Commencer

EfficientDet vs YOLOv8

Le domaine de la vision par ordinateur évolue constamment, de nouvelles architectures repoussant régulièrement les limites du possible. Le choix de la bonne architecture de réseau neuronal est essentiel pour équilibrer précision, latence et consommation de ressources. Cette analyse technique compare deux modèles de détection d’objets largement utilisés : EfficientDet de Google et Ultralytics YOLOv8.

Que tu souhaites déployer des modèles sur des appareils d’informatique en périphérie aux ressources très limitées ou effectuer des analyses à grande échelle sur des serveurs cloud, comprendre les différences entre ces modèles t’aidera à faire le bon choix.

Présentation des modèles et origines#

Comprendre la philosophie architecturale de chaque modèle fournit un contexte essentiel pour interpréter ses caractéristiques de performance.

EfficientDet : une précision évolutive#

Développé par des chercheurs de Google, EfficientDet a été présenté comme un framework de détection d’objets hautement évolutif. Il vise à maximiser la précision tout en gérant soigneusement les opérations en virgule flottante (FLOPs) et le nombre de paramètres.

En savoir plus sur EfficientDet

EfficientDet s’appuie sur le backbone EfficientNet et introduit un réseau pyramidal de caractéristiques bidirectionnel (BiFPN). Cela permet une fusion rapide des caractéristiques multi-échelles. Il 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. Bien qu’efficace, sa forte dépendance à l’écosystème TensorFlow peut parfois compliquer le déploiement dans des environnements axés sur PyTorch.

Ultralytics YOLOv8 : la référence polyvalente#

Sorti au début de 2023, Ultralytics YOLOv8 a marqué un tournant majeur dans la famille YOLO. Il a été conçu non seulement pour détecter des boîtes englobantes, mais aussi comme un framework unifié capable de prendre en charge de nombreuses tâches de vision.

YOLOv8 a introduit une tête de détection sans ancres, qui élimine le besoin de configurer manuellement les boîtes d’ancrage en fonction de la distribution des jeux de données. Cela simplifie considérablement l’entraînement. Son architecture comprend un module C2f optimisé, qui améliore la circulation des gradients et permet au modèle d’apprendre des représentations de caractéristiques plus riches. YOLOv8 nécessite également beaucoup moins de mémoire GPU pendant l’entraînement que les modèles volumineux basés sur Transformer, ce qui rend la recherche en IA haut de gamme plus accessible.

Capacités multitâches

Contrairement à EfficientDet, conçu uniquement pour les boîtes englobantes, YOLOv8 offre une grande polyvalence. Dès le départ, il prend en charge la détection d’objets, l’instance segmentation, la classification d’images, l’estimation de pose et les boîtes englobantes orientées (OBB).

Performances et benchmarks#

Lorsqu’on évalue ces modèles sur des benchmarks standard comme le jeu de données COCO, les compromis entre vitesse et précision deviennent évidents. Le tableau ci-dessous compare la famille EfficientDet (d0-d7) à la série YOLOv8 (n-x).

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
YOLOv8n64037.380.41.473.28.7
YOLOv8s64044.9128.42.6611.228.6
YOLOv8m64050.2234.75.8625.978.9
YOLOv8l64052.9375.29.0643.7165.1
YOLOv8x64053.9479.114.3768.2257.8

Analyse des données#

Les données de référence mettent en évidence l’équilibre des performances que les ingénieurs d’Ultralytics intègrent à leurs architectures. YOLOv8 excelle dans les environnements accélérés par GPU. Le modèle YOLOv8n s’exécute en 1,47 ms sur un NVIDIA T4 avec TensorRT, ce qui le rend bien mieux adapté aux flux d’analyse vidéo en temps réel.

YOLOv8x atteint également la précision globale la plus élevée, avec 53,9 mAP, et surpasse EfficientDet-d7 avec moins de FLOPs (257,8B contre 325,0B). Cette efficacité de calcul se traduit directement par des besoins en mémoire et des coûts énergétiques réduits lors du déploiement en entreprise.

Écosystème et facilité d'utilisation#

Pour de nombreuses équipes d’ingénierie modernes, le principal facteur de différenciation n’est pas seulement la vitesse brute d’un modèle, mais aussi l’écosystème qui l’entoure.

L’implémentation d’EfficientDet dépend fortement d’anciennes bibliothèques AutoML, qui peuvent entraîner une courbe d’apprentissage abrupte et des chaînes de dépendances fragiles pour les développeurs habitués aux flux de travail modernes PyTorch.

À l’inverse, Ultralytics privilégie la facilité d’utilisation. Son écosystème bien entretenu fournit une API Python cohérente qui simplifie considérablement le cycle de vie de l’apprentissage automatique. Il s’intègre à la plateforme Ultralytics, qui gère tout, de l’annotation automatique à l’entraînement dans le cloud et à la surveillance en temps réel.

Exemple de code : entraînement et inférence avec YOLOv8#

L’efficacité de l’entraînement de l’écosystème Ultralytics se démontre parfaitement avec du code. Pour commencer, quelques lignes de Python suffisent :

from ultralytics import YOLO

# Charger un modèle YOLOv8 nano préentraîné
model = YOLO("yolov8n.pt")

# Entraîner le modèle sur le jeu de données COCO8
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=0)

# Exécuter l’inférence sur une image distante
predictions = model("https://ultralytics.com/images/bus.jpg")

# Exporter au format ONNX pour un déploiement en production
export_path = model.export(format="onnx")

Cette approche simplifiée gère automatiquement le téléchargement des jeux de données, l’augmentation des données et l’allocation du matériel, ce qui permet aux chercheurs de se concentrer sur les résultats plutôt que sur le code passe-partout.

Cas d’utilisation et recommandations#

Le choix entre EfficientDet et YOLOv8 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 YOLOv8#

YOLOv8 est recommandé pour :

  • Déploiement polyvalent multi-tâches : Les projets qui nécessitent un modèle éprouvé pour la détection, la segmentation, la classification et l'estimation de pose au sein de l'écosystème Ultralytics.
  • Systèmes de production établis : les environnements de production existants déjà basés sur l’architecture YOLOv8 et dotés de pipelines de déploiement stables et bien testés.
  • Large soutien de la communauté et de l’écosystème : les applications qui tirent parti des nombreux tutoriels, intégrations tierces et ressources communautaires actives de YOLOv8.

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 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.

Perspectives : l’avantage de YOLO26#

YOLOv8 est un excellent modèle polyvalent, mais le domaine de la vision par ordinateur a continué d’évoluer. Pour les utilisateurs qui évaluent des architectures aujourd’hui, le modèle recommandé pour commencer est le tout nouveau Ultralytics YOLO26.

Sorti en janvier 2026, YOLO26 s’appuie sur les réussites de ses prédécesseurs, notamment YOLO11 et YOLOv10, et apporte plusieurs nouvelles fonctionnalités :

  • Conception de bout en bout sans NMS : La tête un-à-un optionnelle (nms=False) de YOLO26 élimine le besoin de post-traitement par suppression non maximale (NMS), ce qui simplifie la logique de déploiement et réduit les variations de latence.
  • Optimiseur MuSGD : Cet optimiseur hybride intègre des techniques d’entraînement des grands modèles de langage (LLM) pour assurer un entraînement plus stable et une convergence rapide.
  • Inférence CPU jusqu’à 43 % plus rapide : Optimisé pour les scénarios d’IA en périphérie sans GPU dédié, YOLO26n s’exécute jusqu’à 43 % plus vite que YOLO11n sur CPU.
  • ProgLoss + STAL : Ces améliorations de l’entraînement améliorent sensiblement la reconnaissance des petits objets, un point faible historique de nombreux détecteurs en temps réel.

Conclusion#

EfficientDet reste une architecture rigoureuse qui a fait œuvre de pionnier dans les techniques de mise à l’échelle composée. Toutefois, pour les applications prêtes pour la production, Ultralytics YOLOv8 offre une meilleure expérience de développement, une plus grande polyvalence pour les tâches de vision et une inférence bien plus rapide sur le matériel GPU moderne.

Pour les équipes qui lancent de nouveaux projets, l’écosystème Ultralytics offre un développement actif, une documentation complète et une voie de mise à niveau claire vers des modèles plus récents comme YOLO26.

Commentaires1

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

  1. finfindaraGitHub(modifié)

    Insightful comparison! EfficientDet is well-regarded for its scalability and efficient use of computational resources, especially in mobile and low-power scenarios. That said, this YOLOv8 comparison highlights how v8 offers better real-time performance, a more user-friendly training pipeline, and greater flexibility across different vision tasks. Each model brings unique strengths depending on the deployment context.