Commencer

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 bien connus : PP-YOLOE+ et EfficientDet. Il présente leurs architectures, analyse leurs métriques de performance et décrit leurs scénarios de déploiement les plus adaptés.

Bien que les deux modèles aient largement contribué au domaine, ce guide explique également comment des solutions modernes comme Ultralytics YOLO26 offrent une meilleure efficacité mémoire, une inférence plus rapide et une expérience de développement plus fluide.

Vue d’ensemble de l’architecture : PP-YOLOE+#

PP-YOLOE+ est une version améliorée de PP-YOLOE, lui-même issu de la série PP-YOLO, conçue pour optimiser les performances sur les GPU côté serveur dans l’écosystème PaddlePaddle. Il apporte plusieurs améliorations à l’architecture de base, notamment en privilégiant une conception sans ancres.

En savoir plus sur PP-YOLOE+

PP-YOLOE+ dispose d’un backbone CSPRepResNet et d’une tête efficace alignée sur les tâches (ET-head). Il s’appuie largement sur la perte varifocale pour la classification et 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, le rendant très compétitif à sa sortie.

Avantages de l’intégration

Les équipes qui utilisent déjà largement le framework PaddlePaddle de Baidu trouvent souvent PP-YOLOE+ plus facile à intégrer à leurs pipelines existants, bien qu’il ne prenne pas en charge autant de frameworks que les outils plus récents.

Présentation de l’architecture : EfficientDet#

EfficientDet adopte une approche différente de la détection d’objets : il s’appuie sur un backbone découvert par recherche d’architectures neuronales et applique des principes de mise à l’échelle composée.

En savoir plus sur EfficientDet

La pierre angulaire d’EfficientDet est son réseau pyramidal de caractéristiques bidirectionnel (BiFPN). Contrairement aux FPN traditionnels, BiFPN permet une fusion rapide 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’efficaces en termes de FLOPs, les modèles EfficientDet peuvent avoir du mal à transformer leur efficacité théorique en vitesse réelle sur les appareils edge, en raison de leurs schémas complexes d’accès à la mémoire, contrairement aux modèles YOLO, qui nécessitent moins de mémoire.

Analyse des performances et benchmarks#

Le tableau ci-dessous compare des métriques clés sur des jeux de données standards comme COCO. Comparer la précision moyenne (mAP) à la vitesse d’inférence permet de situer chaque modèle sur la frontière de Pareto vitesse-précision.

Modèletaille
(pixels)
mAPval50-95Vitesse
CPU ONNX
(ms)
Vitesse
T4 TensorRT10
(ms)
paramètres
(M)
FLOPs
(B)
PP-YOLOE+t64039.9-2.844.8519.15
PP-YOLOE+s64043.7-2.627.9317.36
PP-YOLOE+m64049.8-5.5623.4349.91
PP-YOLOE+l64052.9-8.3652.2110.07
PP-YOLOE+x64054.7-14.398.42206.59
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

Comme le montre le tableau, PP-YOLOE+ évolue généralement mieux en mAP brut sur les GPU haut de gamme, tandis qu’EfficientDet cherche à réduire le nombre de paramètres. Toutefois, les deux modèles sont en retrait par rapport aux performances en temps réel requises par les applications modernes d’IA edge.

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 :

  • 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 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.

La solution moderne : Ultralytics YOLO26#

Bien que PP-YOLOE+ et EfficientDet constituent des avancées majeures, les développeurs qui recherchent une grande précision, une consommation mémoire réduite et une expérience utilisateur fluide devraient se tourner vers Ultralytics YOLO26.

YOLO26 constitue une avancée majeure dans la détection d’objets et introduit plusieurs innovations importantes :

  • Conception de bout en bout sans NMS : dans la lignée de YOLOv10, la tête de bout en bout facultative de YOLO26 (nms=False) élimine la suppression non maximale (NMS) pendant l’inférence. Cela réduit considérablement la latence et supprime les goulots d’étranglement complexes du post-traitement.
  • Optimiseur MuSGD : inspiré des innovations liées à l’entraînement des LLM, YOLO26 utilise un optimiseur hybride SGD et Muon qui améliore la stabilité de l’entraînement et réduit le temps de convergence.
  • Inférence CPU plus rapide : YOLO26n offre une inférence CPU jusqu’à 43 % plus rapide que YOLO11n, ce qui en fait un excellent choix pour les appareils edge alimentés par batterie ou fonctionnant uniquement sur CPU.
  • Techniques d’entraînement avancées : ProgLoss et STAL améliorent considérablement la reconnaissance des petits objets, essentielle pour des tâches comme l’analyse par drone et la robotique.
Polyvalence multitâche

Contrairement à EfficientDet, qui se concentre uniquement sur la détection, YOLO26 prend nativement en charge la segmentation d’instances, la classification d’images, l’estimation de pose et les boîtes englobantes orientées (OBB), le tout dans le 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. En revanche, la plateforme Ultralytics offre une expérience de développement fluide.

Avec Ultralytics, entraîner et exécuter un modèle ne nécessite que quelques lignes de code, contrairement aux configurations détaillées 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)

Pour ceux qui explorent d’autres options, des architectures comme RT-DETR ou l’ancien YOLOv8 sont également disponibles dans l’écosystème Ultralytics, ce qui facilite le remplacement et le test des modèles.

Conclusion#

PP-YOLOE+ reste un excellent choix pour certains déploiements sur serveur dans l’écosystème Paddle, et EfficientDet demeure un cas d’étude intéressant en matière de conception automatisée d’architectures. Toutefois, pour les applications modernes exigeant une inférence en temps réel, une mise en œuvre facile et des besoins mémoire minimaux, Ultralytics YOLO26 offre le meilleur équilibre de performances. Sa conception facultative sans NMS et ses performances rapides sur CPU en font le choix recommandé pour les infrastructures d’IA modernes.

Commentaires

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