PP-YOLOE+ vs RTDETRv2
La vision par ordinateur a évolué rapidement ces dernières années, notamment dans le domaine de la détection d’objets en temps réel. Choisir la bonne architecture pour ton déploiement peut faire la différence entre une application lente et gourmande en mémoire et un système réactif et optimisé. Cette comparaison technique porte sur deux modèles importants de Baidu : PP-YOLOE+, basé sur des réseaux neuronaux convolutifs (CNN), et RTDETRv2, basé sur un Transformer. Elle analyse leurs architectures, leurs métriques de performance et leurs cas d’usage privilégiés, et examine leurs différences avec Ultralytics YOLO26.
PP-YOLOE+ : repousser les limites des CNN#
Développé comme une évolution de ses prédécesseurs, PP-YOLOE+ montre tout le potentiel des réseaux neuronaux convolutifs (CNN) traditionnels pour la détection d’objets. Ce détecteur sans ancres performant reprend les principes fondamentaux de la série YOLO tout en apportant des optimisations spécifiques à l’écosystème PaddlePaddle.
Détails du modèle :
- Auteurs : Auteurs de PaddlePaddle
- Organisation : Baidu
- Date : 2022-04-02
- arXiv : 2203.16250
- GitHub : Dépôt PaddleDetection
- Documentation : Documentation de PP-YOLOE+
Architecture et méthodes#
PP-YOLOE+ repose sur un backbone CSPRepResNet et un réseau pyramidal de caractéristiques de type PAN afin d’agréger efficacement les caractéristiques à plusieurs échelles. Sa conception sans ancres élimine les réglages heuristiques généralement nécessaires à la génération des boîtes d’ancrage. Sa méthode d’entraînement utilise également l’apprentissage de l’alignement des tâches (TAL) pour l’assignation des étiquettes, afin de mieux faire correspondre les prédictions aux boîtes de vérité terrain pendant l’apprentissage.
Atouts et cas d’utilisation#
Le principal atout de PP-YOLOE+ réside dans ses performances fiables sur du matériel serveur standard et sa forte intégration aux outils de Baidu. Il convient bien aux flux de travail industriels classiques, comme la détection de défauts statique dans les environnements de fabrication où les contraintes matérielles ne sont pas trop strictes.
Même si PP-YOLOE+ offre une grande précision, son déploiement en dehors de son écosystème natif peut parfois nécessiter des étapes de conversion supplémentaires, contrairement aux formats d’export natifs facilement accessibles dans les pipelines Ultralytics modernes.
RTDETRv2 : Transformers de détection en temps réel#
S’éloignant des réseaux neuronaux convolutifs (CNN) purs, RTDETRv2 (Transformer de détection en temps réel, version 2) introduit des mécanismes d’attention dans la détection en temps réel. Il vise à combiner la compréhension du contexte global propre aux Transformers à la faible latence nécessaire aux applications du monde réel.
Détails du modèle :
- Auteurs : Wenyu Lv, Yian Zhao, Qinyao Chang, Kui Huang, Guanzhong Wang et Yi Liu
- Organisation : Baidu
- Date : 2024-07-24
- arXiv : 2407.17140
- GitHub : Dépôt RTDETRv2
- Docs : Lisez-moi de RTDETRv2
Architecture et méthodes#
RTDETRv2 utilise une architecture hybride qui associe un backbone CNN pour l’extraction des caractéristiques à un encodeur-décodeur Transformer rationalisé. Sa conception native de bout en bout, qui contourne le post-traitement traditionnel par suppression non maximale (NMS), est une caractéristique déterminante. Il gère également la détection à plusieurs échelles et les scènes complexes, en utilisant l’auto-attention pour comprendre les relations spatiales entre des objets éloignés.
Atouts et cas d’utilisation#
L’architecture Transformer rend RTDETRv2 particulièrement efficace dans les situations où la compréhension du contexte global est cruciale. Cependant, les modèles Transformer nécessitent généralement beaucoup plus de mémoire CUDA à l’entraînement comme à l’inférence que les CNN légers. Ils conviennent mieux aux environnements sans contraintes matérielles, comme l’analyse vidéo dans le cloud sur de puissants serveurs GPU.
Comparaison des performances et des métriques#
Pour évaluer ces modèles, il est essentiel de tenir compte du compromis entre la précision moyenne (mAP) et le coût de calcul (mesuré en FLOPs et en latence d’inférence). Le tableau ci-dessous présente les principaux indicateurs des différentes tailles de PP-YOLOE+ et de RTDETRv2.
| Modèle | taille (pixels) | mAPval50-95 | 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 |
| RTDETRv2-s | 640 | 48.1 | - | 5.03 | 20 | 60 |
| RTDETRv2-m | 640 | 51.9 | - | 7.51 | 36 | 100 |
| RTDETRv2-l | 640 | 53.4 | - | 9.76 | 42 | 136 |
| RTDETRv2-x | 640 | 54.3 | - | 15.03 | 76 | 259 |
RTDETRv2 affiche une mAP élevée, mais au prix d’un nombre supérieur de paramètres et de FLOPs. Les développeurs qui souhaitent le déployer sur des appareils périphériques aux ressources limitées se heurtent souvent à des goulots d’étranglement liés aux besoins élevés en mémoire typiques des couches Transformer.
Cas d’utilisation et recommandations#
Le choix entre PP-YOLOE+ et RT-DETR dépend des exigences précises 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 RT-DETR#
RT-DETR est recommandé pour :
- Recherche sur la détection basée sur les Transformer : projets étudiant les mécanismes d’attention et les architectures Transformer pour la détection d’objets de bout en bout sans NMS.
- Scénarios exigeant une grande précision et une latence flexible : applications où la précision de détection est prioritaire et où une latence d’inférence légèrement supérieure est acceptable.
- Détection de grands objets : scènes composées principalement d’objets de taille moyenne à grande, pour lesquelles le mécanisme d’attention globale des Transformer offre un avantage naturel.
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#
Bien que PP-YOLOE+ et RTDETRv2 représentent des avancées majeures, les développeurs d’aujourd’hui ont besoin d’un écosystème qui allie performances élevées et facilité d’utilisation. La plateforme Ultralytics et le modèle YOLO26 sont conçus précisément dans ce but.
Sorti en janvier 2026, YOLO26 est conçu pour l’IA de vision privilégiant les appareils edge. Il répond aux difficultés de déploiement des anciennes architectures tout en améliorant leur vitesse et leur précision.
Innovations architecturales#
YOLO26 apporte plusieurs améliorations par rapport aux réseaux neuronaux convolutifs (CNN) traditionnels et aux Transformers lourds :
- Conception de bout en bout sans NMS : comme RTDETRv2, YOLO26 prend en charge l’inférence native de bout en bout. En ignorant le post-traitement NMS grâce à sa tête one-to-one facultative (
nms=False), il permet un déploiement plus rapide et plus simple, avec une gigue de latence réduite, idéal pour la robotique en temps réel et les systèmes autonomes. - Inférence CPU jusqu’à 43 % plus rapide : grâce à ses optimisations architecturales, YOLO26 surpasse nettement les modèles concurrents sur les appareils edge dépourvus de GPU dédiés. YOLO26n est jusqu’à 43 % plus rapide que YOLO11n sur CPU, ce qui en fait un excellent choix pour l’IoT et les applications de ville intelligente.
- Optimiseur MuSGD : inspiré des innovations en matière d’entraînement des LLM, YOLO26 utilise un hybride de SGD et de Muon. Il offre un entraînement plus stable et une convergence plus rapide, réduisant considérablement le nombre d’heures d’entraînement sur GPU.
- ProgLoss + STAL : la perte progressive et l’assignation des étiquettes tenant compte des petites cibles améliorent nettement la reconnaissance des petits objets, un domaine où des modèles comme PP-YOLOE+ ont historiquement des difficultés. Ces améliorations sont essentielles pour l’imagerie aérienne et les applications de drones.
- Suppression de la DFL : la suppression de la perte focale de distribution simplifie le processus d’exportation et améliore la compatibilité avec divers appareils edge et basse consommation.
Contrairement aux détecteurs d’objets spécialisés, YOLO26 est très polyvalent et prend en charge la segmentation d’instances, la classification, l’estimation de pose et les boîtes englobantes orientées (OBB). Il intègre des améliorations dédiées, comme RLE pour la pose et une perte d’angle spécialisée pour les OBB.
Facilité d’utilisation#
L’un des principaux inconvénients de l’adoption d’architectures complexes comme RTDETRv2 réside dans la courbe d’apprentissage abrupte et les processus d’intégration fragmentés. L’écosystème Ultralytics masque ces complexités grâce à une API Python intuitive et à la plateforme Ultralytics accessible sur le Web.
Que tu entraînes des modèles sur des jeux de données personnalisés ou que tu exécutes rapidement une inférence, le processus est simple :
from ultralytics import RTDETR, YOLO
# Initialiser le modèle YOLO26
model_yolo = YOLO("yolo26n.pt")
# Autre possibilité : initialiser un modèle RT-DETR avec la même API simple
model_rtdetr = RTDETR("rtdetr-l.pt")
# Exécuter l’inférence en temps réel
results = model_yolo("https://ultralytics.com/images/zidane.jpg")
results[0].show()
# Exporter pour un déploiement en périphérie en une seule ligne
model_yolo.export(format="engine", quantize=16)Les modèles Ultralytics YOLO nécessitent généralement moins de mémoire, ce qui te permet d’entraîner plus rapidement et de déployer sur du matériel moins coûteux que les modèles basés sur des Transformers. Le développement actif et la documentation détaillée contribuent également à la stabilité de tes pipelines de production.
Pour les équipes qui étudient d’autres options, YOLO11 reste un prédécesseur bien pris en charge et performant au sein de l’écosystème, offrant une base solide pour les intégrations matérielles existantes. La comparaison YOLO11 vs RT-DETR pourrait également t’intéresser.
Résumé#
PP-YOLOE+ et RTDETRv2 ont largement contribué à l’évolution de la vision par ordinateur, démontrant respectivement la viabilité des pipelines CNN avancés et des Transformers en temps réel. Cependant, pour les organisations qui souhaitent déployer en 2026 des applications de vision par ordinateur robustes, polyvalentes et optimisées, Ultralytics YOLO26 est la solution recommandée. Son inférence facultative sans NMS, son inférence CPU nettement plus rapide et son écosystème rationalisé aident les développeurs à passer rapidement de l’idée à une production évolutive.
Commentaires
Pose une question, partage tes résultats ou aide quelqu’un d’autre.