PP-YOLOE+ vs YOLOv9
La vision par ordinateur en temps réel continue de progresser à mesure que les chercheurs et les développeurs améliorent la précision et la vitesse d’inférence. En comparant PP-YOLOE+ et YOLOv9, tu examines deux philosophies distinctes en matière d’architecture de modèle et de conception d’écosystème.
Cette comparaison technique analyse leurs innovations architecturales, leurs métriques de performance, leurs méthodes d’entraînement et leurs cas d’usage idéaux pour t’aider à choisir le bon modèle de détection d’objets pour ton prochain déploiement.
Origines des modèles et fondements techniques#
Comprendre l’origine et les choix architecturaux de ces modèles est essentiel pour déterminer s’ils conviennent à tes projets de vision par ordinateur.
Présentation de PP-YOLOE+#
Développé par les auteurs de PaddlePaddle chez Baidu, PP-YOLOE+ a été présenté le 2 avril 2022. Il s’appuie sur les versions précédentes du framework PaddleDetection pour offrir une détection d’objets haute performance.
- Auteurs : Auteurs de PaddlePaddle
- Organisation : Baidu
- Date : 2022-04-02
- arXiv : 2203.16250
- GitHub : Dépôt PaddleDetection
PP-YOLOE+ introduit une architecture robuste sans ancres, fortement optimisée pour le déploiement dans l’écosystème PaddlePaddle. Il utilise un backbone CSPRepResNet modifié et une tête ET pour améliorer l’extraction des caractéristiques et la régression des boîtes englobantes. Bien qu’il affiche une précision moyenne (mAP) élevée, sa dépendance au framework PaddlePaddle peut parfois compliquer l’intégration pour les développeurs habitués à PyTorch ou TensorFlow.
Présentation de YOLOv9#
Présenté par Chien-Yao Wang et Hong-Yuan Mark Liao de l’Institute of Information Science de l’Academia Sinica, à Taïwan, YOLOv9 constitue une avancée importante dans la gestion des goulots d’étranglement de l’information dans les réseaux profonds.
- Auteurs : Chien-Yao Wang et Hong-Yuan Mark Liao
- Organisation : Institute of Information Science, Academia Sinica, Taïwan
- Date : 2024-02-21
- arXiv : 2402.13616
- GitHub : WongKinYiu/yolov9
La principale contribution de YOLOv9 est l’information de gradient programmable (PGI), qui atténue la perte d’information lorsque les caractéristiques traversent des réseaux neuronaux profonds. Associé au réseau d’agrégation de couches généralisé efficace (GELAN), GELAN maximise l’efficacité des paramètres et le flux de calcul. YOLOv9 est également intégré nativement à l’écosystème Ultralytics, ce qui le rend très accessible pour la recherche comme pour les applications commerciales.
Comparaison des performances et des métriques#
Lorsqu’on analyse les performances brutes, YOLOv9 affiche une excellente efficacité en matière de paramètres. Il atteint une précision comparable ou supérieure avec moins de paramètres et de FLOPs, ce qui se traduit par des besoins en VRAM réduits pendant l’entraînement du modèle.
| 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 |
| YOLOv9t | 640 | 38.3 | - | 2.3 | 2.0 | 7.7 |
| YOLOv9s | 640 | 46.8 | - | 3.54 | 7.2 | 26.7 |
| YOLOv9m | 640 | 51.4 | - | 6.43 | 20.1 | 76.8 |
| YOLOv9c | 640 | 53.0 | - | 7.16 | 25.5 | 102.8 |
| YOLOv9e | 640 | 55.6 | - | 16.77 | 58.1 | 192.5 |
Comme le montre le tableau, YOLOv9c atteint un mAP solide de 53,0 avec nettement moins de paramètres (25,5 M) que le PP-YOLOE+l comparable (52,2 M). Cette consommation mémoire réduite fait de YOLOv9 un meilleur choix pour les développeurs qui travaillent avec des ressources GPU limitées.
Écosystème, polyvalence et facilité d’utilisation#
L’avantage déterminant de YOLOv9 réside dans son intégration à l’écosystème Ultralytics bien maintenu. Alors que PP-YOLOE+ nécessite de parcourir des fichiers de configuration PaddlePaddle complexes, YOLOv9 bénéficie d’une API Python simplifiée.
L’API Python Ultralytics permet aux développeurs de charger des poids préentraînés, de gérer l’augmentation des données et de lancer l’entraînement avec très peu de code passe-partout.
from ultralytics import YOLO
# Charger un modèle YOLOv9 préentraîné
model = YOLO("yolov9c.pt")
# Entraîner le modèle sur le jeu de données COCO8
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# Effectuer une inférence sur une image
results = model("https://ultralytics.com/images/bus.jpg")
# Exporter le modèle au format ONNX
model.export(format="onnx")L’écosystème Ultralytics offre également une grande polyvalence. Au-delà de la détection de boîtes englobantes, le framework prend nativement en charge la segmentation d’instances, l’estimation de pose et la détection de boîtes englobantes orientées (OBB). Cela permet d’adapter efficacement ton modèle à des pipelines complexes du monde réel.
Cas d’utilisation et recommandations#
Le choix entre PP-YOLOE+ et YOLOv9 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 YOLOv9#
YOLOv9 est recommandé pour :
- Recherche sur les goulots d’étranglement de l’information : les projets universitaires qui étudient les architectures à informations de gradient programmables (PGI) et à réseau généralisé d’agrégation efficace des couches (GELAN).
- Études sur l’optimisation du flux de gradients : les recherches axées sur la compréhension et l’atténuation des pertes d’information dans les couches profondes des réseaux pendant l’entraînement.
- Évaluation comparative de la détection de haute précision : les scénarios où les solides performances de YOLOv9 sur COCO servent de référence pour comparer les architectures.
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.
Perspectives : l’avantage de YOLO26#
Même si PP-YOLOE+ et YOLOv9 sont tous deux puissants, YOLO26, sorti récemment, constitue la suite naturelle pour les environnements de production. Lancé en janvier 2026, YOLO26 est conçu à la fois pour l’edge computing et les déploiements cloud. Grâce aux innovations suivantes, c’est le modèle recommandé pour les nouveaux projets de vision par ordinateur :
- Conception de bout en bout sans NMS : YOLO26 prend en charge l’inférence native de bout en bout, ce qui élimine le besoin d’un post-traitement par suppression des non-maximums (NMS) lors de l’exécution avec
nms=False. Cela simplifie considérablement les pipelines de déploiement et réduit la latence. - Inférence CPU jusqu’à 43 % plus rapide : grâce à l’optimisation de son architecture pour l’edge computing, YOLO26n est jusqu’à 43 % plus rapide que YOLO11n sur du matériel exclusivement CPU.
- Suppression de DFL : la perte focale de distribution a été supprimée, ce qui simplifie les exports et améliore la compatibilité avec les appareils edge à faible consommation.
- Optimiseur MuSGD : inspiré des techniques d’entraînement des grands modèles de langage (comme celles utilisées pour Kimi K2 de Moonshot AI), cet hybride de SGD et de Muon offre une dynamique d’entraînement stable et une convergence rapide.
- ProgLoss + STAL : la perte progressive et l’affectation d’étiquettes tenant compte des petites cibles améliorent notablement la reconnaissance des petits objets, une avancée essentielle pour l’imagerie aérienne et la robotique.
- Améliorations spécifiques aux tâches : YOLO26 comprend des architectures personnalisées pour des tâches spécifiques, comme le proto multi-échelle pour la segmentation et Residual Log-Likelihood Estimation (RLE) pour l’estimation de pose.
Tu peux facilement entraîner et déployer des modèles YOLO26 avec l’Ultralytics Platform, une solution tout-en-un pour l’annotation de jeux de données, l’entraînement dans le cloud et le suivi des modèles.
Applications concrètes#
Le choix entre ces architectures dépend souvent de ton environnement de déploiement cible.
PP-YOLOE+ est souvent déployé dans des environnements de fabrication industrielle où le framework PaddlePaddle et la pile matérielle de Baidu sont profondément intégrés à l’infrastructure d’entreprise. Il donne de bons résultats pour l’analyse d’images statiques, où la précision maximale prime sur les contraintes strictes du temps réel.
YOLOv9 est performant dans les environnements dynamiques qui exigent une inférence en temps réel rapide. Son efficacité en matière de paramètres le rend bien adapté à la navigation de drones autonomes et aux systèmes de sécurité en périphérie. De plus, sa consommation moindre de VRAM facilite l’accès des chercheurs qui s’entraînent sur des GPU grand public.
Pour obtenir les meilleures performances en gestion du trafic des villes intelligentes et en robotique à grande vitesse, le plus récent YOLO26 est le choix recommandé ; il propose une inférence de bout en bout en option, sans la surcharge liée à NMS.
Commentaires
Pose une question, partage tes résultats ou aide quelqu’un d’autre.