EfficientDet vs YOLOX
Lors de la conception d'un pipeline moderne de vision par ordinateur, le choix du bon modèle est une décision cruciale qui détermine à la fois la précision et la viabilité en temps réel. Ce guide technique compare deux architectures importantes de détection d'objets : EfficientDet de Google et YOLOX de Megvii. Il analyse leurs approches architecturales, évalue leurs performances de référence et explique en quoi elles se comparent au tout nouveau Ultralytics YOLO26.
Présentation d’EfficientDet#
Présenté par l'équipe Google Brain, EfficientDet a été l'un des premiers modèles à proposer une approche structurée de mise à l'échelle, démontrant qu'il était possible d'obtenir une grande précision avec beaucoup moins de paramètres que les réseaux contemporains fortement paramétrés.
Détails d’EfficientDet :
- Auteurs : Mingxing Tan, Ruoming Pang et Quoc V. Le
- Organisation : Google
- Date : 2019-11-20
- arXiv : 1911.09070
- GitHub : google/automl/efficientdet
- Documentation : documentation d’EfficientDet
Points forts de l’architecture#
EfficientDet repose sur le backbone EfficientNet et applique une méthode de mise à l'échelle composée qui ajuste uniformément la résolution, la profondeur et la largeur du réseau. Sa caractéristique emblématique est le réseau pyramidal de caractéristiques bidirectionnel (BiFPN), qui permet une fusion rapide et efficace des caractéristiques multi-échelles. En utilisant des poids apprenables pour les différentes caractéristiques d'entrée, BiFPN veille à ce que le réseau donne la priorité aux données spatiales les plus importantes.
Bien que les FLOPs théoriques d'EfficientDet soient très faibles, sa dépendance à l'écosystème TensorFlow et aux anciennes configurations AutoML peut compliquer son intégration aux workflows PyTorch modernes et rapides. Par rapport aux variantes YOLO modernes, son réseau complexe à plusieurs branches peut également entraîner une consommation mémoire à l'entraînement supérieure aux attentes.
En savoir plus sur EfficientDet
Présentation de YOLOX#
Sorti deux ans plus tard, YOLOX cherchait à combler le fossé entre la recherche universitaire et le déploiement industriel en transformant l’architecture YOLO traditionnelle en un framework sans ancres.
Détails sur YOLOX :
- Auteurs : Zheng Ge, Songtao Liu, Feng Wang, Zeming Li et Jian Sun
- Organisation : Megvii
- Date : 2021-07-18
- arXiv : 2107.08430
- GitHub : Megvii-BaseDetection/YOLOX
- Docs : Documentation de YOLOX
Points forts de l’architecture#
YOLOX a considérablement simplifié la conception de la détection d'objets. En passant à une conception sans ancres, YOLOX a éliminé le besoin d'ajuster des boîtes d'ancrage complexes et spécifiques à chaque jeu de données, réduisant ainsi le recours aux heuristiques. Il a également intégré une tête découplée qui sépare les tâches de classification et de localisation, améliorant considérablement la vitesse de convergence. La stratégie d'attribution des étiquettes SimOTA a optimisé l'allocation dynamique des échantillons positifs pendant l'entraînement.
Malgré ces avancées, la configuration du dépôt YOLOX peut nécessiter la compilation d'extensions C++ et la gestion de dépendances complexes, ce qui peut freiner le déploiement rapide de modèles par les équipes moins expérimentées.
Comparaison des performances#
Lors de l’évaluation de modèles pour la production, il est essentiel de trouver un équilibre entre la précision moyenne (mAP) et la vitesse d’inférence. Le tableau ci-dessous compare directement les familles EfficientDet et YOLOX selon les benchmarks COCO standard.
| 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 |
| YOLOXnano | 416 | 25.8 | - | - | 0.91 | 1.08 |
| YOLOXtiny | 416 | 32.8 | - | - | 5.06 | 6.45 |
| YOLOXs | 640 | 40.5 | - | 2.56 | 9.0 | 26.8 |
| YOLOXm | 640 | 46.9 | - | 5.43 | 25.3 | 73.8 |
| YOLOXl | 640 | 49.7 | - | 9.04 | 54.2 | 155.6 |
| YOLOXx | 640 | 51.1 | - | 16.1 | 99.1 | 281.9 |
Alors qu'EfficientDet atteint une grande précision avec ses variantes d7, YOLOX offre une latence bien plus faible sur le matériel GPU (avec TensorRT), ce qui en fait un meilleur choix pour les applications à fréquence d'images élevée, comme la conduite autonome ou le suivi sportif.
Cas d’utilisation et recommandations#
Le choix entre EfficientDet et YOLOX 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 YOLOX#
YOLOX est recommandé pour :
- Recherche sur la détection sans ancres : recherche universitaire qui utilise l’architecture épurée sans ancres de YOLOX comme référence pour expérimenter de nouvelles têtes de détection ou fonctions de perte.
- Appareils edge ultralégers : déploiement sur du matériel mobile embarqué ou ancien à faible consommation, où l’empreinte extrêmement réduite de la variante YOLOX-Nano (0.91M paramètres) est essentielle.
- Études sur l’assignation d’étiquettes SimOTA : projets de recherche qui étudient les stratégies d’assignation d’étiquettes basées sur le transport optimal et leur impact sur la convergence de l’entraînement.
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 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 : présentation de YOLO26#
EfficientDet et YOLOX ont marqué des avancées importantes à leur époque, mais la vision par ordinateur moderne exige davantage de polyvalence, des workflows simplifiés et une grande vitesse. Pour les développeurs qui privilégient la facilité d'utilisation, des besoins mémoire réduits et un écosystème bien entretenu, la mise à niveau recommandée est Ultralytics YOLO26, lancé en janvier 2026.
YOLO26 représente une avancée majeure dans la lignée YOLO et répond aux limites de modèles plus anciens comme YOLOX et EfficientDet :
- Conception de bout en bout sans NMS : contrairement à EfficientDet et YOLOX, qui nécessitent un post-traitement coûteux par suppression non maximale (NMS), YOLO26 prend en charge l'inférence native de bout en bout grâce à sa tête un-à-un facultative (
nms=False). Cela supprime les goulots d'étranglement de latence liés à NMS et simplifie le déploiement en périphérie. - Inférence CPU jusqu'à 43 % plus rapide : grâce à des ajustements architecturaux et à la suppression de DFL (perte focale de distribution), YOLO26 est optimisé pour les environnements sans GPU dédié. YOLO26n est jusqu'à 43 % plus rapide sur CPU que YOLO11n et offre d'excellentes performances sur le matériel d'IA en périphérie, comme Raspberry Pi.
- Optimiseur MuSGD : inspiré des innovations en matière d'entraînement des LLM (comme Kimi K2 de Moonshot AI), YOLO26 utilise un hybride de SGD et de Muon. Il assure un entraînement stable et une convergence plus rapide que les anciennes configurations d'entraînement.
- ProgLoss + STAL : la fonction de perte progressive et l'attribution des étiquettes adaptée aux petites cibles améliorent notablement la reconnaissance des petits objets, une faiblesse historique de YOLOX comme d'EfficientDet. C'est essentiel pour l'analyse par drone et l'IoT.
- Polyvalence multi-tâches : alors qu'EfficientDet et YOLOX se limitent strictement à la détection par boîtes englobantes, YOLO26 prend nativement en charge la segmentation d'instances, l'estimation de pose (grâce à l'estimation du logarithme de vraisemblance résiduelle) et les boîtes englobantes orientées (OBB).
Expérience utilisateur simplifiée et efficacité de l’entraînement#
L'une des principales difficultés avec des modèles comme YOLOX est la configuration de l'environnement d'entraînement. Avec l'API Python unifiée d'Ultralytics, l'entraînement d'un modèle ne nécessite que quelques lignes de code. Les modèles YOLO disposent également de chargeurs de données optimisés et d'architectures légères, ce qui réduit considérablement l'utilisation de mémoire CUDA par rapport aux modèles fortement basés sur les Transformers ou aux anciens réseaux à plusieurs branches.
from ultralytics import YOLO
# Charger le modèle YOLO26n (inférence sans NMS disponible avec nms=False)
model = YOLO("yolo26n.pt")
# Entraîner le modèle sur ton jeu de données personnalisé
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# Exporter le modèle vers ONNX ou OpenVINO pour un déploiement en périphérie
model.export(format="openvino")Conclusion : faire le bon choix#
Si tu maintiens un ancien système étroitement intégré à l'écosystème TensorFlow, EfficientDet reste un choix stable, surtout si ses variantes à mise à l'échelle composée sont déjà intégrées. Si tu as besoin d'une vitesse brute sur des bases de code sans ancres existantes, YOLOX constitue un détecteur rapide et fiable.
Toutefois, pour les nouveaux projets destinés à la production, le choix recommandé est Ultralytics YOLO26 (ou le modèle stable YOLO11 pour les déploiements d'entreprise existants). Grâce à l'inférence facultative de bout en bout sans NMS, à une vitesse accrue sur CPU et à un pipeline de déploiement simple vers des formats comme OpenVINO et TensorRT, YOLO26 permet de garder tes applications de vision par ordinateur précises, à jour et faciles à maintenir.
Commentaires
Pose une question, partage tes résultats ou aide quelqu’un d’autre.