EfficientDet et YOLOv9#

Le domaine de la vision par ordinateur a été façonné par des avancées constantes dans la conception des réseaux neuronaux. Trouver le bon équilibre entre efficacité de calcul et précision de détection est essentiel lors du choix d'un modèle. En 2019, EfficientDet de Google a établi une base solide en introduisant des architectures évolutives, tandis que YOLOv9, sorti en 2024, a repoussé les limites de la détection d'objets grâce aux informations de gradient programmables (PGI).

Ce guide propose une comparaison technique complète de ces deux modèles et présente le framework moderne Ultralytics YOLO26, qui offre une solution robuste de bout en bout, optimisée pour les environnements de production.

Architectures et innovations des modèles#

Comprendre les mécanismes sous-jacents d’EfficientDet et de YOLOv9 est essentiel pour déterminer leurs cas d’utilisation optimaux.

EfficientDet : mise à l’échelle composée et BiFPN#

Développé par Google Research, EfficientDet met l’accent sur une mise à l’échelle systématique et une fusion efficace des caractéristiques. Il utilise EfficientNet comme backbone et introduit une nouvelle architecture de réseau de caractéristiques.

• Auteurs : Mingxing Tan, Ruoming Pang et Quoc V. Le
• Organisation : Google
• Date : 20 novembre 2019
• Liens : Arxiv, GitHub

Principales caractéristiques architecturales : EfficientDet s’appuie largement sur un réseau pyramidal de caractéristiques bidirectionnel (BiFPN), qui permet une fusion facile et rapide des caractéristiques à plusieurs échelles. Il utilise également une méthode de mise à l’échelle composée qui ajuste uniformément la résolution, la profondeur et la largeur du réseau. Bien qu’EfficientDet ait été très précis pour son époque, il reste fortement lié aux anciens environnements TensorFlow, ce qui complique les pipelines de déploiement modernes.

En savoir plus sur EfficientDet

YOLOv9 : résoudre le goulot d’étranglement de l’information#

Développé par des chercheurs de l’Academia Sinica, YOLOv9 s’attaque à la dégradation de l’information lorsque les données traversent des réseaux neuronaux profonds.

• Auteurs : Chien-Yao Wang et Hong-Yuan Mark Liao
• Organisation : Institut des sciences de l’information, Academia Sinica
• Date : 21 février 2024
• Liens : Arxiv, GitHub, Documentation

Principales caractéristiques architecturales : YOLOv9 introduit l’information de gradient programmable (PGI) pour fournir une supervision auxiliaire et garantir que les données essentielles sont conservées afin de mettre à jour les poids du réseau de manière fiable. Il intègre également le réseau généralisé d’agrégation efficace des couches (GELAN) afin de maximiser l’efficacité des paramètres. Malgré ces avancées, YOLOv9 nécessite toujours une suppression non maximale (NMS) lors du post-traitement, ce qui ajoute de la latence.

En savoir plus sur YOLOv9

Comparaison des performances#

Lors de l’évaluation de ces modèles, l’analyse des données empiriques aide à déterminer quelle architecture offre le meilleur compromis pour tes exigences matérielles spécifiques.

Analyse critique#

YOLOv9 apporte un bond générationnel en matière de vitesse. Par exemple, YOLOv9e atteint une mAP de 55.6 % avec une latence TensorRT de 16.77ms. À l’inverse, EfficientDet-d7 affiche une mAP inférieure de 53.7 %, mais souffre d’une latence considérable (128.07ms), ce qui rend son déploiement extrêmement difficile pour les flux vidéo en temps réel.

Cas d’utilisation et recommandations#

Le choix entre EfficientDet et YOLOv9 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 :

• Pipelines Google Cloud et TPU : systèmes étroitement intégrés aux API Google Cloud Vision ou à l’infrastructure TPU, où EfficientDet bénéficie d’une optimisation native.
• 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 YOLOv9#

YOLOv9 est recommandé pour :

• Recherche sur les goulots d’étranglement de l’information : les projets universitaires qui étudient les architectures à informations de gradient programmables (PGI) et à réseau généralisé d’agrégation efficace des couches (GELAN).
• Études sur l’optimisation du flux de gradients : les recherches axées sur la compréhension et l’atténuation des pertes d’information dans les couches profondes des réseaux pendant l’entraînement.
• Évaluation comparative de la détection de haute précision : les scénarios où les solides performances de YOLOv9 sur COCO servent de référence pour comparer les architectures.

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 : les appareils dépourvus d’accélération GPU dédiée, où l’inférence CPU jusqu’à 43 % plus rapide de YOLO26 constitue un avantage décisif.
• 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 YOLO26#

Bien que YOLOv9 et EfficientDet aient ouvert la voie, les développeurs à la recherche d’un framework véritablement moderne et prêt pour la production devraient envisager les modèles YOLO Ultralytics, et notamment le tout nouveau YOLO26.

La plateforme Ultralytics offre une facilité d’utilisation inégalée en combinant de puissants scripts d’entraînement locaux à une interface connectée au cloud. YOLO26 représente une refonte majeure de la conception des modèles, rendant les architectures plus anciennes obsolètes pour de nombreuses applications commerciales.

Points forts techniques de YOLO26#

• Conception de bout en bout sans NMS : la tête de détection facultative de YOLO26 (nms=False) élimine les goulots d’étranglement du post-traitement. En supprimant la suppression non maximale, les graphes de déploiement sont unifiés et intrinsèquement plus rapides sur les puces d’IA embarquées.
• Inférence CPU jusqu’à 43 % plus rapide : YOLO26 est fortement optimisé pour les appareils embarqués ; YOLO26n fonctionne jusqu’à 43 % plus vite que YOLO11n sur CPU ONNX lorsque les GPU ne sont pas disponibles.
• Optimiseur MuSGD : en intégrant les innovations des LLM à l’IA visuelle, cet optimiseur hybride stabilise les entraînements et permet aux modèles de converger plus rapidement avec moins de ressources.
• Faibles besoins en mémoire : contrairement aux architectures reposant largement sur des transformers ou aux CNN non optimisés, YOLO26 minimise la consommation de mémoire CUDA pendant l’entraînement, ce qui te permet d’utiliser des tailles de lot plus élevées sur du matériel grand public.
• ProgLoss + STAL : une conception supérieure de la fonction de perte améliore considérablement la précision de détection des petits objets, ce qui rend YOLO26 idéal pour l’imagerie aérienne et les réseaux IoT.
• Suppression de DFL : une conception structurelle simplifiée facilite la conversion vers des formats de déploiement mobile.

Parmi les autres options robustes de l’écosystème Ultralytics figurent YOLO11 et YOLOv8, qui offrent également une grande polyvalence multitâche, notamment la segmentation d’instances et l’estimation de pose.

Simplifier l’entraînement avec le SDK Python#

Les modèles Ultralytics privilégient l’expérience développeur. L’entraînement d’un modèle de pointe se résume à quelques lignes de Python.

from ultralytics import YOLO

# Initialize the state-of-the-art YOLO26 model
model = YOLO("yolo26n.pt")

# Train with optimized memory usage and built-in augmentations
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Validate the model's performance easily
metrics = model.val()
print(f"Validation mAP: {metrics.box.map}")

Applications concrètes#

Le choix entre ces architectures dépend largement de ta cible de déploiement.

• Déploiements cloud hérités : EfficientDet était populaire pour le traitement par lots hors ligne dans le cloud, lorsqu’une grande précision était nécessaire et qu’il n’existait pas de contraintes strictes de temps réel.
• Recherche universitaire : YOLOv9 reste un choix intéressant pour les chercheurs qui repoussent les limites théoriques des CNN et analysent les flux de gradient à travers les couches du réseau.
• Informatique en périphérie et IoT : YOLO26 domine les applications du monde réel. Son pipeline sans NMS et ses capacités de boîtes englobantes orientées (OBB) en font la meilleure option pour l’analyse du trafic en ville intelligente, le suivi des stocks en magasin et l’inspection par drone, avec un équilibre inégalé entre précision élevée et vitesse d’inférence.