PP-YOLOE+ vs YOLOv9: analyse technique approfondie de la détection d'objets moderne

Le paysage de la vision par ordinateur en temps réel est en constante évolution, les chercheurs et les développeurs repoussant sans cesse les limites de la précision et de la vitesse d'inférence. Lorsque l'on compare PP-YOLOE+ et YOLOv9, nous observons deux philosophies distinctes en matière d'architecture de modèle et de conception d'écosystème.

Cette comparaison technique complète analyse leurs innovations architecturales, leurs indicateurs de performance, leurs méthodologies de formation et leurs cas d'utilisation idéaux afin de vous aider à choisir le modèle de détection d'objets adapté à votre prochain déploiement.

Lignée des modèles et fondements techniques

Il est essentiel de comprendre les origines et les choix architecturaux de ces modèles afin de déterminer leur adéquation avec vos projets de vision par ordinateur.

Présentation de PP-YOLOE+

Développé par les PaddlePaddle chez Baidu, PP-YOLOE+ a été lancé le 2 avril 2022. Il s'appuie sur les versions précédentes du framework PaddleDetection pour offrir une détection d'objets hautement performante.

Auteurs : Auteurs de PaddlePaddle
Organisation :Baidu
Date : 2022-04-02
Arxiv :2203.16250
GitHub :Dépôt PaddleDetection

PP-YOLOE+ introduit une architecture robuste sans ancrage, fortement optimisée pour un déploiement dans PaddlePaddle . Il utilise une structure CSPRepResNet modifiée et une tête ET pour améliorer l'extraction des caractéristiques et la régression des cadres de sélection. Bien qu'il atteigne une précision moyenne élevée (mAP), sa dépendance au PaddlePaddle peut parfois entraîner des frictions d'intégration pour les développeurs habitués à PyTorch TensorFlow.

En savoir plus sur PP-YOLOE+

Présentation de YOLOv9

Présenté par Chien-Yao Wang et Hong-Yuan Mark Liao de l'Institut des sciences de l'information de l'Académie Sinica à Taïwan, YOLOv9 une avancée significative dans la gestion efficace des goulots d'étranglement liés à l'apprentissage profond.

Auteurs : Chien-Yao Wang et Hong-Yuan Mark Liao
Organisation : Institut des sciences de l'information, Academia Sinica, Taïwan
Date : 2024-02-21
Arxiv :2402.13616
GitHub :WongKinYiu/yolov9

La principale avancée YOLOv9 réside dans la technologie PGI (Programmable Gradient Information), qui empêche la perte de données lors du passage des caractéristiques à travers les réseaux neuronaux profonds. Associé au réseau GELAN (Generalized Efficient Layer Aggregation Network), YOLOv9 l'efficacité des paramètres et le flux de calcul. De plus, il est intégré de manière native à Ultralytics , ce qui le rend très accessible tant pour la recherche que pour les applications commerciales.

En savoir plus sur YOLOv9

Autres Ultralytics

Si vous recherchez des options à la pointe de la technologie, vous pourriez également être intéressé par YOLO11 et RT-DETR, qui offrent différents équilibres entre la précision des transformateurs et les performances en temps réel.

Comparaison des performances et des indicateurs

Lorsqu'on analyse les performances brutes, YOLOv9 une efficacité exceptionnelle en termes de paramètres. Il atteint une précision comparable ou supérieure tout en nécessitant moins de paramètres et de FLOP, ce qui se traduit par des exigences VRAM moindres pendant l'entraînement du modèle.

Modèle	Taille ^(pixels)	mAP^val 50-95	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

YOLOv9t	640	38.3	-	2.3	2.0	7.7
YOLOv9s	640	46.8	-	3.54	7.1	26.4
YOLOv9m	640	51.4	-	6.43	20.0	76.3
YOLOv9c	640	53.0	-	7.16	25.3	102.1
YOLOv9e	640	55.6	-	16.77	57.3	189.0

Comme le montre le tableau, YOLOv9c atteint un excellent score mAP 53,0 mAP un nombre de paramètres nettement inférieur (25,3 millions) à celui de son concurrent PP-YOLOE+l (52,2 millions). Cette faible consommation de mémoire fait de YOLOv9 choix idéal pour les développeurs travaillant avec GPU limitées.

Écosystème, polyvalence et facilité d'utilisation

L'avantage déterminant de YOLOv9 dans son intégration transparente à Ultralytics , qui est très bien entretenu. Alors que PP-YOLOE+ nécessite de naviguer dans des fichiers PaddlePaddle complexes, YOLOv9 d'une Python simplifiée.

Python Ultralytics permet aux développeurs de charger des poids pré-entraînés, de gérer l'augmentation des données et de lancer l'entraînement avec un minimum de code standard.

from ultralytics import YOLO

# Load a pretrained YOLOv9 model
model = YOLO("yolov9c.pt")

# Train the model on the COCO8 dataset
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Run inference on an image
results = model("https://ultralytics.com/images/bus.jpg")

# Export the model to ONNX format
model.export(format="onnx")

De plus, Ultralytics offre une polyvalence inégalée. Au-delà de la détection des cadres de sélection, le framework prend en charge de manière native la segmentation d'instances, l'estimation de pose et la détection des cadres de sélection orientés (OBB). Cela rend l'adaptation de votre modèle à des pipelines complexes du monde réel incroyablement efficace.

Options d'exportation

Les modèles formés à l'aide du Ultralytics peuvent être exportés vers plusieurs formats, notamment TensorRT et OpenVINO, garantissant ainsi une inférence hautement optimisée sur divers matériels.

Cas d'utilisation et recommandations

Le choix entre PP-YOLOE+ et YOLOv9 des exigences spécifiques de votre projet, des contraintes de déploiement et des préférences de votre écosystème.

Quand choisir PP-YOLOE+

PP-YOLOE+ est un choix judicieux pour :

IntégrationPaddlePaddle : organisations disposant d'une infrastructure existante basée sur le cadre et les outils PaddlePaddle de Baidu.
Déploiement Paddle Lite Edge : déploiement sur du matériel avec des noyaux d'inférence hautement optimisés spécialement conçus pour le moteur d'inférence Paddle Lite ou Paddle.
Détection côté serveur haute précision : scénarios donnant la priorité à une précision de détection maximale sur GPU puissants où la dépendance au framework n'est pas un problème.

Quand choisir YOLOv9

YOLOv9 recommandé pour :

Recherche sur les goulots d'étranglement de l'information : projets universitaires étudiant les architectures PGI (Programmable Gradient Information) et GELAN (Generalized Efficient Layer Aggregation Network).
Études sur l'optimisation du flux de gradient : recherches axées sur la compréhension et l'atténuation de la perte d'informations dans les couches profondes du réseau pendant l'entraînement.
Benchmarking de détection haute précision : scénarios dans lesquels les performances élevées YOLOv9 COCO sont nécessaires comme point de référence pour les comparaisons architecturales.

Quand choisir Ultralytics YOLO26)

Pour la plupart des nouveaux projets, Ultralytics offre la meilleure combinaison entre performances et expérience développeur :

DéploiementNMS suppressionNMS maximale (NMS: applications nécessitant une inférence cohérente et à faible latence sans la complexité du post-traitement par suppression non maximale.
EnvironnementsCPU: appareils sans GPU dédiée, où CPU jusqu'à 43 % plus rapide de YOLO26 offre un avantage décisif.
Détection de petits objets : scénarios complexes tels que l'imagerie aérienne par drone ou l'analyse par capteurs IoT, où ProgLoss et STAL améliorent considérablement la précision sur les objets minuscules.

Perspectives d'avenir : l'avantage YOLO26

Si PP-YOLOE+ et YOLOv9 tous deux très performants, le tout nouveau YOLO26 représente la prochaine étape décisive pour les environnements de production. Lancé en janvier 2026, YOLO26 établit une nouvelle norme pour l'informatique de pointe et les déploiements dans le cloud. Nous recommandons vivement YOLO26 pour tous les nouveaux projets de vision par ordinateur en raison de ses innovations révolutionnaires :

Conception NMS de bout en bout : YOLO26 est nativement de bout en bout, éliminant ainsi totalement le besoin d'un post-traitement par suppression non maximale (NMS). Cela simplifie considérablement les pipelines de déploiement et réduit la latence.
CPU jusqu'à 43 % plus rapide : grâce à une optimisation spécifique de l'architecture pour l'edge computing, YOLO26 est nettement plus rapide sur les matériels dépourvus de GPU dédiés.
Suppression du DFL : le Distribution Focal Loss (perte focale de distribution) a été supprimé, ce qui simplifie les exportations et améliore considérablement la compatibilité avec les appareils périphériques à faible consommation d'énergie.
Optimiseur MuSGD : inspiré des techniques d'entraînement des grands modèles linguistiques (comme Kimi K2 de Moonshot AI), cet hybride de SGD Muon garantit une dynamique d'entraînement très stable et une convergence rapide.
ProgLoss + STAL : ces fonctions de perte avancées apportent des améliorations notables dans la reconnaissance des petits objets, une mise à niveau essentielle pour l'imagerie aérienne et la robotique.
Améliorations spécifiques à certaines tâches : YOLO26 comprend des architectures personnalisées pour des tâches spécifiques, telles que le proto multi-échelle pour la segmentation et l'estimation de la vraisemblance résiduelle (RLE) pour l'estimation de la pose.

Vous pouvez facilement former et déployer des modèles YOLO26 grâce à la Ultralytics , une solution tout-en-un pour l'annotation de jeux de données, la formation dans le cloud et la surveillance des modèles.

Applications concrètes

Le choix entre ces architectures dépend souvent de votre environnement de déploiement cible.

PP-YOLOE+ est fréquemment déployé dans les centres de fabrication industrielle, en particulier dans les régions où PaddlePaddle et la pile matérielle de Baidu sont profondément ancrées dans l'infrastructure des entreprises. Il excelle dans l'analyse d'images statiques où la précision absolue prime sur les contraintes strictes en temps réel.

YOLOv9 excelle dans les environnements dynamiques nécessitant une inférence rapide en temps réel. Son efficacité paramétrique supérieure le rend idéal pour la navigation autonome des drones et les systèmes de sécurité basés sur la périphérie. De plus, sa faible consommation de VRAM réduit les obstacles à l'entrée pour les chercheurs qui s'entraînent sur des GPU grand public.

Pour des performances optimales dans la gestion du trafic des villes intelligentes et la robotique à grande vitesse, le nouveau YOLO26 est inégalé, offrant une efficacité de bout en bout sans les contraintes liées NMS .