EfficientDet vs YOLOv7
Le choix de l’architecture de réseau neuronal la plus efficace est essentiel à la réussite de tout projet de vision par ordinateur. Comparer des modèles établis comme EfficientDet et YOLOv7 aide les développeurs à optimiser à la fois la précision et l’efficacité de calcul.
Cette analyse technique couvre les détails architecturaux, les mesures de performance et les scénarios de déploiement les mieux adaptés à chaque modèle. Elle explique également pourquoi l’écosystème Ultralytics intégré, notamment le dernier Ultralytics YOLO26, constitue une excellente solution de remplacement pour les tâches modernes de vision par ordinateur.
Comprendre EfficientDet#
EfficientDet a été conçu pour maximiser la précision tout en maîtrisant systématiquement les coûts de calcul dans diverses contraintes de ressources. Pour cela, il a adopté une nouvelle approche de mise à l’échelle et de fusion des caractéristiques.
Détails d’EfficientDet :
- Auteurs : Mingxing Tan, Ruoming Pang et Quoc V. Le
- Organisation : Google
- Date : 2019-11-20
- arXiv : EfficientDet : détection d’objets évolutive et efficace
- GitHub : Dépôt Google AutoML
Architecture et innovations#
Au cœur d’EfficientDet se trouve un réseau pyramidal de caractéristiques bidirectionnel (BiFPN). Contrairement aux FPN traditionnels, BiFPN permet une fusion rapide des caractéristiques à plusieurs échelles en introduisant des poids apprenables pour déterminer 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 backbone, du réseau de caractéristiques et des réseaux de prédiction des boîtes et des classes.
Points forts et points faibles#
EfficientDet est hautement évolutif. Ses variantes les plus petites (d0-d2) utilisent très efficacement les paramètres, ce qui les rend adaptées aux environnements soumis à de strictes limites de stockage. Les variantes plus grandes (comme d7) repoussent les limites de la précision moyenne moyenne (mAP) pour le traitement hors ligne haut de gamme.
Cependant, EfficientDet dépend fortement d’anciennes implémentations TensorFlow et de pipelines AutoML complexes. Cette infrastructure vieillissante complique son intégration aux flux de travail modernes centrés sur PyTorch. Le modèle souffre également d’une latence d’inférence importante sur les appareils périphériques lorsque l’on passe à des variantes plus précises.
En savoir plus sur EfficientDet
Comprendre YOLOv7#
Présenté en 2022, YOLOv7 a considérablement amélioré la vitesse et la précision des applications en temps réel, établissant alors une nouvelle référence pour la famille YOLO.
Détails de YOLOv7 :
- Auteurs : Chien-Yao Wang, Alexey Bochkovskiy et Hong-Yuan Mark Liao
- Organisation : Institute of Information Science, Academia Sinica, Taïwan
- Date : 2022-07-06
- arXiv : YOLOv7 : un ensemble d’astuces entraînable établit un nouvel état de l’art pour les détecteurs d’objets en temps réel
- GitHub : Dépôt officiel YOLOv7
Architecture et innovations#
YOLOv7 a introduit le réseau étendu d’agrégation efficace des couches (E-ELAN). Cette amélioration architecturale renforce la capacité d’apprentissage du réseau sans détruire le chemin de gradient d’origine, permettant au modèle d’apprendre efficacement des caractéristiques plus diverses. De plus, il met en œuvre un « ensemble de techniques gratuites entraînables », en s’appuyant sur des techniques comme la reparamétrisation planifiée et l’attribution dynamique des étiquettes pour améliorer la précision sans augmenter le coût d’inférence.
Points forts et points faibles#
YOLOv7 est performant dans les scénarios en temps réel, comme l’analyse vidéo et la navigation robotique à grande vitesse. Il passe bien à l’échelle sur les GPU de qualité serveur et propose une implémentation native PyTorch, ce qui le rend accessible aux chercheurs universitaires.
Malgré sa vitesse, YOLOv7 dépend toujours de la suppression non maximale (NMS) pour le post-traitement, ce qui peut entraîner une latence variable dans les scènes encombrées. Son empreinte mémoire pendant l’entraînement est nettement supérieure à celle des générations plus récentes, ce qui exige du matériel plus robuste pour gérer de grandes tailles de lot.
Comparaison des performances et des métriques#
Pour comparer ces modèles, il est essentiel d’examiner les compromis entre précision, vitesse d’inférence et nombre de paramètres. Le tableau ci-dessous évalue différentes configurations d’EfficientDet et de YOLOv7.
| 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 |
| YOLOv7l | 640 | 51.4 | - | 6.84 | 36.9 | 104.7 |
| YOLOv7x | 640 | 53.1 | - | 11.57 | 71.3 | 189.9 |
EfficientDet-d7 atteint le mAP le plus élevé, mais nécessite environ 128 ms sur un GPU T4. YOLOv7x atteint un mAP comparable de 53,1 en 11,57 ms, soit une amélioration d’un ordre de grandeur de l’efficacité de calcul pour les déploiements en temps réel.
Cas d’utilisation et recommandations#
Le choix entre EfficientDet et YOLOv7 dépend des exigences spécifiques de 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 YOLOv7#
YOLOv7 est recommandé pour :
- Évaluation comparative universitaire : reproduire les résultats de pointe de 2022 ou étudier les effets d’E-ELAN et des techniques d’ensemble de techniques gratuites entraînables.
- Recherche sur la reparamétrisation : étudier les convolutions reparamétrisées planifiées et les stratégies de mise à l’échelle composée des modèles.
- Pipelines personnalisés existants : projets dotés de pipelines fortement personnalisés autour de l’architecture spécifique de YOLOv7, difficiles à refactoriser.
Quand choisir Ultralytics (YOLO26)#
Pour la plupart des nouveaux projets, Ultralytics YOLO26 offre la meilleure combinaison de performances et d’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.
L’avantage Ultralytics#
Choisir la bonne architecture ne se résume pas aux seules mesures brutes : il faut évaluer l’ensemble du cycle de vie de l’apprentissage automatique. L’écosystème Ultralytics offre une excellente expérience de développement et abaisse considérablement le seuil d’accès aux déploiements d’IA robustes.
- Facilité d’utilisation : Ultralytics fournit une API Python unifiée. Les développeurs peuvent entraîner, valider et exporter des modèles en quelques lignes de code, sans devoir gérer les bases de code complexes et fragmentées typiques d’EfficientDet.
- Écosystème bien maintenu : grâce à des mises à jour rapides, une documentation complète et une communauté active, Ultralytics garantit la compatibilité avec les derniers frameworks de déploiement, comme TensorRT et OpenVINO.
- Besoins en mémoire : grâce aux chargeurs de données PyTorch optimisés et aux structures de réseau rationalisées, les modèles Ultralytics YOLO nécessitent beaucoup moins de mémoire CUDA pendant l’entraînement que les réseaux à plusieurs branches et les modèles fortement basés sur les Transformers.
- Polyvalence : contrairement aux architectures plus anciennes, strictement limitées à la détection de boîtes englobantes, les modèles Ultralytics sont des frameworks multitâches prenant en charge la segmentation d’instances, l’estimation de pose et la détection de boîtes englobantes orientées (OBB).
Efficacité de l’entraînement avec Ultralytics#
Le code suivant montre à quel point il est simple d’entraîner un modèle avec le package Python Ultralytics, contrairement à la configuration de pipelines TensorFlow plus anciens.
from ultralytics import YOLO
# Charger le modèle YOLO26 vivement recommandé
model = YOLO("yolo26s.pt")
# Entraîner le modèle avec l’augmentation des données intégrée
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# Exporter le modèle vers TensorRT pour le déploiement
model.export(format="engine")La nouvelle référence : YOLO26#
YOLOv7 et EfficientDet ont posé les bases de la vision par ordinateur moderne, mais le paysage a considérablement évolué avec l’arrivée d’Ultralytics YOLO26 en janvier 2026. Conçu pour offrir à la fois une grande précision et d’excellentes performances sur les appareils périphériques, YOLO26 est le modèle recommandé pour les nouveaux projets de vision.
Principales innovations de YOLO26#
- Conception de bout en bout sans NMS : s’appuyant sur les bases posées par YOLOv10, YOLO26 propose une tête native de bout en bout (
nms=False). En éliminant complètement le post-traitement NMS, il offre une latence plus faible et plus constante, un atout crucial pour les systèmes critiques pour la sécurité, comme la conduite autonome. - Inférence CPU jusqu’à 43 % plus rapide : grâce à la suppression de Distribution Focal Loss (DFL), YOLO26 simplifie le processus d’exportation et accélère l’inférence sur les appareils périphériques comme le Raspberry Pi (YOLO26n est jusqu’à 43 % plus rapide que YOLO11n sur CPU), ce qui en fait un excellent choix pour l’informatique en périphérie.
- Optimiseur MuSGD : YOLO26 intègre l’optimiseur MuSGD, un hybride de SGD et de Muon inspiré des techniques d’entraînement des LLM de Moonshot AI. Il offre une dynamique d’entraînement stable et une convergence plus rapide.
- ProgLoss + STAL : La perte progressive et l’assignation d’étiquettes adaptée aux petites cibles améliorent la capacité du modèle à détecter les objets minuscules, un problème fréquent dans les images prises par drone et les systèmes d’alarme de sécurité.
- Améliorations propres aux tâches : YOLO26 ne se limite pas à la détection. Il intègre une fonction de perte de segmentation sémantique et un proto multi-échelle pour améliorer la qualité de la segmentation d’instances, Residual Log-Likelihood Estimation (RLE) pour une estimation de pose plus précise, ainsi qu’une fonction de perte angulaire spécialisée qui résout les ambiguïtés aux limites des OBB.
Explorer d’autres modèles#
YOLO26 est le choix recommandé par défaut, mais l’écosystème Ultralytics prend en charge différents modèles adaptés à divers cas d’utilisation.
Pour les développeurs qui assurent la maintenance de systèmes existants, YOLO11 reste une solution robuste et bien prise en charge sur Ultralytics Platform. Pour les scénarios qui exigent explicitement des architectures basées sur les Transformers, RT-DETR offre une détection en temps réel avec un encodeur-décodeur Transformer, qui fait le lien entre les mécanismes d’attention et les vitesses d’exécution en temps réel.
En conclusion, EfficientDet apporte des éclairages universitaires sur la mise à l’échelle composée et YOLOv7 offre de solides performances de référence en temps réel, mais les entreprises modernes ont tout intérêt à adopter l’Ultralytics Platform. Avec YOLO26, les équipes bénéficient de performances élevées, d’un entraînement sans friction et d’une voie de déploiement activement maintenue.
Commentaires
Pose une question, partage tes résultats ou aide quelqu’un d’autre.