Commencer

RTDETRv2 vs YOLOv6-3.0

Les développeurs qui choisissent un modèle de vision par ordinateur pour la détection d’objets ont accès à des architectures très différentes. Cette page en compare deux : RTDETRv2, un Transformer de détection en temps réel, et YOLOv6-3.0, un réseau de neurones convolutif (CNN) optimisé pour les applications industrielles.

Ce guide présente leurs architectures, leurs métriques de performance et leurs scénarios de déploiement idéaux, explique ce que l’écosystème Ultralytics apporte aux développeurs et présente Ultralytics YOLO26, le modèle recommandé pour les nouveaux projets.

RTDETRv2 : l’approche par transformer de vision#

Développé par des chercheurs de Baidu, RTDETRv2 s’appuie sur le RT-DETR d’origine et affine la détection d’objets basée sur Transformer.

Points forts de l’architecture#

RTDETRv2 utilise une architecture hybride qui associe un extracteur de caractéristiques CNN à un décodeur Transformer. Sa caractéristique principale est sa conception native sans NMS. En supprimant la suppression non maximale (NMS) du post-traitement, le modèle prédit directement les boîtes englobantes, ce qui simplifie le déploiement et stabilise la latence d’inférence.

Les améliorations d’entraînement « Bag-of-Freebies » de RTDETRv2, associées à l’attention globale, l’aident à traiter les scènes complexes et les objets qui se chevauchent, car les modèles d’attention établissent des relations dans l’image entière plutôt que dans des fenêtres de convolution locales.

Utilisation mémoire des Transformers

Les Transformer excellent dans la compréhension des scènes complexes, mais nécessitent généralement davantage de mémoire CUDA à l’entraînement que les CNN. Cela peut limiter la taille des lots sur les GPU grand public standard et augmenter la durée totale de l’entraînement.

En savoir plus sur RTDETRv2

YOLOv6-3.0 : maximiser le débit industriel#

Issu du département Vision AI de Meituan, YOLOv6-3.0 a été conçu pour les chaînes de traitement industrielles où le débit du GPU est prioritaire.

  • Auteurs : Chuyi Li, Lulu Li, Yifei Geng, Hongliang Jiang, Meng Cheng, Bo Zhang, Zaidan Ke, Xiaoming Xu et Xiangxiang Chu
  • Organisation : Meituan
  • Date : 2023-01-13
  • arXiv : 2301.05586
  • GitHub : meituan/YOLOv6

Orientation architecturale#

YOLOv6-3.0 s’appuie sur un backbone EfficientRep, conçu pour réduire au minimum les coûts d’accès à la mémoire sur les accélérateurs matériels comme les GPU NVIDIA. L’architecture du neck comprend un module de concaténation bidirectionnelle (BiC) afin d’améliorer la fusion des caractéristiques à différentes échelles.

Pendant l’entraînement, il utilise une stratégie d’entraînement assistée par ancres (AAT) pour tirer parti des paradigmes basés sur les ancres, tout en conservant un mode d’inférence sans ancres pour une exécution plus rapide. Il atteint un débit élevé sur les GPU de serveur (par exemple, T4, A100), mais sa conception orientée GPU peut être moins efficace sur les appareils périphériques qui ne disposent que d’un CPU.

En savoir plus sur YOLOv6

Comparaison des performances#

Le tableau ci-dessous compare la précision (mAP), la vitesse d’inférence et le coût de calcul (FLOPs) sur l’ensemble de validation COCO.

Modèletaille
(pixels)
mAPval50-95Vitesse
CPU ONNX
(ms)
Vitesse
T4 TensorRT10
(ms)
paramètres
(M)
FLOPs
(B)
RTDETRv2-s64048.1-5.032060
RTDETRv2-m64051.9-7.5136100
RTDETRv2-l64053.4-9.7642136
RTDETRv2-x64054.3-15.0376259
YOLOv6-3.0n64037.5-1.174.711.4
YOLOv6-3.0s64045.0-2.6618.545.3
YOLOv6-3.0m64050.0-5.2834.985.8
YOLOv6-3.0l64052.8-8.9559.6150.7

YOLOv6-3.0 est plus rapide sur T4 TensorRT à chaque taille comparable (par exemple, 5.28 ms contre 7.51 ms pour les modèles moyens), tandis que RTDETRv2 obtient un mAP supérieur (51.9 contre 50.0 en taille moyenne, 53.4 contre 52.8 en grande taille) et atteint 54.3 mAP avec RTDETRv2-x. Les deux modèles se concentrent sur la détection : aucune de leurs versions principales ne propose la segmentation d’instances ni l’estimation de pose.

Cas d’utilisation et recommandations#

Le choix entre RT-DETR et YOLOv6 dépend des exigences spécifiques de ton projet, de tes 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 YOLOv6#

YOLOv6 est recommandé pour :

  • Déploiement adapté au matériel industriel : les scénarios où la conception de YOLOv6, adaptée au matériel, et son reparamétrage efficace optimisent les performances sur un matériel cible spécifique.
  • Détection rapide à un seul étage : les applications qui privilégient la vitesse d’inférence brute sur GPU pour le traitement vidéo en temps réel dans des environnements contrôlés.
  • Intégration à l’écosystème Meituan : les équipes qui travaillent déjà dans la pile technologique et l’infrastructure de déploiement de Meituan.

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.

L’avantage Ultralytics#

Le choix d’un modèle ne se résume pas aux chiffres des benchmarks ; l’expérience développeur, la flexibilité du déploiement et la prise en charge de l’écosystème comptent également. Les modèles intégrés à l’écosystème Ultralytics offrent plusieurs avantages par rapport aux dépôts de recherche statiques.

  • Facilité d’utilisation : le paquet Python ultralytics propose une API simple. L’entraînement, la validation et l’exportation des modèles ne nécessitent que quelques lignes de code.
  • Écosystème bien entretenu : contrairement aux dépôts universitaires isolés, le paquet ultralytics et la plateforme Ultralytics sont activement entretenus et prennent en charge l’exportation vers des formats tels que ONNX, OpenVINO et CoreML.
  • Efficacité de l’entraînement : les modèles Ultralytics YOLO utilisent généralement moins de mémoire GPU à l’entraînement que les architectures Transformer comme RTDETRv2, ce qui permet d’utiliser des lots plus importants sur du matériel grand public.
  • Polyvalence : contrairement à YOLOv6-3.0, qui se concentre sur la détection, YOLO26 prend en charge la détection, 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) dans un cadre unique.
Déploiement simplifié

Avec la CLI Ultralytics, exporter un modèle entraîné pour un déploiement edge est aussi simple que d'exécuter : yolo export model=yolo11n.pt format=tensorrt.

Place à YOLO26#

RTDETRv2 et YOLOv6-3.0 ont chacun leurs points forts, mais pour les équipes qui démarrent de nouveaux projets de vision par ordinateur, nous recommandons YOLO26, lancé par Ultralytics en janvier 2026.

YOLO26 associe les points forts des CNN industriels et des Transformer modernes :

  • Conception de bout en bout sans NMS : reprenant l’approche introduite dans YOLOv10, YOLO26 propose une tête facultative sans NMS (nms=False) qui ignore le post-traitement NMS et offre une latence prévisible similaire à celle de RTDETRv2, avec une empreinte mémoire plus faible.
  • Optimiseur MuSGD : inspiré des techniques d’entraînement des grands modèles de langage (LLM), telles que celles de Kimi K2 de Moonshot AI, cet hybride de SGD et de Muon assure un entraînement plus stable et une convergence plus rapide.
  • Optimisé pour la périphérie : grâce à la suppression de la perte focale de distribution (DFL), YOLO26n s’exécute jusqu’à 43 % plus vite sur CPU que YOLO11n, ce qui le rend adapté aux appareils mobiles et IoT sans accélération GPU.
  • ProgLoss + STAL : la perte progressive et l’assignation d’étiquettes sensible aux petites cibles (STAL) améliorent la reconnaissance des petits objets, un défi de longue date pour les CNN, ce qui est utile pour l’imagerie aérienne et la robotique.

Exemple d’entraînement#

L’API Ultralytics entraîne les modèles en quelques lignes de code. L’exemple exécutable ci-dessous entraîne le modèle YOLO26 Nano sur le jeu de données COCO8 :

from ultralytics import YOLO

# Load the newly released YOLO26 Nano model
model = YOLO("yolo26n.pt")

# Train the model on the COCO8 dataset for 50 epochs
# The Ultralytics engine handles data caching and augmentation automatically
train_results = model.train(data="coco8.yaml", epochs=50, imgsz=640)

# Validate the model's performance
metrics = model.val()
print(f"Validation mAP50-95: {metrics.box.map}")

# Export the trained model to ONNX format for production
model.export(format="onnx")

Résumé#

Pour choisir entre RTDETRv2 et YOLOv6-3.0, la décision dépend principalement de ton matériel et de tes contraintes de latence. RTDETRv2 excelle dans les environnements de recherche et le traitement côté serveur, où il est essentiel de gérer des objets complexes qui se chevauchent. YOLOv6-3.0 reste un excellent choix pour les lignes de production à haut débit équipées de puissants GPU NVIDIA.

Pour les développeurs qui veulent une inférence sans NMS comme avec un Transformer, tout en profitant de la vitesse et de la faible empreinte mémoire d’un CNN, YOLO26 est le choix recommandé. Sa documentation, sa communauté active et les outils Ultralytics aident les projets d’IA de vision à passer du prototype à la production.

Commentaires

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