RTDETRv2 vs PP-YOLOE+
La recherche en vision par ordinateur a donné naissance à plusieurs approches architecturales de la détection d’objets en temps réel. RTDETRv2 et PP-YOLOE+ empruntent des voies fondamentalement différentes : l’un est un Transformer de détection, l’autre un détecteur convolutif. Tous deux visent une détection haute performance, mais leur fonctionnement, leurs approches d’entraînement et leurs scénarios de déploiement idéaux diffèrent.
Ce guide compare leurs architectures, leurs métriques de performance et la prise en charge de leurs écosystèmes afin d’aider les développeurs et les chercheurs à choisir le modèle adapté à leurs besoins de déploiement.
Présentation des modèles#
Avant d'analyser les données de performance, il est important de comprendre les origines et les objectifs architecturaux de chaque modèle. Tous deux sont issus d'équipes de recherche de Baidu, mais représentent des branches différentes de la famille des modèles de détection d'objets.
RTDETRv2#
RTDETRv2 s’appuie sur le Transformer de détection en temps réel d’origine et associe un backbone CNN à un encodeur hybride efficace et à un décodeur Transformer. Sa caractéristique principale est la prédiction de bout en bout, qui élimine le besoin de suppression non maximale (NMS) pendant le post-traitement.
- Auteurs : Wenyu Lv, Yian Zhao, Qinyao Chang, Kui Huang, Guanzhong Wang et Yi Liu
- Organisation : Baidu
- Date : 2024-07-24
- arXiv : 2407.17140
- GitHub : Dépôt RT-DETR
PP-YOLOE+#
PP-YOLOE+ est une version améliorée de PP-YOLOE, développée par l’équipe PaddleDetection et optimisée pour les applications industrielles. Il utilise une architecture CNN évolutive avec une tête de détection sans ancres. Conçu pour offrir un bon compromis entre vitesse et précision, il introduit des techniques telles que la tête alignée sur la tâche efficace (ET-head) et la perte focale de distribution afin d’améliorer la détection des petits objets.
- Auteurs : les auteurs de PaddlePaddle
- Organisation : Baidu
- Date : 2022-04-02
- arXiv : 2203.16250
- GitHub : Dépôt PaddleDetection
Bien que les deux modèles disposent de leurs propres dépôts de recherche, tu peux tester directement le RT-DETR d’origine dans le paquet Python Ultralytics, qui fournit une API unifiée et des options d’exportation intégrées.
Différences architecturales#
La principale différence entre ces deux modèles réside dans leur manière de traiter le contexte visuel et de générer des prédictions.
PP-YOLOE+ utilise un backbone de réseau de neurones convolutif (CNN) classique, mais fortement optimisé. Il s’appuie sur des champs récepteurs locaux pour extraire les caractéristiques, ce qui le rend rapide et efficace pour les déploiements standard. Cependant, il nécessite toujours un post-traitement NMS pour filtrer les boîtes englobantes qui se chevauchent, ce qui peut ajouter de la latence dans les scènes denses.
À l’inverse, RTDETRv2 utilise un encodeur hybride et un décodeur Transformer. Le modèle peut ainsi saisir le contexte global de l’image entière. Son mécanisme d’attention modélise les relations entre les objets ; le modèle génère donc directement les boîtes englobantes finales, sans NMS. Cette approche de bout en bout stabilise la latence d’inférence quel que soit le nombre d’objets détectés.
Métriques et comparaison des performances#
Pour évaluer les métriques de performance de YOLO, il faut trouver un équilibre entre la précision (mAP), le coût de calcul (FLOPs) et la vitesse d’inférence. Le tableau ci-dessous présente les performances des deux modèles dans leurs différentes tailles.
| Modèle | taille (pixels) | mAPval50-95 | Vitesse CPU ONNX (ms) | Vitesse T4 TensorRT10 (ms) | paramètres (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| RTDETRv2-s | 640 | 48.1 | - | 5.03 | 20 | 60 |
| RTDETRv2-m | 640 | 51.9 | - | 7.51 | 36 | 100 |
| RTDETRv2-l | 640 | 53.4 | - | 9.76 | 42 | 136 |
| RTDETRv2-x | 640 | 54.3 | - | 15.03 | 76 | 259 |
| 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 |
PP-YOLOE+x atteint le mAPval50-95 le plus élevé sur le jeu de données COCO, à 54,7 %, soit 0,4 point de plus que RTDETRv2-x, avec une latence TensorRT légèrement inférieure (14,3 ms contre 15,03 ms), mais davantage de paramètres (98,42 M contre 76 M). À grande échelle, RTDETRv2-l est plus précis que PP-YOLOE+l (53,4 % contre 52,9 %) et compte moins de paramètres, tandis que PP-YOLOE+l est plus rapide (8,36 ms contre 9,76 ms). PP-YOLOE+ propose également des variantes Tiny et Small de moins de 8 M de paramètres, une gamme de tailles que RTDETRv2 ne couvre pas, ce qui convient aux déploiements en périphérie.
L’avantage Ultralytics : place à YOLO26#
RTDETRv2 et PP-YOLOE+ sont tous deux des détecteurs performants, mais le domaine a continué d’évoluer. Pour les développeurs qui recherchent un équilibre entre vitesse, précision et prise en charge de l’écosystème, Ultralytics YOLO26 est le modèle recommandé pour les nouveaux projets.
YOLO26 apporte à un CNN l’inférence de bout en bout des Transformer de détection. Il propose un mode d’inférence facultatif de bout en bout sans NMS (nms=False), qui ignore le post-traitement NMS lorsqu’il est activé. Il introduit également l’optimiseur MuSGD, un hybride de SGD et de Muon inspiré de l’entraînement des grands modèles de langage (LLM), pour un entraînement plus stable et une convergence plus rapide.
Contrairement aux modèles Transformer lourds qui nécessitent beaucoup de mémoire CUDA, YOLO26 intègre la suppression de la DFL (perte focale de distribution) et est optimisé pour l’informatique en périphérie, offrant à YOLO26n une inférence CPU jusqu’à 43 % plus rapide que YOLO11n.
YOLO26 va également au-delà de la détection d’objets et prend en charge dès l’installation la segmentation d’instances, la segmentation sémantique, l’estimation de profondeur, la classification d’images, l’estimation de pose et les boîtes englobantes orientées (OBB), tandis que PP-YOLOE+ se concentre sur la détection par boîtes englobantes.
Méthodes d’entraînement et écosystème#
L’efficacité de l’entraînement et la facilité d’utilisation sont les domaines où l’écosystème Ultralytics se distingue le plus des dépôts de recherche autonomes. PP-YOLOE+ repose sur le cadre PaddlePaddle et RTDETRv2 nécessite souvent une configuration complexe de l’environnement, tandis que les modèles Ultralytics partagent un seul paquet installable et une API unique.
L’API Ultralytics automatise la gestion des jeux de données et intègre le réglage des hyperparamètres ; les modèles YOLO s’entraînent avec moins de mémoire que les détecteurs Transformer. L’exportation des modèles vers des formats de production comme ONNX ou TensorRT s’effectue avec une seule commande.
Exemple de code : inférence simplifiée#
L’exemple ci-dessous exécute RT-DETR aux côtés du modèle YOLO26 recommandé à l’aide du paquet Python Ultralytics :
from ultralytics import RTDETR, YOLO
# Initialiser un modèle RT-DETR (Ultralytics prend en charge les modèles RT-DETR-L et RT-DETR-X originaux)
model_rtdetr = RTDETR("rtdetr-l.pt")
# Effectuer une inférence sans NMS sur une image de test
results_rtdetr = model_rtdetr("https://ultralytics.com/images/bus.jpg")
results_rtdetr[0].show()
# Initialiser le dernier modèle YOLO26
model_yolo26 = YOLO("yolo26n.pt")
# Entraîner le modèle YOLO26 avec une utilisation optimisée de la mémoire
model_yolo26.train(data="coco8.yaml", epochs=50, imgsz=640)
# Exporter vers TensorRT pour un déploiement en périphérie
model_yolo26.export(format="engine")Applications et cas d’usage réels#
Le choix entre ces architectures dépend souvent du matériel spécifique et des exigences de l’application.
- RTDETRv2 excelle dans les environnements côté serveur et la compréhension de scènes complexes. Son attention globale le rend efficace pour la gestion des foules et l’analyse d’images médicales denses, où le fort chevauchement des objets peut amener NMS à supprimer des détections valides.
- PP-YOLOE+ convient à l’inspection industrielle à grande vitesse et aux équipes qui utilisent déjà l’écosystème PaddlePaddle. Son faible nombre de paramètres dans les petites tailles le rend viable pour certaines applications robotiques.
- Ultralytics YOLO26 est le choix recommandé pour la plupart des déploiements commerciaux. La perte progressive et l’assignation d’étiquettes sensible aux petites cibles (STAL) améliorent la reconnaissance des petits objets, un aspect important pour les opérations de drones aériens et la surveillance du trafic en ville intelligente.
Cas d’utilisation et recommandations#
Le choix entre RT-DETR et PP-YOLOE+ dépend des exigences spécifiques de ton projet, des contraintes de déploiement et de tes préférences en matière d’écosystème.
Quand choisir RT-DETR#
RT-DETR est un excellent choix pour :
- Recherche sur la détection basée sur les Transformer : projets étudiant les mécanismes d’attention et les architectures Transformer pour la détection d’objets de bout en bout sans NMS.
- Scénarios exigeant une grande précision et une latence flexible : applications où la précision de détection est prioritaire et où une latence d’inférence légèrement supérieure est acceptable.
- Détection de grands objets : scènes composées principalement d’objets de taille moyenne à grande, pour lesquelles le mécanisme d’attention globale des Transformer offre un avantage naturel.
Quand choisir PP-YOLOE+#
PP-YOLOE+ est recommandé 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 Ultralytics (YOLO26)#
Pour la plupart des nouveaux projets, Ultralytics YOLO26 offre la meilleure combinaison de performances et d’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 sans GPU : Les appareils dépourvus d'accélération GPU dédiée, où l'inférence CPU jusqu'à 43 % plus rapide de YOLO26 (YOLO26n par rapport à YOLO11n) procure un avantage décisif.
- Détection de petits objets : dans des scénarios exigeants comme les images aériennes prises par drone ou l’analyse de capteurs IoT, ProgLoss et STAL améliorent la précision sur les petits objets.
Conclusion#
RTDETRv2 et PP-YOLOE+ montrent que les architectures Transformer et CNN optimisées sont toutes deux viables pour la détection en temps réel. Cependant, le déploiement de modèles issus de bases de code de recherche distinctes peut ralentir la mise en production.
La plateforme Ultralytics réunit l’annotation, l’entraînement et le déploiement dans un flux de travail unique. En passant à des modèles intégrés comme YOLO11 ou au plus récent YOLO26, les équipes bénéficient d’un excellent compromis entre précision et vitesse, de besoins en mémoire réduits et d’une charge de développement moindre.
Commentaires
Pose une question, partage tes résultats ou aide quelqu’un d’autre.