PP-YOLOE+ vs YOLOv9#

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

Cette comparaison technique approfondie analyse leurs innovations architecturales, leurs indicateurs 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.

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’Academia Sinica, à Taïwan, YOLOv9 marque une avancée importante dans la gestion efficace des goulots d’étranglement de l’information en deep learning.

• 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 Programmable Gradient Information (PGI), qui évite la perte de données lorsque les caractéristiques traversent des réseaux neuronaux profonds. Associé au Generalized Efficient Layer Aggregation Network (GELAN), PGI optimise l’efficacité des paramètres et le flux de calcul. De plus, YOLOv9 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#

L’analyse des performances brutes montre que YOLOv9 est particulièrement efficace en nombre de paramètres. Il atteint une précision comparable ou supérieure avec moins de paramètres et de FLOPs, ce qui réduit les besoins en VRAM pendant l’entraînement du modèle.

Comme le montre le tableau, YOLOv9c atteint un solide score de 53,0 mAP avec nettement moins de paramètres (25,5M) que PP-YOLOE+l (52,2M). Cette consommation mémoire plus faible fait de YOLOv9 un meilleur choix pour les développeurs qui travaillent 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 se familiariser avec les fichiers de configuration complexes de PaddlePaddle, 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

# 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")

De plus, l’écosystème Ultralytics offre une polyvalence inégalée. 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 par boîtes englobantes orientées (OBB). Adapter ton modèle à des pipelines complexes du monde réel devient ainsi extrêmement efficace.

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 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 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#

PP-YOLOE+ et YOLOv9 sont tous deux puissants, mais le YOLO26, récemment lancé, représente la prochaine étape incontournable pour les environnements de production. Sorti en janvier 2026, YOLO26 établit une nouvelle norme pour l’informatique en périphérie et les déploiements dans le cloud. Nous recommandons vivement YOLO26 pour tous les nouveaux projets de vision par ordinateur, grâce à ses innovations majeures :

• Conception de bout en bout sans NMS : YOLO26 prend en charge l’inférence native de bout en bout, sans post-traitement par suppression non maximale (NMS), lorsqu’il est exécuté avec nms=False. Cela simplifie considérablement les pipelines de déploiement et réduit la latence.
• Jusqu’à 43 % d’inférence CPU plus rapide : en optimisant spécifiquement l’architecture pour l’informatique en périphérie, YOLO26 est nettement plus rapide sur les matériels dépourvus de GPU dédié.
• Suppression de DFL : Distribution Focal Loss a été supprimée, ce qui simplifie les exportations et améliore considérablement la compatibilité avec les appareils de périphérie à faible consommation.
• Optimiseur MuSGD : inspirée des techniques d’entraînement des grands modèles de langage, comme Kimi K2 de Moonshot AI, cette combinaison 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 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 centres de production industrielle, en particulier dans les régions où l’intégration de PaddlePaddle et la pile matérielle de Baidu sont profondément intégrées aux infrastructures d’entreprise. Il excelle dans l’analyse d’images statiques, où la précision absolue prime sur les contraintes strictes de temps réel.

YOLOv9 excelle dans les environnements dynamiques qui nécessitent une inférence en temps réel rapide. Son excellente efficacité en nombre de paramètres en fait un choix idéal pour la navigation autonome des drones et les systèmes de sécurité en périphérie. De plus, sa consommation de VRAM réduite facilite l’accès aux chercheurs qui entraînent leurs modèles sur des GPU grand public.

Pour obtenir les meilleures performances en matière de gestion du trafic des villes intelligentes et de robotique à grande vitesse, le nouveau YOLO26 est imbattable : il offre une inférence facultative de bout en bout, sans les goulots d’étranglement liés à NMS.