PP-YOLOE+ face à YOLOv10
La vision par ordinateur évolue sans cesse, et de nouveaux modèles améliorent la détection d’objets en temps réel. Cette comparaison technique examine PP-YOLOE+ et YOLOv10, deux architectures performantes conçues pour des écosystèmes différents. Elle explique également comment le domaine s’oriente vers des outils unifiés et faciles à utiliser, comme Ultralytics Platform et le modèle YOLO26.
Présentation des modèles#
Pour choisir la bonne base pour tes projets de vision par ordinateur, tu dois bien comprendre les compromis architecturaux de chaque modèle, les contraintes de déploiement et le soutien de son écosystème.
Présentation de PP-YOLOE+#
Développé par les auteurs de PaddlePaddle chez Baidu, PP-YOLOE+ représente une évolution par rapport aux versions précédentes de l’écosystème PaddleDetection.
- Auteurs : Auteurs de PaddlePaddle
- Organisation : Baidu
- Date : 2022-04-02
- arXiv : https://arxiv.org/abs/2203.16250
- GitHub : Dépôt PaddleDetection
- Documentation : Documentation officielle de PP-YOLOE+
Atouts : PP-YOLOE+ excelle dans les environnements étroitement intégrés au framework PaddlePaddle. Il introduit un backbone CSPRepResNet et s’appuie sur une stratégie d’assignation des étiquettes alignée sur la tâche (TAL) pour obtenir une précision moyenne (mAP) élevée. Il est optimisé pour le déploiement sur les GPU de classe serveur courants dans les applications industrielles.
Limites : Le principal inconvénient de PP-YOLOE+ est sa forte dépendance à l’écosystème PaddlePaddle, qui peut sembler moins intuitif aux développeurs habitués à PyTorch. Il nécessite aussi la suppression non maximale (NMS) traditionnelle pour le post-traitement, ce qui augmente la latence et la complexité du déploiement.
Présentation de YOLOv10#
Lancé par des chercheurs de l’université Tsinghua, YOLOv10 a apporté un changement architectural majeur en éliminant la NMS du pipeline d’inférence.
- Auteurs : Ao Wang, Hui Chen, Lihao Liu, et al.
- Organisation : Université Tsinghua
- Date : 2024-05-23
- arXiv : https://arxiv.org/abs/2405.14458
- GitHub : Dépôt YOLOv10
- Documentation : Documentation YOLOv10
Atouts : La caractéristique phare de YOLOv10 est son double système d’attribution cohérent pour l’entraînement sans NMS. Le modèle prédit ainsi nativement les boîtes englobantes sans nécessiter d’étape de filtrage supplémentaire, ce qui simplifie et accélère considérablement le déploiement des modèles sur les appareils périphériques. Il offre un excellent équilibre entre un faible nombre de paramètres et une grande précision.
Limites : Bien que très efficace pour la détection d’objets 2D classique, YOLOv10 ne prend pas nativement en charge d’autres tâches importantes de vision par ordinateur, comme la segmentation d’instance et l’estimation de pose, ce qui limite sa polyvalence dans les pipelines complexes et multitâches.
Comparaison des performances et des métriques#
Comprendre les performances de ces modèles sur des benchmarks normalisés est essentiel pour choisir la bonne architecture. Le tableau ci-dessous compare leur taille, leur précision et leur latence.
| 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 |
| YOLOv10n | 640 | 38.5 | - | 1.84 | 2.3 | 6.7 |
| YOLOv10s | 640 | 46.3 | - | 2.49 | 7.2 | 21.6 |
| YOLOv10m | 640 | 51.1 | - | 4.74 | 15.4 | 59.1 |
| YOLOv10b | 640 | 52.5 | - | 5.74 | 19.1 | 92.0 |
| YOLOv10l | 640 | 53.2 | - | 7.28 | 24.4 | 120.3 |
| YOLOv10x | 640 | 54.4 | - | 10.70 | 29.5 | 160.4 |
Analyse technique#
L’analyse des données fait ressortir plusieurs tendances clés. Les modèles YOLOv10 nano et small visent l’efficacité en périphérie, YOLOv10n n’utilisant que 2,3 millions de paramètres et 6,7 B de FLOPs. Associée à son architecture sans NMS, cette conception légère réduit considérablement la latence sur les plateformes utilisant TensorRT et OpenVINO.
À l’inverse, PP-YOLOE+ affiche de solides performances dans les catégories de modèles les plus volumineux : sa variante X-large devance légèrement YOLOv10x en mAP (54,7 % contre 54,4 %). Cela se fait toutefois au prix de plus de trois fois le nombre de paramètres (98,42M contre 29,5M), ce qui fait de YOLOv10x un modèle nettement plus efficace dans les environnements où la mémoire est limitée.
Les avantages de l’écosystème Ultralytics#
PP-YOLOE+ et YOLOv10 présentent tous deux des avancées techniques remarquables, mais l’ingénierie ML moderne ne se résume pas à une architecture brute : elle nécessite un écosystème bien entretenu.
Ultralytics propose un package Python qui simplifie considérablement la collecte et l’annotation des données, l’entraînement et le déploiement. Par rapport aux frameworks de recherche lourds ou aux anciens modèles Transformer, les architectures Ultralytics nécessitent une fraction de la mémoire CUDA à l’entraînement, ce qui permet d’augmenter la taille des lots et d’accélérer les itérations. Le package Ultralytics offre aussi une grande polyvalence et prend en charge directement la classification d’images, les OBB (boîtes englobantes orientées) et le suivi robuste des objets.
Voici YOLO26 : la nouvelle génération#
Lancé en janvier 2026, Ultralytics YOLO26 reprend les meilleurs enseignements de modèles comme YOLOv10 tout en remédiant à leurs limites.
Principales innovations de YOLO26 :
- Conception de bout en bout sans NMS : s’appuyant sur l’entraînement sans NMS que YOLOv10 a introduit dans les modèles YOLO, YOLO26 propose une tête de bout en bout facultative (
nms=False) qui élimine le post-traitement NMS pour un déploiement plus rapide et plus simple sur divers matériels. - Suppression de DFL : En supprimant Distribution Focal Loss (DFL), l’architecture du modèle est plus simple à exporter et mieux compatible avec les appareils d’IA en périphérie à faible consommation.
- Optimiseur MuSGD : Inspiré des techniques d’entraînement des grands modèles de langage, notamment Kimi K2 de Moonshot AI, YOLO26 utilise une combinaison hybride de SGD et Muon. Cela garantit un entraînement stable et accélère considérablement la convergence.
- Inférence sur CPU jusqu’à 43 % plus rapide : Optimisé pour les conditions réelles, YOLO26n est jusqu’à 43 % plus rapide que YOLO11n dans les applications qui reposent sur le calcul CPU. Il convient donc particulièrement à la vidéosurveillance intelligente et aux déploiements mobiles.
- ProgLoss + STAL : Une fonction de perte progressive et une stratégie d’attribution des étiquettes adaptée aux petites cibles améliorent considérablement la reconnaissance des petits objets, un facteur essentiel pour l’imagerie aérienne et la robotique.
- Améliorations spécifiques aux tâches : contrairement à YOLOv10, YOLO26 prend nativement en charge le proto multi-échelle pour la segmentation et Residual Log-Likelihood Estimation (RLE) pour l’estimation de pose.
Mise en œuvre pratique#
Les modèles Ultralytics sont conçus pour être simples à prendre en main. Avec seulement quelques lignes de code, tu peux lancer un entraînement utilisant des pipelines modernes d’augmentation des données.
from ultralytics import YOLO
# Charger le modèle YOLO26 vivement recommandé
model = YOLO("yolo26n.pt")
# Entraîner le modèle sur le jeu de données COCO8
# L’utilisation de la mémoire est fortement optimisée par rapport aux architectures basées sur Transformer
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=0)
# Lancer l’inférence de bout en bout sans NMS
inference_results = model("https://ultralytics.com/images/bus.jpg", nms=False)
# Exporter directement vers ONNX ou TensorRT pour le déploiement
model.export(format="onnx", simplify=True)Cas d’utilisation et recommandations#
Le choix entre PP-YOLOE+ et YOLOv10 dépend des exigences 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 YOLOv10#
YOLOv10 est recommandé pour :
- Détection en temps réel sans NMS : les applications qui tirent parti de la détection de bout en bout sans suppression non maximale, ce qui réduit la complexité du déploiement.
- Équilibre entre vitesse et précision : les projets qui nécessitent un bon compromis entre vitesse d’inférence et précision de détection, pour différentes tailles de modèles.
- Applications à latence constante : les scénarios de déploiement où des temps d’inférence prévisibles sont essentiels, comme en robotique ou dans les systèmes autonomes.
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.
Conclusion#
PP-YOLOE+ reste une option fiable pour les équipes engagées dans l’écosystème Baidu et les environnements de serveurs industriels. YOLOv10 est une étape académique importante qui a démontré la viabilité de la détection en temps réel sans NMS.
Cependant, pour les développeurs qui recherchent le meilleur équilibre entre précision, rapidité d’inférence et capacités multitâches, Ultralytics YOLO26 est le choix recommandé. Ses innovations en matière d’efficacité d’entraînement et de déploiement privilégiant l’edge en font une solution robuste et polyvalente pour la vision par ordinateur en production.
Commentaires
Pose une question, partage tes résultats ou aide quelqu’un d’autre.