PP-YOLOE+ vs EfficientDet#
Choisir la bonne architecture est une étape essentielle pour créer des applications robustes de vision par ordinateur. Ce guide technique examine les compromis entre deux modèles de détection d’objets connus : PP-YOLOE+ et EfficientDet. Nous détaillerons leurs architectures, analyserons leurs métriques de performance et étudierons leurs scénarios de déploiement idéaux.
Bien que les deux modèles aient apporté une contribution importante au domaine, nous verrons aussi comment des solutions modernes comme Ultralytics YOLO26 offrent une efficacité mémoire nettement supérieure, une inférence plus rapide et une expérience développeur très simplifiée.
Vue d’ensemble de l’architecture : PP-YOLOE+#
PP-YOLOE+ est une version évoluée du PP-YOLO original, conçue spécifiquement pour optimiser les performances sur les GPU côté serveur au sein de l’écosystème PaddlePaddle. Il apporte plusieurs améliorations à l’architecture de base, axées sur une approche sans ancres.
- Auteurs : Auteurs de PaddlePaddle
- Organisation : Baidu
- Date : 2022-04-02
- Arxiv : 2203.16250
- Documentation : Fichier README de PaddleDetection
PP-YOLOE+ comprend un backbone CSPRepResNet, une tête efficace alignée sur les tâches (ET-head) et s’appuie fortement sur la perte varifocale pour la classification, ainsi que sur la perte focale de distribution pour la régression des boîtes englobantes. Son passage à une conception de détecteur sans ancres a simplifié le pipeline de post-traitement, ce qui le rendait très compétitif à sa sortie.
Les équipes qui utilisent déjà largement le framework PaddlePaddle de Baidu trouvent souvent PP-YOLOE+ plus facile à adopter pour des tâches comme la segmentation d’instances, même s’il ne dispose pas de la large prise en charge de plusieurs frameworks proposée par les outils plus récents.
Présentation de l’architecture : EfficientDet#
EfficientDet adopte une approche radicalement différente de la détection d’objets, en s’appuyant fortement sur la recherche d’architecture neuronale et les principes de mise à l’échelle composée.
- Auteurs : Mingxing Tan, Ruoming Pang et Quoc V. Le
- Organisation : Google
- Date : 2019-11-20
- Arxiv : 1911.09070
- Documentation : fichier README de Brain AutoML
En savoir plus sur EfficientDet
La pierre angulaire d’EfficientDet est son réseau pyramidal de caractéristiques bidirectionnel (BiFPN). Contrairement aux FPN traditionnels, le BiFPN facilite et accélère la fusion des caractéristiques à plusieurs échelles en introduisant des poids apprenables qui déterminent l’importance des différentes caractéristiques d’entrée. Associé à un backbone EfficientNet, EfficientDet augmente systématiquement et simultanément la largeur, la profondeur et la résolution du réseau.
Bien qu’ils soient très efficaces en théorie en matière de FLOPs, les modèles EfficientDet peinent parfois à traduire cette efficacité théorique en vitesse réelle sur les appareils en périphérie, en raison de leurs schémas complexes d’accès à la mémoire. Cela contraste nettement avec les besoins en mémoire plus faibles des modèles YOLO.
Analyse des performances et benchmarks#
Le tableau ci-dessous compare les principales métriques sur des jeux de données standard comme COCO. La comparaison de la précision moyenne (mAP) et de la vitesse d’inférence donne une image claire de la frontière de Pareto.
| Modèle | taille (pixels) | mAPval 50-95 | Vitesse CPU ONNX (ms) | Vitesse T4 TensorRT10 (ms) | paramètres (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| PP-YOLOE+t | 640 | 39.9 | - | 2.84 | 4.85 | 19.15 |
| PP-YOLOE+s | 640 | 43.7 | - | 2.62 | 7.93 | 17.36 |
| PP-YOLOE+m | 640 | 49.8 | - | 5.56 | 23.43 | 49.91 |
| PP-YOLOE+l | 640 | 52.9 | - | 8.36 | 52.2 | 110.07 |
| PP-YOLOE+x | 640 | 54.7 | - | 14.3 | 98.42 | 206.59 |
| EfficientDet-d0 | 640 | 34.6 | 10.2 | 3.92 | 3.9 | 2.54 |
| EfficientDet-d1 | 640 | 40.5 | 13.5 | 7.31 | 6.6 | 6.1 |
| EfficientDet-d2 | 640 | 43.0 | 17.7 | 10.92 | 8.1 | 11.0 |
| EfficientDet-d3 | 640 | 47.5 | 28.0 | 19.59 | 12.0 | 24.9 |
| EfficientDet-d4 | 640 | 49.7 | 42.8 | 33.55 | 20.7 | 55.2 |
| EfficientDet-d5 | 640 | 51.5 | 72.5 | 67.86 | 33.7 | 130.0 |
| EfficientDet-d6 | 640 | 52.6 | 92.8 | 89.29 | 51.9 | 226.0 |
| EfficientDet-d7 | 640 | 53.7 | 122.0 | 128.07 | 51.9 | 325.0 |
Comme le montre le tableau, PP-YOLOE+ évolue généralement mieux en mAP brute sur les GPU haut de gamme, tandis qu’EfficientDet cherche à réduire le nombre de paramètres. Cependant, les deux sont en retrait par rapport aux capacités temps réel modernes requises par l’IA de pointe en périphérie.
Cas d’utilisation et recommandations#
Le choix entre PP-YOLOE+ et EfficientDet dépend des besoins spécifiques de ton projet, des contraintes de déploiement et de tes préférences en matière d’écosystème.
Quand choisir PP-YOLOE+#
PP-YOLOE+ est un bon choix pour :
- Intégration à l’écosystème PaddlePaddle : Les organisations dotées d’une infrastructure existante reposant sur le framework et les outils PaddlePaddle de Baidu.
- Déploiement en périphérie avec Paddle Lite : Déploiement sur du matériel doté de noyaux d’inférence fortement optimisés spécifiquement pour Paddle Lite ou le moteur d’inférence Paddle.
- Détection côté serveur de haute précision : Scénarios privilégiant une précision de détection maximale sur de puissants serveurs GPU, sans contrainte liée aux dépendances du framework.
Quand choisir EfficientDet#
EfficientDet est recommandé 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 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.
La solution moderne : Ultralytics YOLO26#
Bien que PP-YOLOE+ et EfficientDet représentent des jalons historiques importants, les développeurs qui recherchent une précision de pointe, une consommation mémoire réduite et une expérience utilisateur simplifiée devraient se tourner vers Ultralytics YOLO26.
YOLO26 représente une avancée majeure dans la détection d’objets et apporte plusieurs innovations essentielles :
- Conception de bout en bout sans NMS : S’appuyant sur les avancées de YOLOv10, la tête de bout en bout facultative de YOLO26 (
nms=False) élimine la suppression des non-maxima (NMS) pendant l’inférence. Il en résulte une latence nettement réduite et la disparition des goulots d’étranglement complexes liés au post-traitement. - Optimiseur MuSGD : Inspiré par les innovations dans l’entraînement des LLM, YOLO26 utilise un optimiseur hybride SGD et Muon. Cela améliore considérablement la stabilité de l’entraînement et réduit le temps de convergence.
- Vitesse extrême : YOLO26 offre une inférence CPU jusqu’à 43 % plus rapide que les générations précédentes comme YOLO11, ce qui en fait le meilleur choix pour les appareils en périphérie alimentés par batterie ou fonctionnant uniquement sur CPU.
- Fonctions de perte avancées : L’intégration de ProgLoss et STAL améliore considérablement la reconnaissance des petits objets, essentielle pour des tâches comme l’analyse par drone et la robotique.
Contrairement à EfficientDet, qui se concentre uniquement sur la détection, YOLO26 gère nativement la classification d’images, l’estimation de pose et les boîtes englobantes orientées (OBB), le tout au sein du même écosystème bien maintenu.
Facilité d’utilisation et intégration à l’écosystème#
L’un des principaux inconvénients des anciens modèles comme EfficientDet réside dans la complexité de leurs pipelines d’entraînement et de leurs configurations d’apprentissage automatique automatisé. À l’inverse, la plateforme Ultralytics offre une expérience développeur inégalée.
Avec Ultralytics, le déploiement d’un modèle ne nécessite que quelques lignes de code, contrairement aux configurations verbeuses exigées par les anciens frameworks.
from ultralytics import YOLO
# Charger un modèle YOLO26 préentraîné
model = YOLO("yolo26s.pt")
# Entraîner le modèle sur le jeu de données COCO8
results = model.train(data="coco8.yaml", epochs=100)
# Lancer une inférence sans NMS sur une image de test avec la tête de bout en bout
predictions = model("https://ultralytics.com/images/bus.jpg", nms=False)Si tu étudies d’autres solutions, des architectures comme RT-DETR ou l’ancien YOLOv8 sont également disponibles dans l’écosystème Ultralytics, ce qui permet de passer facilement de l’une à l’autre et de les tester.
Conclusion#
PP-YOLOE+ reste un choix solide pour certains déploiements sur serveur au sein de l’écosystème Paddle, et EfficientDet demeure une étude intéressante de conception automatisée d’architectures. Cependant, pour les applications modernes qui exigent une inférence en temps réel, un déploiement facile et des besoins en mémoire minimaux, Ultralytics YOLO26 offre le meilleur équilibre entre performances. Sa conception facultative sans NMS et ses performances CPU fulgurantes en font le choix idéal pour pérenniser ton infrastructure d’IA.