EfficientDet et YOLOv9
La vision par ordinateur a évolué au fil des avancées constantes dans la conception des réseaux neuronaux. Trouver le bon équilibre entre efficacité de calcul et précision de détection est essentiel pour choisir un modèle. EfficientDet de Google a établi une solide référence en 2019 avec ses architectures évolutives, tandis que YOLOv9, sorti en 2024, a fait progresser la détection d’objets grâce à l’information de gradient programmable (PGI).
Ce guide propose une comparaison technique de ces deux modèles et présente Ultralytics YOLO26, qui offre une solution robuste, de bout en bout et optimisée pour les environnements de production.
Architectures et innovations des modèles#
Comprendre les mécanismes fondamentaux d’EfficientDet et de YOLOv9 est essentiel pour déterminer leurs meilleurs cas d’utilisation.
EfficientDet : mise à l’échelle composée et BiFPN#
Développé par Google Research, EfficientDet met l’accent sur la mise à l’échelle systématique et la 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 fortement sur un réseau pyramidal bidirectionnel de caractéristiques (BiFPN), qui permet une fusion rapide des caractéristiques multi-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 étroitement 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 la conservation des données essentielles à la mise à jour fiable des poids du réseau. Il comprend également le réseau généralisé d’agrégation efficace des couches (GELAN), qui maximise l’efficacité des paramètres. Malgré ces avancées, YOLOv9 nécessite toujours une suppression non maximale (NMS) pendant le post-traitement, ce qui ajoute de la latence.
Comparaison des performances#
Lors de l’évaluation de ces modèles, l’analyse des mesures de performance empiriques aide à déterminer quelle architecture offre le meilleur compromis pour ton matériel.
| 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 |
| YOLOv9t | 640 | 38.3 | - | 2.3 | 2.0 | 7.7 |
| YOLOv9s | 640 | 46.8 | - | 3.54 | 7.2 | 26.7 |
| YOLOv9m | 640 | 51.4 | - | 6.43 | 20.1 | 76.8 |
| YOLOv9c | 640 | 53.0 | - | 7.16 | 25.5 | 102.8 |
| YOLOv9e | 640 | 55.6 | - | 16.77 | 58.1 | 192.5 |
Analyse critique#
YOLOv9 est beaucoup plus rapide à précision comparable. Par exemple, YOLOv9e atteint 55,6 % de mAP avec une latence TensorRT de 16,77 ms. EfficientDet-d7 affiche une mAP inférieure de 53,7 % et une latence bien supérieure (128,07 ms), ce qui rend son déploiement 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 :
- 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 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 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 YOLO26#
YOLOv9 et EfficientDet ont ouvert la voie, mais les développeurs à la recherche d’un framework moderne et prêt pour la production devraient envisager les modèles Ultralytics YOLO, en particulier le tout nouveau YOLO26.
La plateforme Ultralytics est conçue pour être facile à utiliser et associe des scripts d’entraînement locaux à une interface connectée au cloud. YOLO26 est une refonte majeure qui surpasse les architectures plus anciennes dans de nombreuses applications commerciales.
Points forts techniques de YOLO26#
- Conception de bout en bout sans NMS : La tête de bout en bout optionnelle (
nms=False) de YOLO26 élimine les goulots d’étranglement du post-traitement. La suppression de NMS unifie les graphes de déploiement et accélère leur exécution sur les puces d’IA en périphérie. - Inférence CPU jusqu’à 43 % plus rapide : Optimisé pour les appareils embarqués, YOLO26n s’exécute jusqu’à 43 % plus vite que YOLO11n sur CPU avec ONNX lorsque les GPU ne sont pas disponibles.
- Optimiseur MuSGD : En intégrant des techniques d’entraînement des LLM à l’IA visuelle, cet optimiseur hybride stabilise les entraînements et permet aux modèles de converger plus vite 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 : La perte progressive et l’assignation d’étiquettes tenant compte des petits objets améliorent considérablement la précision de détection des petits objets, ce qui rend YOLO26 particulièrement adapté à l’imagerie aérienne et aux réseaux IoT.
- Suppression de DFL : Une conception structurelle simplifiée facilite la conversion vers des formats de déploiement mobile.
Parmi les autres options de l’écosystème Ultralytics figurent YOLO11 et YOLOv8, qui offrent également une polyvalence multitâche, notamment l’instance segmentation et l’estimation de pose.
Simplifier l’entraînement avec le SDK Python#
Les modèles Ultralytics privilégient l’expérience des développeurs. Entraîner un modèle ne nécessite que quelques lignes de Python.
from ultralytics import YOLO
# Initialize the 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 fortement de ta cible de déploiement.
- Déploiements cloud hérités : EfficientDet était populaire pour le traitement par lots hors ligne dans le cloud, lorsque la précision était importante et que les contraintes strictes du temps réel ne s’appliquaient pas.
- Recherche universitaire : YOLOv9 reste un choix intéressant pour les chercheurs qui explorent les limites de la conception des CNN et analysent la circulation des gradients dans les couches du réseau.
- Informatique en périphérie et IoT : YOLO26 convient particulièrement aux applications en périphérie dans le monde réel. Son pipeline sans NMS et ses capacités de boîtes englobantes orientées (OBB) en font une excellente option pour l’analyse du trafic en ville intelligente, le suivi des stocks en magasin et l’inspection par drone, avec un bon équilibre entre haute précision et vitesse d’inférence élevée.
Commentaires
Pose une question, partage tes résultats ou aide quelqu’un d’autre.