée sur les ancres pendant l’entraînement afin de fournir un guidage supplémentaire du gradient ; cette branche est ensuite supprimée lors de l’inférence pour conserver l’avantage de vitesse sans ancres.
Points forts et points faibles#
Reposant sur le backbone EfficientRep adapté au matériel, YOLOv6-3.0 est performant dans les environnements de production industriels à grande vitesse où le traitement par lots sur des GPU dédiés est possible. Cependant, sa conception est optimisée pour le débit des GPU ; son avantage en vitesse peut donc diminuer sur les appareils périphériques ou dans les environnements utilisant uniquement un CPU.
Comparaison des performances#
Comprendre les mesures de performance brutes est essentiel pour choisir un modèle adapté aux contraintes spécifiques de ton déploiement. Le tableau ci-dessous détaille la précision, la vitesse et l’empreinte de calcul.
| 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 |
| YOLOv6-3.0n | 640 | 37.5 | - | 1.17 | 4.7 | 11.4 |
| YOLOv6-3.0s | 640 | 45.0 | - | 2.66 | 18.5 | 45.3 |
| YOLOv6-3.0m | 640 | 50.0 | - | 5.28 | 34.9 | 85.8 |
| YOLOv6-3.0l | 640 | 52.8 | - | 8.95 | 59.6 | 150.7 |
YOLOv6-3.0 affiche des vitesses TensorRT très élevées sur les GPU T4, mais les développeurs qui déploient sur du matériel périphérique limité ou des CPU tireront un grand bénéfice d’architectures conçues spécifiquement pour les environnements basse consommation, comme Ultralytics YOLO26.
Cas d’utilisation et recommandations#
Le choix entre EfficientDet et YOLOv6 dépend de tes exigences spécifiques, de tes 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 YOLOv6#
YOLOv6 est recommandé pour :
- Déploiement adapté au matériel industriel : les scénarios où la conception de YOLOv6, adaptée au matériel, et son reparamétrage efficace optimisent les performances sur un matériel cible spécifique.
- Détection rapide à un seul étage : les applications qui privilégient la vitesse d’inférence brute sur GPU pour le traitement vidéo en temps réel dans des environnements contrôlés.
- Intégration à l’écosystème Meituan : les équipes qui travaillent déjà dans la pile technologique et l’infrastructure de déploiement de Meituan.
Quand choisir Ultralytics (YOLO26)#
Pour la plupart des nouveaux projets, Ultralytics YOLO26 offre la meilleure combinaison de performances et d’expérience développeur :
- Déploiement edge sans NMS : Applications nécessitant une inférence cohérente à faible latence, sans la complexité du post-traitement de suppression des non-maxima (NMS).
- Environnements exclusivement CPU : appareils sans accélération GPU dédiée, pour lesquels l’inférence CPU jusqu’à 43 % plus rapide de YOLO26 (YOLO26n par rapport à YOLO11n) constitue un avantage net.
- 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.
L’avantage Ultralytics : pourquoi choisir YOLO26#
Bien qu’EfficientDet et YOLOv6-3.0 aient constitué des jalons de la recherche en vision, leur déploiement dans des environnements de production modernes implique souvent de composer avec des dépendances complexes, des API disparates et des besoins mémoire élevés. L’écosystème Ultralytics résout nativement ces goulots d’étranglement des workflows.
Pour les développeurs qui recherchent de solides performances et une grande facilité d’utilisation, Ultralytics YOLO26 (sorti en janvier 2026) constitue une avancée majeure. C’est le modèle recommandé pour les nouveaux déploiements.
Innovations de YOLO26#
- Conception de bout en bout sans NMS : YOLO26 prend en charge l’inférence native de bout en bout, qui élimine le besoin de post-traitement NMS lorsque sa tête un-à-un est sélectionnée avec
nms=False. Cela réduit les variations de latence et simplifie le déploiement de modèles sur divers matériels périphériques. - Optimiseur MuSGD : inspiré de l’entraînement des LLM (comme celui de Kimi K2 de Moonshot AI), YOLO26 utilise un hybride de SGD et de Muon. Cette approche transpose à la vision par ordinateur la stabilité de l’entraînement des grands modèles de langage, pour une convergence plus rapide et un entraînement efficace.
- Inférence CPU jusqu’à 43 % plus rapide : optimisé pour l’informatique en périphérie et les appareils basse consommation, YOLO26 offre une inférence CPU rapide, là où les modèles industriels traditionnels peinent, et YOLO26n est jusqu’à 43 % plus rapide que YOLO11n.
- Suppression de DFL : Distribution Focal Loss a été supprimée afin de simplifier le graphe d’exportation et d’améliorer la compatibilité avec les moteurs de déploiement comme OpenVINO et CoreML.
- ProgLoss + STAL : la perte progressive et l’assignation d’étiquettes adaptée aux petites cibles améliorent nettement la reconnaissance des petits objets, ce qui rend YOLO26 particulièrement adapté à la cartographie par drone, aux capteurs IoT et à la robotique.
Polyvalence#
Contrairement à EfficientDet, limité à la détection de boîtes englobantes, YOLO26 est nativement multitâche. La même API Python unifiée prend en charge la segmentation d’instances, la classification d’images, l’estimation de pose et la détection de boîtes englobantes orientées (OBB) dès l’installation, avec des améliorations propres aux tâches, comme la fonction de perte de segmentation sémantique et Residual Log-Likelihood Estimation (RLE), intégrées directement à l’architecture.
Intégration du code#
L’entraînement d’un réseau neuronal avancé ne nécessite plus des centaines de lignes de code standard. La bibliothèque Ultralytics permet aux chercheurs de charger, d’entraîner et de valider un modèle sur des jeux de données standards comme COCO en quelques lignes :
from ultralytics import YOLO
# Initialize the natively end-to-end YOLO26 Nano model
model = YOLO("yolo26n.pt")
# Train the model efficiently with automatic hardware detection
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# Validate the model's performance
metrics = model.val()
print(f"Achieved mAP50-95: {metrics.box.map:.3f}")
# Export directly to ONNX or TensorRT without NMS overhead
model.export(format="onnx", nms=False)Autres modèles à envisager#
Si ton projet doit prendre en charge d’anciens profils matériels ou si tu maintiens une base de code héritée, l’écosystème Ultralytics étendu répond à tes besoins.
- Ultralytics YOLO11 : prédécesseur direct de YOLO26, largement utilisé dans les entreprises qui ont besoin de pipelines éprouvés et bien documentés.
- Ultralytics YOLOv8 : un modèle largement adopté qui a établi une référence élevée en matière d’expérience développeur et reste un bon choix pour les tâches de vision par ordinateur généralistes, avec une intégration poussée à des outils comme TensorBoard et Weights & Biases.
Commentaires
Pose une question, partage tes résultats ou aide quelqu’un d’autre.