Commencer

PP-YOLOE+ face à YOLO11

La vision par ordinateur continue d’évoluer, portée par le besoin de modèles plus rapides, plus précis et plus efficaces. Pour les développeurs et les chercheurs qui travaillent sur des tâches de détection d’objets, le choix de la bonne architecture est essentiel. Cette comparaison examine deux modèles majeurs : PP-YOLOE+ et Ultralytics YOLO11.

En comparant leurs architectures, leurs indicateurs de performance et leurs cas d’usage les plus adaptés, ce guide t’aide à prendre une décision éclairée pour ton prochain déploiement de machine learning.

Origines des modèles et aperçu technique#

Ces deux modèles sont issus de recherches rigoureuses et d’un vaste travail d’ingénierie, mais proviennent d’écosystèmes entièrement différents. Voici leurs principales caractéristiques.

Présentation de PP-YOLOE+#

Développé par les chercheurs de Baidu, PP-YOLOE+ est une évolution de l’ancien PP-YOLOE, conçue pour améliorer la détection en temps réel au sein de l’écosystème PaddlePaddle.

En savoir plus sur PP-YOLOE+

Présentation de YOLO11#

Créé par Ultralytics, YOLO11 représente une avancée importante en matière de convivialité et de précision. Il s’inscrit dans une lignée d’architectures performantes, optimisées pour offrir une expérience développeur fluide et une grande polyvalence multitâche.

Le savais-tu ?

Ultralytics YOLO11 ne se limite pas à la détection d’objets. Tu peux effectuer directement de la segmentation d’instance, de l’estimation de pose et de la détection de boîtes englobantes orientées (OBB) avec la même API.

Comparaison des architectures et des performances#

Lorsque tu compares ces deux détecteurs, il est important d’aller au-delà des chiffres bruts et de comprendre comment leurs choix d’architecture influent sur le déploiement des modèles dans des conditions réelles.

Architecture de PP-YOLOE+#

PP-YOLOE+ dépend fortement du framework PaddlePaddle. Il adopte une conception sans ancres, avec un backbone CSPRepResNet et un réseau d’agrégation de chemins (PAN) modifié. La variante « + » améliore la version précédente en intégrant un préentraînement sur des jeux de données à grande échelle, comme Objects365, et un TaskAlignedAssigner amélioré. Bien qu’il atteigne un mAP (précision moyenne) élevé, sa dépendance stricte à PaddlePaddle peut compliquer la tâche des équipes habituées aux environnements PyTorch ou TensorFlow.

Architecture de YOLO11#

Ultralytics YOLO11 repose nativement sur PyTorch, la référence du secteur pour l’apprentissage profond moderne. Son architecture vise avant tout un équilibre des performances, en offrant un compromis favorable entre vitesse et précision, adapté à divers scénarios de déploiement réels. YOLO11 intègre un module C3k2 optimisé pour améliorer la circulation du gradient et une tête découplée qui gère efficacement et séparément les tâches de classification et de régression. YOLO11 est aussi conçu pour nécessiter moins de mémoire, avec une consommation nettement inférieure pendant l’entraînement et l’inférence à celle des modèles Transformer complexes comme RT-DETR.

Tableau des métriques de performance#

Le tableau suivant met en évidence les différences de performance entre plusieurs échelles de modèles. Remarque que YOLO11 obtient généralement un mAP comparable ou supérieur, tout en réduisant considérablement le nombre de paramètres et de FLOPs.

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
YOLO11n64039.556.11.52.66.5
YOLO11s64047.090.02.59.421.6
YOLO11m64051.5183.24.720.168.1
YOLO11l64053.4238.66.225.387.2
YOLO11x64054.7462.811.356.9195.3

Cas d’utilisation et recommandations#

Le choix entre PP-YOLOE+ et YOLO11 dépend des besoins 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 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 YOLO11#

YOLO11 est recommandé pour :

  • Déploiement en périphérie en production : applications commerciales sur des appareils comme Raspberry Pi ou NVIDIA Jetson, où la fiabilité et la maintenance active sont primordiales.
  • Applications de vision multitâches : projets nécessitant la détection, la segmentation, l’estimation de pose et l’OBB au sein d’un framework unifié.
  • Prototypage et déploiement rapides : équipes qui doivent passer rapidement de la collecte de données à la production à l’aide de l’API Python Ultralytics simplifiée.

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 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.

L’avantage Ultralytics#

Si les benchmarks universitaires sont importants, la réussite à long terme d’un projet d’IA dépend fortement de l’écosystème qui entoure le modèle. La plateforme Ultralytics offre des avantages distincts aux développeurs comme aux entreprises.

  1. Simplicité d’utilisation : Ultralytics masque la complexité du deep learning. L’expérience utilisateur fluide et l’API Python simple permettent aux développeurs d’entraîner des modèles personnalisés en quelques lignes de code seulement. À l’inverse, PP-YOLOE+ nécessite souvent des fichiers de configuration complexes.
  2. Écosystème bien entretenu : Contrairement aux nombreux dépôts réservés à la recherche, l’écosystème Ultralytics est activement développé. Il bénéficie d’un soutien communautaire solide, de mises à jour fréquentes et d’intégrations poussées avec des outils comme Weights & Biases et Comet.
  3. Polyvalence : YOLO11 fournit un framework unique et unifié pour plusieurs tâches de vision par ordinateur, évitant d’avoir à apprendre différentes bibliothèques pour la classification, la segmentation ou la détection par boîtes englobantes.
  4. Efficacité de l’entraînement : les processus d’entraînement efficaces des modèles YOLO réduisent le temps et les coûts de calcul. Grâce à des poids préentraînés sur le jeu de données COCO, les modèles convergent rapidement, même sur du matériel grand public.

Comparaison du code d’entraînement#

Pour illustrer la simplicité d’utilisation, voici comment entraîner un modèle YOLO11. Le package gère automatiquement l’augmentation des données, la journalisation et l’orchestration matérielle :

from ultralytics import YOLO

# Charge un petit modèle YOLO11 préentraîné
model = YOLO("yolo11s.pt")

# Entraîner le modèle sur ton jeu de données personnalisé pendant 100 époques
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Effectuer un test d’inférence rapide sur une image publique
inference_results = model("https://ultralytics.com/images/bus.jpg")
inference_results[0].show()

La configuration d’un pipeline équivalent dans PaddleDetection nécessite de parcourir manuellement des configurations YAML complexes et d’exécuter de longues commandes, ce qui peut ralentir les cycles de développement agile.

Perspectives : l’arrivée de YOLO26#

YOLO11 reste un outil puissant, mais le domaine de l’IA évolue rapidement. Lancé en janvier 2026, YOLO26 est le dernier modèle de la lignée Ultralytics et celui recommandé pour tous les nouveaux projets.

YOLO26 apporte plusieurs innovations :

  • Conception de bout en bout sans NMS : S’appuyant sur des concepts introduits pour la première fois dans YOLOv10, YOLO26 propose une tête native de bout en bout (nms=False) qui élimine entièrement le post-traitement par suppression non maximale (NMS), simplifiant le déploiement et réduisant considérablement les variations de latence.
  • Inférence sur CPU jusqu’à 43 % plus rapide : La suppression de Distribution Focal Loss (DFL) allège le modèle, et YOLO26n s’exécute jusqu’à 43 % plus rapidement sur CPU que YOLO11n. Il convient donc particulièrement à l’informatique en périphérie et aux appareils IoT à faible consommation.
  • Optimiseur MuSGD : YOLO26 transpose les innovations de l’entraînement des LLM à la vision par ordinateur. Grâce à l’optimiseur MuSGD (une combinaison hybride de SGD et de Muon), il assure une dynamique d’entraînement très stable et une convergence plus rapide.
  • ProgLoss + STAL : Progressive Loss et l’attribution des étiquettes adaptée aux petites cibles améliorent nettement la reconnaissance des petits objets, une caractéristique essentielle pour l’imagerie par drone et la surveillance aérienne.

Conclusion et applications concrètes#

Pour choisir entre PP-YOLOE+ et YOLO11 (ou le plus récent YOLO26), tout dépend de ton écosystème de déploiement.

PP-YOLOE+ convient aux environnements industriels dont le matériel et les logiciels sont déjà intégrés à la pile technologique de Baidu et à la bibliothèque PaddlePaddle. Il fonctionne bien pour l’analyse d’images statiques lorsque le mAP maximal est la priorité absolue.

YOLO11 et YOLO26 offrent toutefois une approche plus polyvalente et adaptée aux développeurs. Leur nombre de paramètres inférieur et leur grande vitesse les rendent particulièrement adaptés aux cas suivants :

  • Commerce intelligent : traiter des flux vidéo en temps réel pour automatiser le passage en caisse et la gestion des stocks.
  • Robotique autonome : permettre l’évitement rapide des obstacles sur des appareils embarqués aux ressources limitées.
  • Sécurité et surveillance : fournir une analyse multitâche robuste (suivi et estimation de pose, par exemple) en une seule passe d’inférence très efficace.

Pour les ingénieurs en IA qui recherchent fiabilité, vaste soutien communautaire et pipelines de déploiement simples vers des formats comme ONNX et TensorRT, l’écosystème Ultralytics reste le choix recommandé.

Commentaires

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