Commencer

PP-YOLOE+ vs YOLOv7

Lors de la création de pipelines de vision par ordinateur, il est essentiel de choisir le bon modèle de détection d’objets. Deux architectures importantes de 2022, PP-YOLOE+ et YOLOv7, ont apporté des avancées majeures à la détection d’objets en temps réel. Cette comparaison technique examine leurs architectures, leurs méthodes d’entraînement et leurs performances en conditions réelles pour t’aider à prendre des décisions éclairées pour tes applications.

Présentation des modèles#

PP-YOLOE+ et YOLOv7 ont tous deux été conçus pour améliorer la précision et la vitesse, mais ils proviennent d’écosystèmes de développement et de philosophies de conception différents.

PP-YOLOE+#

Développé par les auteurs de PaddlePaddle chez Baidu, PP-YOLOE+ s’appuie sur PP-YOLOE et l’ancien PP-YOLOv2. Il a été conçu pour fournir un détecteur d’objets efficace et précis, optimisé pour l’écosystème PaddlePaddle.

En savoir plus sur PP-YOLOE+

YOLOv7#

Développé par Chien-Yao Wang, Alexey Bochkovskiy et Hong-Yuan Mark Liao, YOLOv7 a introduit les « trainable bag-of-freebies » afin d’établir de nouvelles références de pointe pour les détecteurs d’objets en temps réel à sa sortie.

En savoir plus sur YOLOv7

Innovations architecturales#

Architecture de PP-YOLOE+#

PP-YOLOE+ adopte une conception sans ancres, ce qui simplifie le déploiement en éliminant le réglage des boîtes d’ancrage pour les jeux de données personnalisés. Il intègre un backbone CSPRepResNet et un réseau PAN (réseau d’agrégation de chemins) de type CSPNet pour une fusion efficace des caractéristiques à plusieurs échelles. Il utilise également l’apprentissage de l’alignement des tâches (TAL) pour aligner dynamiquement les tâches de classification et de localisation pendant l’entraînement, garantissant une grande précision pour diverses tâches de vision par ordinateur.

Architecture de YOLOv7#

YOLOv7 a adopté une approche différente en introduisant le réseau d’agrégation étendue de couches efficaces (E-ELAN). Cette architecture permet au réseau d’apprendre des caractéristiques plus diverses sans détruire le chemin de gradient d’origine, ce qui améliore la convergence. YOLOv7 fait également largement appel à la reparamétrisation des modèles, notamment aux convolutions reparamétrées planifiées, qui fusionnent les couches convolutionnelles pendant l’inférence pour accélérer l’exécution sans sacrifier la précision. YOLOv7 convient donc bien aux charges de travail GPU comme le suivi de plusieurs objets et les systèmes complexes d’alarme de sécurité.

Différences entre les écosystèmes

PP-YOLOE+ est étroitement intégré au framework PaddlePaddle de Baidu, tandis que YOLOv7 a été développé avec PyTorch, qui bénéficie depuis longtemps d’une communauté plus vaste et d’une compatibilité prête à l’emploi plus large avec les pipelines de déploiement comme ONNX et TensorRT.

Analyse des performances#

Pour trouver le bon équilibre entre vitesse, nombre de paramètres et précision (mAP), chaque modèle excelle dans des domaines différents selon la variante et le matériel cible. Le tableau ci-dessous compare leurs métriques.

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
YOLOv7l64051.4-6.8436.9104.7
YOLOv7x64053.1-11.5771.3189.9

Le modèle PP-YOLOE+x atteint un mAP légèrement supérieur, mais les variantes YOLOv7 offrent un rapport paramètres/précision très avantageux. L’architecture YOLOv7 reste appréciée pour le traitement brut sur GPU, où l’optimisation TensorRT permet d’obtenir une très faible latence.

L’avantage Ultralytics#

Pour entraîner et déployer ces modèles, le framework choisi compte autant que le modèle lui-même. Ultralytics offre une expérience utilisateur simplifiée grâce à une API Python unifiée qui facilite l’ensemble du cycle de vie de l’apprentissage automatique.

  • Écosystème bien entretenu : les modèles Ultralytics YOLO profitent d’un écosystème continuellement mis à jour, d’une documentation complète et d’une communauté active.
  • Besoins en mémoire : Ultralytics optimise le chargement des données et les routines d’entraînement. L’entraînement de modèles Ultralytics YOLO nécessite généralement beaucoup moins de mémoire CUDA que celui d’architectures lourdes basées sur des transformers, ce qui permet aux développeurs d’utiliser de plus grandes tailles de lot sur du matériel grand public.
  • Efficacité de l’entraînement : grâce à des stratégies d’augmentation des données robustes et à l’optimisation intégrée des hyperparamètres, Ultralytics garantit une convergence rapide des modèles et met à disposition des poids préentraînés.

Implémentation simple de l’API#

Le package Ultralytics ne prend pas en charge l’entraînement natif de YOLOv7 (consulte la documentation YOLOv7 pour exécuter les exports YOLOv7 en amont), mais l’entraînement d’un modèle Ultralytics YOLO moderne ne nécessite que quelques lignes de code, en remplacement des scripts d’entraînement complexes :

from ultralytics import YOLO

# Charger un modèle YOLO26 préentraîné
model = YOLO("yolo26n.pt")

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

# Exporter vers TensorRT pour le déploiement
model.export(format="engine", device=0)

La nouvelle référence : découvrez YOLO26#

PP-YOLOE+ et YOLOv7 ont marqué l’histoire de la détection d’objets, mais le paysage de l’IA évolue rapidement. Pour tout nouveau projet de vision par ordinateur, le modèle recommandé est Ultralytics YOLO26. Sorti en janvier 2026, YOLO26 marque une avancée majeure dans l’IA visuelle privilégiant l’edge.

Pourquoi YOLO26 surpasse les architectures plus anciennes :

  • Conception de bout en bout sans NMS : YOLO26 est nativement de bout en bout. En ignorant le post-traitement par suppression des non-maximums (NMS) grâce à sa tête un-à-un facultative (nms=False), il garantit une latence d’inférence prévisible. Cette approche a été introduite pour la première fois dans YOLOv10.
  • Suppression de DFL : la suppression de Distribution Focal Loss simplifie le processus d’export et améliore considérablement la compatibilité avec les appareils edge à faible consommation.
  • Inférence CPU jusqu’à 43 % plus rapide : pour les scénarios sans GPU dédié, comme les capteurs IoT de villes intelligentes, YOLO26 est optimisé pour fonctionner efficacement sur CPU. YOLO26n est jusqu’à 43 % plus rapide que YOLO11n.
  • Optimiseur MuSGD : inspiré des techniques avancées d’entraînement des LLM (comme celles utilisées pour Kimi K2 de Moonshot AI), YOLO26 utilise un hybride de SGD et de Muon pour assurer un entraînement stable et une convergence rapide.
  • ProgLoss + STAL : la perte progressive et l’affectation d’étiquettes tenant compte des petites cibles améliorent sensiblement la détection des petits objets, ce qui est essentiel pour des cas d’usage comme l’imagerie aérienne par drone et la détection de défauts de fabrication.

Cas d’utilisation idéaux et scénarios de déploiement#

Quand utiliser PP-YOLOE+#

PP-YOLOE+ est tout indiqué si tu es fortement investi dans l’écosystème Baidu et PaddlePaddle. Si ta cible de déploiement utilise du matériel spécialisé adapté aux modèles Paddle, PP-YOLOE+ offre une grande précision et une intégration étroite. Il est très efficace pour l’automatisation de la fabrication industrielle.

Quand utiliser YOLOv7#

YOLOv7 reste un bon choix pour l’inférence générale haute performance, en particulier sur du matériel NVIDIA utilisant TensorRT. Son intégration à l’écosystème PyTorch le rend très polyvalent pour la recherche universitaire et les pipelines commerciaux personnalisés, notamment pour la gestion des foules en temps réel ou l’estimation de pose.

Autres modèles à envisager#

Selon tes besoins précis, tu pourrais aussi comparer ces architectures à YOLO11 pour bénéficier d’une grande flexibilité prête pour la production, ou à RT-DETR si ton projet nécessite les avantages spécifiques de la détection basée sur les transformers par rapport aux réseaux convolutionnels traditionnels.

Conclusion#

PP-YOLOE+ et YOLOv7 ont tous deux apporté des améliorations importantes à la détection d’objets en temps réel. PP-YOLOE+ excelle dans les environnements standardisés autour de PaddlePaddle, tandis que YOLOv7 offre flexibilité et performances grâce à l’écosystème PyTorch.

Cependant, à mesure que les solutions de vision par ordinateur progressent, il est essentiel d’utiliser des outils modernes. En adoptant la plateforme Ultralytics et des architectures de nouvelle génération comme YOLO26, les développeurs peuvent maintenir leurs applications à la pointe de la vitesse, de la précision et de la simplicité d’utilisation.

Contributeurs

Commentaires

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