PP-YOLOE+ vs YOLOv9#

Le paysage de la vision par ordinateur en temps réel évolue constamment, les chercheurs et les développeurs repoussant sans cesse les limites de la précision et de la vitesse d’inférence. En comparant PP-YOLOE+ et YOLOv9, nous examinons deux philosophies distinctes en matière d’architecture de modèle et de conception d’écosystème.

Cette comparaison technique complète analyse leurs innovations architecturales, leurs métriques de performance, leurs méthodologies d’entraînement et leurs cas d’utilisation idéaux afin de t’aider à choisir le bon modèle de détection d’objets pour ton prochain déploiement.

Lignée des modèles et fondements techniques#

Comprendre les origines et les choix architecturaux de ces modèles est essentiel pour déterminer leur adéquation 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 itérations précédentes du framework PaddleDetection pour offrir une détection d’objets hautes performances.

• 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 atteigne une précision moyenne (mAP) élevée, sa dépendance au framework PaddlePaddle peut parfois compliquer l’intégration pour les développeurs habitués à PyTorch ou TensorFlow.

En savoir plus sur PP-YOLOE+

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 marque une avancée significative dans la gestion efficace des goulots d’étranglement liés aux informations dans l’apprentissage profond.

• 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 avancée de YOLOv9 est l’Information de gradient programmable (PGI), qui empêche la perte de données lorsque les caractéristiques traversent des réseaux neuronaux profonds. Associé au réseau d’agrégation de couches généralisé et efficace (GELAN), YOLOv9 optimise l’efficacité des paramètres et le flux de calcul. De plus, il est intégré nativement à l’écosystème Ultralytics, ce qui le rend très accessible pour les applications de recherche et commerciales.

En savoir plus sur YOLOv9

Comparaison des performances et des métriques#

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

Comme le montre le tableau, YOLOv9c atteint une mAP élevée de 53.0 avec beaucoup moins de paramètres (25.3M) que PP-YOLOE+l (52.2M), pourtant comparable. Cette utilisation réduite de la mémoire fait de YOLOv9 un choix supérieur pour les développeurs travaillant avec des ressources GPU limitées.

Écosystème, polyvalence et facilité d’utilisation#

Le principal avantage de YOLOv9 réside dans son intégration fluide à l’écosystème Ultralytics, bien entretenu. 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 un minimum de code répétitif.

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, l’écosystème Ultralytics offre une polyvalence inégalée. Au-delà de la détection par boîte englobante, le framework prend nativement en charge la segmentation d’instances, l’estimation de pose et la détection par boîte englobante orientée (OBB). Cela rend l’adaptation de ton modèle à des pipelines complexes du monde réel particulièrement efficace.

Cas d'utilisation et recommandations#

Le choix entre PP-YOLOE+ et YOLOv9 dépend de tes exigences spécifiques, de tes contraintes de déploiement et de tes préférences en matière d’écosystème.

Quand choisir PP-YOLOE+#

PP-YOLOE+ est un choix pertinent pour :

• Intégration à l’écosystème PaddlePaddle : Les organisations disposant d’une infrastructure existante fondée sur le framework et les outils PaddlePaddle de Baidu.
• Déploiement edge 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, où la dépendance au framework ne pose pas de problème.

Quand choisir YOLOv9#

YOLOv9 est recommandé pour :

• Recherche sur les goulots d'étranglement de l'information : les projets académiques étudiant les architectures Programmable Gradient Information (PGI) et Generalized Efficient Layer Aggregation Network (GELAN).
• Études sur l'optimisation du flux des gradients : les recherches visant à comprendre et à limiter la perte d'informations dans les couches des réseaux profonds pendant l'entraînement.
• Évaluation comparative de la détection haute précision : les scénarios où les solides performances de YOLOv9 sur le benchmark COCO sont nécessaires comme référence pour comparer les architectures.

Quand choisir Ultralytics (YOLO26)#

Pour la plupart des nouveaux projets, Ultralytics YOLO26 offre le meilleur compromis entre performance et expérience développeur :

• Déploiement edge sans NMS : les applications nécessitant une inférence cohérente à faible latence, sans la complexité du post-traitement par suppression non maximale.
• Environnements exclusivement CPU : les appareils dépourvus d'accélération GPU dédiée, où l'inférence CPU jusqu'à 43 % plus rapide de YOLO26 constitue un avantage décisif.
• Détection de petits objets : les scénarios difficiles comme les images aériennes prises par drone ou l'analyse de capteurs IoT, où ProgLoss et STAL améliorent considérablement la précision sur les objets minuscules.

Perspectives : l'avantage de YOLO26#

Bien que PP-YOLOE+ et YOLOv9 soient tous deux puissants, le YOLO26, récemment publié, représente la prochaine étape de référence pour les environnements de production. Sorti en janvier 2026, YOLO26 établit une nouvelle norme pour l’informatique edge et les déploiements cloud. Nous recommandons vivement YOLO26 pour tous les nouveaux projets de vision par ordinateur en raison de ses innovations majeures :

• Conception de bout en bout sans NMS : YOLO26 fonctionne nativement de bout en bout, éliminant entièrement le besoin de post-traitement par suppression des non-maxima (NMS). Cela simplifie considérablement les pipelines de déploiement et réduit la latence.
• Jusqu’à 43 % d’inférence plus rapide sur CPU : En optimisant spécifiquement l’architecture pour l’informatique edge, YOLO26 est nettement plus rapide sur les matériels dépourvus de GPU dédiés.
• Suppression de DFL : La fonction de perte focale de distribution a été supprimée, ce qui simplifie les exportations et améliore considérablement la compatibilité avec les appareils edge basse consommation.
• Optimiseur MuSGD : Inspiré des techniques d’entraînement des grands modèles de langage (comme Kimi K2 de Moonshot AI), cet hybride de SGD et de Muon garantit une dynamique d’entraînement très stable et une convergence rapide.
• ProgLoss + STAL : Ces fonctions de perte avancées améliorent sensiblement la reconnaissance des petits objets, une mise à niveau essentielle pour les images aériennes et la robotique.
• Améliorations spécifiques aux tâches : YOLO26 inclut des architectures personnalisées pour des tâches spécifiques, comme le proto multi-échelle pour la segmentation et l’estimation résiduelle de log-vraisemblance (RLE) pour l’estimation de pose.

Tu peux facilement entraîner et déployer des modèles YOLO26 via la plateforme Ultralytics, une solution tout-en-un pour l’annotation des jeux de données, l’entraînement cloud et la supervision des modèles.

Applications concrètes#

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

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

YOLOv9 excelle dans les environnements dynamiques nécessitant une inférence en temps réel rapide. Son efficacité supérieure en matière de paramètres le rend idéal pour la navigation autonome des drones et les systèmes de sécurité reposant sur l’edge computing. De plus, sa consommation réduite de VRAM facilite l’accès aux chercheurs qui entraînent leurs modèles sur des GPU grand public.

Pour obtenir les meilleures performances possibles en matière de gestion du trafic des villes intelligentes et de robotique haute vitesse, le nouveau YOLO26 est inégalé, offrant une efficacité de bout en bout sans la surcharge liée aux goulets d’étranglement de NMS.