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. Nous détaillerons leurs architectures, analyserons leurs métriques de performance et étudierons leurs scénarios de déploiement idéaux.

Bien que les deux modèles aient apporté des contributions importantes au domaine, nous verrons également comment des alternatives modernes telles que Ultralytics YOLO26 offrent une efficacité mémoire largement supérieure, une inférence plus rapide et une expérience développeur considérablement simplifiée.

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

PP-YOLOE+ est une version améliorée du PP-YOLO original, conçue spécifiquement pour optimiser les performances sur les GPU côté serveur au sein de l’écosystème PaddlePaddle. Il introduit plusieurs améliorations de l’architecture de référence, en mettant l’accent sur un paradigme sans ancres.

• Auteurs : auteurs de PaddlePaddle
• Organisation : Baidu
• Date : 2022-04-02
• Arxiv : 2203.16250
• Documentation : README de PaddleDetection

En savoir plus sur PP-YOLOE+

PP-YOLOE+ intègre un backbone CSPRepResNet et une tête Efficient Task-aligned (ET-head), et s’appuie fortement sur la varifocal loss pour la classification ainsi que sur la distribution focal loss pour la régression des boîtes englobantes. Sa transition vers une conception de détecteur sans ancres a simplifié le pipeline de post-traitement, le rendant très compétitif au moment de sa sortie.

Vue d’ensemble de l’architecture : EfficientDet#

EfficientDet adopte une approche radicalement différente de la détection d’objets, en s’appuyant fortement sur la recherche d’architectures neuronales et les principes de mise à l’échelle composée.

• Auteurs : Mingxing Tan, Ruoming Pang et Quoc V. Le
• Organisation : Google
• Date : 20/11/2019
• Arxiv : 1911.09070
• Documentation : 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, BiFPN permet une fusion facile et rapide des caractéristiques multi-échelles en introduisant des poids apprenables qui déterminent l’importance des différentes caractéristiques d’entrée. Associé à un backbone EfficientNet, EfficientDet met systématiquement à l’échelle la largeur, la profondeur et la résolution du réseau simultanément.

Bien qu’ils soient théoriquement très efficaces en termes de FLOPs, les modèles EfficientDet peuvent parfois avoir du mal à traduire cette efficacité théorique en vitesse réelle sur les appareils edge, en raison de leurs schémas complexes d’accès à la mémoire, ce qui contraste fortement avec les besoins mémoire plus faibles des modèles basés sur YOLO.

Analyse des performances et benchmarks#

Le tableau ci-dessous compare les principales métriques sur des datasets standards comme COCO. Comparer la précision moyenne (mAP) à la vitesse d’inférence donne une image claire de la frontière de Pareto.

Comme on peut le voir, PP-YOLOE+ évolue généralement mieux en termes de mAP brut sur les GPU haut de gamme, tandis qu’EfficientDet cherche à minimiser le nombre de paramètres. Toutefois, tous deux sont en retrait par rapport aux capacités modernes en temps réel requises pour une IA en périphérie de pointe.

Cas d'utilisation et recommandations#

Le choix entre PP-YOLOE+ et EfficientDet dépend des exigences spécifiques de ton projet, de tes contraintes de déploiement et de tes préférences en matière d’écosystème.

Quand choisir PP-YOLOE+#

PP-YOLOE+ est un choix pertinent pour :

• Intégration à l’écosystème PaddlePaddle : Les organisations disposant d’une infrastructure existante fondée sur le framework et les outils PaddlePaddle de Baidu.
• Déploiement edge 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, où la dépendance au framework ne pose pas de problème.

Quand choisir EfficientDet#

EfficientDet est recommandé pour :

• Pipelines Google Cloud et TPU : Les systèmes profondément intégrés aux API Google Cloud Vision ou à une infrastructure TPU, où EfficientDet bénéficie d’une optimisation native.
• Recherche sur la mise à l’échelle composée : Les évaluations universitaires axées sur l’étude des effets de la mise à l’échelle équilibrée de la profondeur, de la largeur et de la résolution des réseaux.
• Déploiement mobile via TFLite : Les projets qui nécessitent spécifiquement un export TensorFlow Lite pour Android ou les appareils Linux embarqués.

Quand choisir Ultralytics (YOLO26)#

Pour la plupart des nouveaux projets, Ultralytics YOLO26 offre le meilleur compromis entre performance et expérience développeur :

• Déploiement edge sans NMS : les applications nécessitant une inférence cohérente à faible latence, 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 scénarios difficiles comme les images aériennes prises par drone ou l'analyse de capteurs IoT, où ProgLoss et STAL améliorent considérablement la précision sur les objets minuscules.

L’alternative moderne : Ultralytics YOLO26#

Bien que PP-YOLOE+ et EfficientDet représentent des jalons historiques importants, les développeurs à la recherche d’une précision de pointe, d’une consommation mémoire réduite et d’une expérience utilisateur simplifiée devraient se tourner vers Ultralytics YOLO26.

YOLO26 représente un bond en avant majeur dans la détection d’objets et introduit plusieurs innovations essentielles :

• Conception de bout en bout sans NMS : S’appuyant sur les avancées de YOLOv10, YOLO26 élimine nativement la suppression des non-maxima (NMS) pendant l’inférence. Cela réduit considérablement la latence et supprime les goulots d’étranglement complexes du post-traitement.
• Optimiseur MuSGD : Inspiré des 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 edge alimentés par batterie ou fonctionnant uniquement sur CPU.
• Fonctions de perte avancées : L’intégration de ProgLoss et de STAL améliore considérablement la reconnaissance des petits objets, ce qui est essentiel pour des tâches telles que l’analyse par drone et la robotique.

Facilité d’utilisation et intégration à l’écosystème#

L’un des principaux inconvénients des modèles anciens comme EfficientDet réside dans la complexité de leurs pipelines d’entraînement et de leurs configurations d’apprentissage automatique automatisé. À l’inverse, l’Ultralytics Platform offre une expérience développeur inégalée.

Déployer un modèle avec Ultralytics ne nécessite que quelques lignes de code, ce qui contraste fortement avec les configurations verbeuses requises par les frameworks plus anciens.

from ultralytics import YOLO

# Load a pretrained YOLO26 model
model = YOLO("yolo26s.pt")

# Train the model on the COCO8 dataset
results = model.train(data="coco8.yaml", epochs=100)

# Run inference on a test image natively without NMS overhead
predictions = model("https://ultralytics.com/images/bus.jpg")

Pour ceux qui étudient d’autres alternatives, des architectures comme RT-DETR ou l’ancien YOLOv8 sont également disponibles dans l’écosystème Ultralytics, ce qui permet de les interchanger et de les tester facilement.

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 la conception automatisée d’architectures. Cependant, pour les applications modernes exigeant une inférence en temps réel, une grande facilité de déploiement et des besoins mémoire minimaux, Ultralytics YOLO26 offre le meilleur équilibre de performances. Sa conception nativement sans NMS et ses performances CPU ultrarapides en font le choix définitif pour pérenniser ton infrastructure d’IA.