Commencer

PP-YOLOE+ vs YOLOX

La vision par ordinateur a été façonnée par l’évolution rapide des modèles de détection d’objets. PP-YOLOE+ et YOLOX figurent parmi les avancées marquantes qui ont amélioré les performances et la précision en temps réel. Comprendre leurs détails architecturaux, leurs compromis de performance et leurs scénarios de déploiement privilégiés aide les chercheurs et les développeurs à concevoir de meilleurs systèmes de reconnaissance visuelle.

Lignée et détails des modèles#

Avant d’aborder les architectures techniques, il est utile de comprendre les origines des deux modèles. Chacun a été développé pour répondre à des goulots d’étranglement spécifiques de la détection d’objets, sous l’influence notable des organisations qui les soutiennent.

Détails de PP-YOLOE+ :

En savoir plus sur PP-YOLOE+

Détails sur YOLOX :

En savoir plus sur YOLOX

Innovations architecturales#

Les principales différences entre ces deux détecteurs concernent leur approche de l’extraction des caractéristiques et de la prédiction des boîtes englobantes.

YOLOX a attiré l’attention en 2021 en adaptant la famille YOLO à une conception sans ancres. En supprimant les boîtes d’ancrage, YOLOX a considérablement réduit le nombre de paramètres de conception et le réglage heuristique nécessaires aux jeux de données personnalisés. Il a également introduit une tête découplée, qui sépare les tâches de classification et de localisation en voies neuronales distinctes. Cette séparation a résolu le conflit inhérent entre la classification d’un objet et la régression de ses coordonnées spatiales, accélérant ainsi la convergence pendant l’entraînement.

PP-YOLOE+, développé par Baidu, est fortement optimisé pour l’écosystème PaddlePaddle. Il s’appuie sur ses prédécesseurs, PP-YOLOE et PP-YOLOv2, en introduisant une stratégie dynamique d’assignation des étiquettes (TAL) et un nouveau backbone appelé CSPRepResNet. Ce backbone exploite la reparamétrisation structurelle, ce qui permet au modèle de tirer parti d’architectures complexes à plusieurs branches pendant l’entraînement, puis de les transformer en un réseau rapide à branche unique pour l’inférence.

Reparamétrisation structurelle

La reparamétrisation structurelle permet d’entraîner un modèle avec plusieurs branches parallèles (ce qui améliore la propagation du gradient), puis de fusionner mathématiquement ces branches en une seule couche convolutive pour le déploiement. Les vitesses d’inférence s’en trouvent améliorées sans perte de précision.

Comparaison des performances et des métriques#

La comparaison directe de ces modèles montre qu’ils visent des niveaux de performance légèrement différents. PP-YOLOE+ atteint généralement un mAP absolu plus élevé, tandis que YOLOX propose des variantes extrêmement légères adaptées au matériel soumis à de fortes contraintes.

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
YOLOXnano41625.8--0.911.08
YOLOXtiny41632.8--5.066.45
YOLOXs64040.5-2.569.026.8
YOLOXm64046.9-5.4325.373.8
YOLOXl64049.7-9.0454.2155.6
YOLOXx64051.1-16.199.1281.9

Remarque : les meilleures valeurs de chaque segment de colonne pertinent sont indiquées en gras.

YOLOX propose des variantes nano et tiny qui nécessitent très peu d’espace disque ou de mémoire CUDA, tandis que PP-YOLOE+ évolue efficacement sur du matériel de classe serveur, ce qui en fait un choix robuste pour les applications industrielles lourdes de l’écosystème Baidu.

Applications concrètes#

Le choix entre ces frameworks dépend souvent des exigences d’intégration et du matériel ciblé.

Les points forts de YOLOX#

Grâce à sa conception sans ancres et à la disponibilité de variantes ultralégères, YOLOX est populaire en robotique et pour les déploiements embarqués. Son pipeline de post-traitement simple facilite le portage vers des moteurs d’inférence comme TensorRT et NCNN.

Les points forts de PP-YOLOE+#

Pour les fabricants qui utilisent déjà la pile technologique de Baidu, PP-YOLOE+ offre une voie de déploiement préoptimisée. Il fonctionne bien dans les scénarios d’inspection qualité de haute précision exécutés sur de puissants serveurs, où des contraintes de temps réel souples permettent d’utiliser des modèles légèrement plus lourds.

Cas d’utilisation et recommandations#

Le choix entre PP-YOLOE+ et YOLOX dépend des exigences précises 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 YOLOX#

YOLOX est recommandé pour :

  • Recherche sur la détection sans ancres : recherche universitaire qui utilise l’architecture épurée sans ancres de YOLOX comme référence pour expérimenter de nouvelles têtes de détection ou fonctions de perte.
  • Appareils edge ultralégers : déploiement sur du matériel mobile embarqué ou ancien à faible consommation, où l’empreinte extrêmement réduite de la variante YOLOX-Nano (0.91M paramètres) est essentielle.
  • Études sur l’assignation d’étiquettes SimOTA : projets de recherche qui étudient les stratégies d’assignation d’étiquettes basées sur le transport optimal et leur impact sur la convergence de l’entraînement.

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 : appareils sans accélération GPU dédiée, pour lesquels l’inférence CPU jusqu’à 43 % plus rapide de YOLO26 (YOLO26n par rapport à YOLO11n) constitue un avantage net.
  • 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.

L’avantage Ultralytics : place à YOLO26#

Bien que PP-YOLOE+ et YOLOX constituent des avancées importantes pour la recherche, les déploiements modernes exigent une expérience plus cohérente et conviviale pour les développeurs, ainsi qu’une meilleure efficacité. C’est là qu’Ultralytics YOLO26 se démarque.

Pour les équipes qui souhaitent passer de dépôts de recherche isolés à des systèmes prêts pour la production, Ultralytics propose un écosystème robuste et bien maintenu. Entraîner un modèle ne nécessite plus de configurer des environnements complexes : il suffit d’utiliser une API Python unifiée.

Principaux avantages d’Ultralytics YOLO26 :

  • Conception de bout en bout sans NMS : contrairement à PP-YOLOE+ et YOLOX, qui nécessitent la suppression non maximale (NMS) pour filtrer les boîtes englobantes redondantes, YOLO26 propose une tête de bout en bout native (nms=False). Cela élimine les goulots d’étranglement de latence et simplifie considérablement la logique de déploiement.
  • Inférence CPU jusqu’à 43 % plus rapide : en supprimant la perte focale de distribution (DFL), YOLO26n atteint une inférence jusqu’à 43 % plus rapide que YOLO11n sur CPU, ce qui le rend bien mieux adapté à l’informatique en périphérie et aux appareils basse consommation.
  • Optimiseur MuSGD : inspiré de l’entraînement de Kimi K2 de Moonshot AI, cet optimiseur hybride apporte à la vision par ordinateur la stabilité d’entraînement des LLM et accélère la convergence.
  • ProgLoss + STAL : une perte progressive et une stratégie d’assignation des étiquettes tenant compte des petites cibles améliorent nettement la reconnaissance des petits objets, une fonctionnalité essentielle pour les opérations de drones et l’imagerie aérienne très détaillée.
  • Polyvalence : tandis que PP-YOLOE+ et YOLOX se consacrent uniquement à la détection, YOLO26 prend en charge la segmentation d’instances, l’estimation de pose et les boîtes englobantes orientées (OBB), le tout avec la même syntaxe intuitive.

Entraînement simplifié avec Ultralytics#

Les modèles Ultralytics sont économes en mémoire et rapides à entraîner, surtout par rapport aux modèles basés sur des Transformers, qui nécessitent beaucoup de mémoire CUDA. Tu peux entraîner et exporter YOLO26 en quelques lignes de code :

from ultralytics import YOLO

# Charger le modèle nano YOLO26 de bout en bout hautement efficace
model = YOLO("yolo26n.pt")

# Entraîner sur le jeu de données d’exemple COCO8
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Valider les performances du modèle
metrics = model.val()

# Exporter vers ONNX ou TensorRT
model.export(format="engine")
Découvrir la plateforme Ultralytics

Pour les équipes à la recherche d’une solution sans code, la plateforme Ultralytics propose l’entraînement dans le cloud, l’annotation intégrée des jeux de données et le déploiement en un clic pour tous tes modèles YOLO.

Conclusion#

PP-YOLOE+ et YOLOX ont tous deux marqué l’histoire de la vision par ordinateur, le premier par sa haute précision et le second par ses conceptions légères sans ancres. Toutefois, pour les organisations qui construisent l’avenir de l’IA dans l’agriculture, des villes intelligentes et du commerce de détail, la maintenance continue, la facilité d’utilisation et l’architecture native sans NMS d’Ultralytics YOLO26 en font le choix recommandé.

Si tu explores d’autres architectures pour des benchmarks spécifiques, tu peux également comparer le YOLO11 de la génération précédente ou des options basées sur un Transformer comme RT-DETR dans la documentation Ultralytics. En adoptant l’écosystème Ultralytics unifié, les développeurs gagnent du temps et économisent des ressources tout en obtenant d’excellents résultats sur les déploiements edge et cloud.

Commentaires

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