RTDETRv2 et YOLOv10
L’évolution de la vision par ordinateur a largement été guidée par la nécessité de concilier vitesse et précision. Traditionnellement, les pipelines de détection d’objets en temps réel s’appuient sur la suppression des non-maxima (NMS) comme étape de post-traitement pour filtrer les boîtes englobantes qui se chevauchent. Cependant, la NMS ajoute de la latence et nécessite le réglage de seuils. Deux approches architecturales la suppriment directement du modèle : les modèles fondés sur un Transformer, comme RTDETRv2, et ceux fondés sur un CNN, comme YOLOv10.
Ce guide compare les architectures, les métriques de performance et les cas d’utilisation idéaux des deux modèles, et montre quelle place occupent les modèles les plus récents de l’écosystème Ultralytics dans les déploiements modernes.
RTDETRv2 : Transformers de détection en temps réel#
RTDETRv2 s’appuie sur l’architecture RT-DETR d’origine et vise à combiner la compréhension du contexte global propre aux Vision Transformers avec les exigences de vitesse en temps réel traditionnellement dominées par les modèles YOLO.
Caractéristiques principales :
- Auteurs : Wenyu Lv, Yian Zhao, Qinyao Chang, Kui Huang, Guanzhong Wang et Yi Liu
- Organisation : Baidu
- Date : 2024-07-24
- arXiv : https://arxiv.org/abs/2407.17140
- GitHub : https://github.com/lyuwenyu/RT-DETR/tree/main/rtdetrv2_pytorch
Architecture et méthodologies d’entraînement#
RTDETRv2 utilise une architecture Transformer de bout en bout qui évite la NMS. Il améliore son prédécesseur en introduisant une approche « Bag-of-Freebies », qui optimise la stratégie d’entraînement et intègre des capacités de détection multi-échelle. Le modèle utilise un backbone CNN pour extraire des cartes de caractéristiques (des détails visuels tels que les contours et les textures), ensuite traitées par une structure encodeur-décodeur Transformer. Le modèle peut ainsi analyser simultanément le contexte de l’image entière, ce qui le rend très efficace pour comprendre les scènes complexes où les objets sont nombreux ou se chevauchent.
Points forts et points faibles#
Points forts :
- Contexte global : le mécanisme d’attention permet au modèle d’exceller dans les environnements complexes et encombrés.
- Sans NMS : prédit directement les coordonnées des objets, ce qui simplifie le pipeline de déploiement.
- Haute précision : atteint une excellente précision moyenne (mAP) sur le jeu de données COCO.
Points faibles :
- Gourmand en ressources : Les architectures Transformer nécessitent généralement plus de mémoire CUDA que les CNN pendant l’entraînement, ce qui rend leur ajustement fin coûteux sur du matériel standard.
- Variabilité de la vitesse d’inférence : bien que rapides, les calculs d’attention lourds peuvent réduire les FPS en vision par ordinateur sur les appareils périphériques dépourvus d’accélérateurs d’IA dédiés.
YOLOv10 : détection d’objets de bout en bout en temps réel#
YOLOv10 marque un tournant majeur dans la lignée de la détection d’objets YOLO, car il résout directement le goulot d’étranglement de longue date lié à la NMS au sein d’un framework CNN.
Caractéristiques principales :
- Auteurs : Ao Wang, Hui Chen, Lihao Liu, et al.
- Organisation : Université Tsinghua
- Date : 2024-05-23
- arXiv : https://arxiv.org/abs/2405.14458
- GitHub : https://github.com/THU-MIG/yolov10
Architecture et méthodologies d’entraînement#
L’innovation centrale de YOLOv10 est l’utilisation d’assignations doubles cohérentes pour l’entraînement sans NMS. Le modèle utilise deux têtes de détection pendant l’entraînement : l’une avec une assignation un-à-plusieurs (comme les modèles YOLO traditionnels) pour fournir des signaux de supervision riches, et l’autre avec une assignation un-à-un pour éliminer le besoin de NMS. À l’inférence, seule la tête un-à-un est utilisée, ce qui donne un processus de bout en bout. De plus, les auteurs ont appliqué une stratégie de conception de modèle axée sur l’efficacité et la précision globales, en optimisant de manière exhaustive divers composants pour réduire la redondance des calculs.
Points forts et points faibles#
Points forts :
- Faible latence : En supprimant la NMS et en optimisant l’architecture, YOLOv10 atteint une très faible latence d’inférence.
- Efficacité : nécessite moins de paramètres et de FLOPs pour atteindre une précision comparable à celle d’autres modèles, ce qui le rend particulièrement adapté aux environnements aux ressources limitées.
- Déploiements sans NMS : simplifie l’intégration dans des applications en périphérie, comme la vidéosurveillance intelligente.
Points faibles :
- Concept de première génération : premier modèle YOLO à mettre en œuvre cette architecture spécifique sans NMS, il a posé les bases, mais laissait une marge de progression pour la polyvalence multi-tâches et les optimisations observées dans les modèles ultérieurs, comme YOLO11 et YOLO26.
Comparaison des performances#
Lors de l’évaluation de modèles destinés à la production, il faut mettre en balance la précision et le coût de calcul. Le tableau ci-dessous présente les compromis entre les différentes tailles de RTDETRv2 et de YOLOv10 sur COCO.
| 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 |
| YOLOv10n | 640 | 38.5 | - | 1.84 | 2.3 | 6.7 |
| YOLOv10s | 640 | 46.3 | - | 2.49 | 7.2 | 21.6 |
| YOLOv10m | 640 | 51.1 | - | 4.74 | 15.4 | 59.1 |
| YOLOv10b | 640 | 52.5 | - | 5.74 | 19.1 | 92.0 |
| YOLOv10l | 640 | 53.2 | - | 7.28 | 24.4 | 120.3 |
| YOLOv10x | 640 | 54.4 | - | 10.70 | 29.5 | 160.4 |
RTDETRv2 est légèrement plus précis aux échelles petite, moyenne et grande (48.1, 51.9 et 53.4 mAP contre 46.3, 51.1 et 53.2 pour YOLOv10s, m et l), mais YOLOv10 est plus rapide et plus petit à toutes les échelles. YOLOv10x égale RTDETRv2-x en précision (54.4 contre 54.3 mAP) avec 29.5M paramètres au lieu de 76M et une latence TensorRT de 10.70 ms au lieu de 15.03 ms. Les variantes nano et small rendent YOLOv10 intéressant pour les applications d’informatique en périphérie et d’AIoT.
Si tu déploies tes modèles sur des GPU de niveau serveur où la taille de lot et la VRAM sont moins limitées, les modèles plus grands (comme -x ou -l) maximisent la précision. Pour les appareils périphériques comme le Raspberry Pi ou les téléphones mobiles, privilégie les variantes nano (-n) ou small (-s) afin de maintenir une fréquence d’images en temps réel.
Cas d’utilisation et recommandations#
Le choix entre RT-DETR et YOLOv10 dépend des exigences propres à 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 YOLOv10#
YOLOv10 est recommandé pour :
- Détection en temps réel sans NMS : les applications qui tirent parti de la détection de bout en bout sans suppression non maximale, ce qui réduit la complexité du déploiement.
- Équilibre entre vitesse et précision : les projets qui nécessitent un bon compromis entre vitesse d’inférence et précision de détection, pour différentes tailles de modèles.
- Applications à latence constante : les scénarios de déploiement où des temps d’inférence prévisibles sont essentiels, comme en robotique ou dans les systèmes autonomes.
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 utilisant uniquement le CPU : les appareils dépourvus d’accélération GPU dédiée bénéficient d’un avantage décisif grâce à l’inférence CPU de YOLO26n, jusqu’à 43 % plus rapide que celle de YOLO11n.
- 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.
L’avantage Ultralytics : présentation de YOLO26#
RTDETRv2 et YOLOv10 sont tous deux d’importantes contributions à la recherche, mais leur déploiement en conditions réelles nécessite un écosystème logiciel bien maintenu. Ultralytics Platform associe facilité d’utilisation, documentation détaillée et outils d’annotation des données et de déploiement.
Pour les nouveaux projets en 2026, Ultralytics YOLO26 est le modèle recommandé. Il reprend des idées des deux architectures et apporte plusieurs améliorations :
- Conception de bout en bout sans NMS : s’appuyant sur l’entraînement sans NMS que YOLOv10 a introduit dans les modèles YOLO, YOLO26 propose une tête facultative à correspondance un-à-un (
nms=False) qui ignore le post-traitement NMS, pour un déploiement plus rapide et plus simple et une latence plus régulière. - Suppression de DFL : En supprimant Distribution Focal Loss, YOLO26 simplifie l’exportation des modèles et améliore la compatibilité avec les appareils en périphérie et à faible consommation.
- Optimiseur MuSGD : Hybride de SGD et de Muon inspiré des techniques d’entraînement des LLM, cet optimiseur assure un entraînement plus stable et une convergence plus rapide.
- Inférence CPU jusqu’à 43 % plus rapide : YOLO26n s’exécute jusqu’à 43 % plus vite que YOLO11n sur CPU avec ONNX, ce qui est utile dans les environnements sans GPU dédié.
- ProgLoss + STAL : Progressive Loss et Small-Target-Aware Label Assignment (STAL) améliorent la reconnaissance des petits objets, un élément essentiel pour les applications utilisant des drones et des capteurs IoT.
- Prise en charge multitâche : Contrairement aux modèles limités aux boîtes englobantes, YOLO26 prend également en charge la segmentation d’instances, la segmentation sémantique, l’estimation de profondeur, la classification d’images, l’estimation de pose et la détection OBB, avec des améliorations propres à chaque tâche, comme Residual Log-Likelihood Estimation (RLE) pour la pose.
Implémentation avec Python#
L’entraînement et le déploiement de ces modèles avec l’API Python d’Ultralytics sont conçus pour être simples. Les besoins en mémoire pendant l’entraînement sont inférieurs à ceux des architectures reposant largement sur les Transformers, ce qui te permet d’entraîner des modèles performants sur du matériel standard.
from ultralytics import YOLO
# Charger le modèle YOLO26 (recommandé)
# Autre possibilité : charger un modèle YOLOv10 avec YOLO('yolov10n.pt')
model = YOLO("yolo26n.pt")
# Entraîner le modèle sur ton jeu de données personnalisé
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# Exporter facilement vers différents formats pour un déploiement en périphérie
model.export(format="onnx", simplify=True)Que tu mettes en œuvre des systèmes d’alarme de sécurité ou que tu effectues de l’analyse d’images médicales, choisir un modèle soutenu par la communauté Ultralytics active te donne accès aux outils, aux guides de réglage des hyperparamètres et aux mises à jour continues nécessaires à ta réussite. YOLOv10 et RTDETRv2 ont ouvert la voie aux architectures sans NMS ; YOLO26 s’appuie sur ces travaux et offre un bon équilibre entre performances, polyvalence et préparation à la production.
Commentaires
Pose une question, partage tes résultats ou aide quelqu’un d’autre.