RTDETRv2 vs YOLOv10 : avancées dans la détection d'objets en temps réel sans NMS

L'évolution de la vision par ordinateur a été largement portée par la quête incessante d'un équilibre entre vitesse et précision. Traditionnellement, les pipelines de détection d'objets en temps réel s'appuyaient sur la suppression non maximale (NMS) comme étape de post-traitement pour filtrer les boîtes englobantes qui se chevauchent. Cependant, la NMS introduit des goulots d'étranglement de latence et un réglage complexe des hyperparamètres. Récemment, deux approches architecturales distinctes ont émergé pour résoudre ce problème nativement : les modèles basés sur les Transformers comme RTDETRv2 et les modèles basés sur les CNN comme YOLOv10.

Ce guide fournit une comparaison technique complète de ces deux modèles, en analysant leurs architectures, leurs mesures de performance et leurs cas d'utilisation idéaux, tout en soulignant comment les dernières innovations de l'écosystème Ultralytics offrent la solution ultime pour le déploiement moderne.

RTDETRv2 : Transformers de détection en temps réel

RTDETRv2 s'appuie sur l'architecture originale RT-DETR, visant à combiner la compréhension du contexte global des 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 : 24-07-2024
• Arxiv : https://arxiv.org/abs/2407.17140
• GitHub : https://github.com/lyuwenyu/RT-DETR/tree/main/rtdetrv2_pytorch

Architectures et méthodologies d'entraînement

RTDETRv2 utilise une architecture de Transformer de bout en bout qui évite intrinsèquement la NMS. Il améliore son prédécesseur en introduisant une approche « Bag-of-Freebies », en optimisant la stratégie d'entraînement et en intégrant des capacités de détection multi-échelle. Le modèle utilise une dorsale CNN pour extraire des cartes de caractéristiques (détails visuels comme les bords et les textures), qui sont ensuite traitées par une structure encodeur-décodeur de Transformer. Cela permet au modèle d'analyser simultanément le contexte global de l'image, ce qui le rend très efficace pour comprendre des scènes complexes où les objets sont densément regroupés ou se chevauchent.

Forces et faiblesses

Points forts :

• Contexte global : Le mécanisme d'attention permet au modèle d'exceller dans des environnements complexes et encombrés.
• Sans NMS : Prédit directement les coordonnées des objets, simplifiant le pipeline de déploiement.
• Haute précision : Atteint une excellente précision moyenne (mAP) sur le jeu de données COCO.

Points faibles :

• Consommation de ressources : Les architectures Transformer nécessitent généralement beaucoup plus de mémoire CUDA pendant l'entraînement que les CNN, ce qui les rend coûteuses à affiner sur du matériel standard.
• Inference Speed Variability: While fast, the heavy attention calculations can lead to lower FPS in computer vision on edge devices lacking dedicated AI accelerators.

En savoir plus sur RTDETRv2

YOLOv10 : Détection d'objets en temps réel de bout en bout

YOLOv10 represents a major shift in the YOLO object detection lineage by addressing the long-standing NMS bottleneck directly within a CNN framework.

Caractéristiques principales :

• Auteurs : Ao Wang, Hui Chen, Lihao Liu, et al.
• Organisation : Université Tsinghua
• Date : 23/05/2024
• Arxiv : https://arxiv.org/abs/2405.14458
• GitHub : https://github.com/THU-MIG/yolov10

Architectures et méthodologies d'entraînement

L'innovation principale de YOLOv10 est ses assignations doubles cohérentes pour un entraînement sans NMS. Il utilise deux têtes de détection pendant l'entraînement : l'une avec une assignation un-à-plusieurs (comme les YOLO traditionnels) pour fournir des signaux de supervision riches, et une autre avec une assignation un-à-un pour éliminer le besoin de NMS. Lors de l'inférence, seule la tête un-à-un est utilisée, ce qui aboutit à 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, optimisant de manière exhaustive divers composants pour réduire la redondance computationnelle.

Forces et faiblesses

Points forts :

• Extreme Speed: By removing NMS and optimizing the architecture, YOLOv10 achieves incredibly low inference latency.
• Efficiency: Requires fewer parameters and FLOPs to achieve comparable accuracy to other models, making it highly suitable for constrained environments.
• NMS-Free Deployments: Streamlines integration into edge applications like smart surveillance.

Points faibles :

• Concept de première génération : En tant que premier YOLO à mettre en œuvre cette architecture spécifique sans NMS, il a jeté les bases, mais a laissé de la place à la polyvalence multi-tâches et à l'optimisation observées dans les modèles ultérieurs comme YOLO11 et YOLO26.

En savoir plus sur YOLOv10

Comparaison des performances

Lors de l'évaluation des modèles pour la production, il est essentiel d'équilibrer la précision avec le coût computationnel. Le tableau ci-dessous met en évidence les compromis de performance entre différentes tailles de RTDETRv2 et de YOLOv10.

While RTDETRv2 offers robust accuracy, YOLOv10 demonstrates a remarkable advantage in latency and parameter efficiency, particularly in its smaller variants (Nano and Small), making it highly attractive for edge computing and AIoT applications.

Cas d'utilisation et recommandations

Le choix entre RT-DETR et YOLOv10 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 choix solide pour :

• Recherche sur la détection basée sur les Transformer : Projets explorant les mécanismes d'attention et les architectures Transformer pour la détection d'objets de bout en bout sans NMS.
• Scénarios de haute précision avec latence flexible : Applications où la précision de détection est la priorité absolue et où une latence d'inférence légèrement plus élevée est acceptable.
• Détection de grands objets : Scènes avec principalement des objets de taille moyenne à grande, où le mécanisme d'attention globale des Transformer offre un avantage naturel.

Quand choisir YOLOv10

YOLOv10 est recommandé pour :

• Détection en temps réel sans NMS : Applications bénéficiant d'une détection de bout en bout sans suppression des non-maximums, réduisant la complexité de déploiement.
• Compromis vitesse-précision équilibrés : Projets nécessitant un bon équilibre entre la vitesse d'inférence et la précision de détection sur différentes échelles de modèles.
• Consistent-Latency Applications: Deployment scenarios where predictable inference times are critical, such as robotics or autonomous systems.

Quand choisir Ultralytics (YOLO26)

Pour la plupart des nouveaux projets, Ultralytics YOLO26 offre la meilleure combinaison de performance et d'expérience développeur :

• Déploiement Edge sans NMS : Applications nécessitant une inférence cohérente et à faible latence sans la complexité du post-traitement par suppression des non-maximums.
• Environnements 100 % CPU : Appareils sans accélération GPU dédiée, où l'inférence CPU jusqu'à 43 % plus rapide de YOLO26 offre un avantage décisif.
• Détection de petits objets : Scénarios difficiles comme l'imagerie par drone aérien ou l'analyse de capteurs IoT, où ProgLoss et STAL améliorent considérablement la précision sur les objets minuscules.

L'avantage Ultralytics : présentation de YOLO26

While both RTDETRv2 and YOLOv10 offer compelling academic advancements, deploying them in real-world scenarios requires a robust, well-maintained software ecosystem. The Ultralytics Platform provides an unparalleled developer experience, combining ease of use, extensive documentation, and powerful tools for data annotation and deployment.

Pour les développeurs à la recherche de l'état de l'art absolu en 2026, Ultralytics YOLO26 est la recommandation ultime. Il synthétise les meilleures idées des deux architectures tout en introduisant des améliorations révolutionnaires :

• Conception sans NMS de bout en bout : S'appuyant sur le concept lancé par YOLOv10, YOLO26 élimine nativement le post-traitement NMS, ce qui permet une logique de déploiement plus rapide et plus simple et une variance de latence nulle.
• Suppression de la DFL : En supprimant la Distribution Focal Loss, YOLO26 simplifie l'exportation du modèle et améliore considérablement la compatibilité avec les appareils de périphérie et à faible consommation.
• Optimiseur MuSGD : Hybride entre SGD et Muon (inspiré par les innovations de l'entraînement LLM), ce nouvel optimiseur offre un entraînement plus stable et une convergence nettement plus rapide par rapport aux méthodes traditionnelles.
• Inférence CPU jusqu'à 43 % plus rapide : Soigneusement optimisé pour les environnements sans GPU dédiés, démocratisant l'IA de vision haute performance.
• ProgLoss + STAL: These advanced loss functions yield notable improvements in small-object recognition, which is critical for applications using drones and IoT sensors.
• Polyvalence inégalée : Contrairement aux modèles limités aux boîtes englobantes, YOLO26 prend en charge une suite complète de tâches, notamment la segmentation d'instances, l'estimation de pose, la classification d'images et la détection OBB, complétées par des améliorations spécifiques aux tâches telles que l'estimation de vraisemblance résiduelle (RLE) pour la pose.

En savoir plus sur YOLO26

Mise en œuvre transparente avec Python

L'entraînement et le déploiement de ces modèles via l'API Python d'Ultralytics sont conçus pour être sans friction. Les exigences en matière de mémoire sont nettement inférieures lors de l'entraînement par rapport aux architectures lourdes en Transformers, ce qui te permet d'entraîner des modèles puissants sur du matériel standard.

from ultralytics import YOLO

# Load the cutting-edge YOLO26 model (recommended)
# Alternatively, load a YOLOv10 model using YOLO('yolov10n.pt')
model = YOLO("yolo26n.pt")

# Train the model on your custom dataset
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Easily export to various formats for edge deployment
model.export(format="onnx", simplify=True)

Whether you are implementing security alarm systems or conducting medical image analysis, choosing a model backed by the active Ultralytics community ensures you have the tools, hyperparameter tuning guides, and continuous updates needed to succeed. While YOLOv10 and RTDETRv2 paved the way for NMS-free architectures, YOLO26 perfects the formula, offering the best balance of performance, versatility, and production readiness.