RTDETRv2 vs YOLOv7#

Le paysage de la vision par ordinateur s’est considérablement étendu ces dernières années, grâce aux innovations constantes des réseaux neuronaux convolutifs (CNN) et des transformers de vision (ViT). Pour choisir l’architecture adaptée à ton déploiement, tu dois comprendre les compromis subtils entre vitesse, précision et ressources de calcul. Ce guide examine les différences techniques entre deux architectures très réputées, RTDETRv2 et YOLOv7, et présente également les avancées modernes d’Ultralytics YOLO26, plus récent.

RTDETRv2 : l’approche transformer pour la détection en temps réel#

RTDETRv2 (transformer de détection en temps réel, version 2) s’appuie sur les bases posées par son prédécesseur et démontre que les architectures basées sur des transformers peuvent être efficaces en temps réel sans recourir aux étapes traditionnelles de post-traitement.

• 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 : Dépôt RTDETRv2

Points forts de l’architecture#

RTDETRv2 utilise une architecture à encodeur hybride et à décodeur Transformer. En tirant parti des mécanismes d’auto-attention, le modèle traite l’image dans son ensemble, ce qui lui permet de mieux comprendre les relations spatiales complexes que les noyaux convolutionnels strictement localisés. L’une de ses caractéristiques les plus distinctives est sa conception native sans NMS. En éliminant la suppression non maximale (NMS), RTDETRv2 supprime un goulot d’étranglement courant qui entraîne une latence d’inférence variable lors du déploiement.

Atouts et limites#

Le principal atout de RTDETRv2 réside dans sa capacité à gérer des objets denses et chevauchants dans des scènes complexes. Le contexte global fourni par les couches d’attention du transformer lui confère une grande précision, notamment dans les situations où les occultations sont fréquentes.

Cette capacité a toutefois un coût en calcul. À l’entraînement comme à l’inférence, les modèles de transformers nécessitent généralement davantage de mémoire que les CNN. De plus, RTDETRv2 nécessite généralement plus d’époques pour converger lors de l’entraînement distribué, ce qui allonge les cycles d’itération des développeurs qui ajustent des jeux de données personnalisés.

En savoir plus sur RTDETRv2

YOLOv7 : une référence CNN axée sur la vitesse#

Lancé deux ans avant RTDETRv2, YOLOv7 a introduit plusieurs optimisations structurelles au framework YOLO classique et établi, à sa publication, une référence solide pour les détecteurs en temps réel basés sur des CNN.

• Auteurs : Chien-Yao Wang, Alexey Bochkovskiy et Hong-Yuan Mark Liao
• Organisation : Institute of Information Science, Academia Sinica, Taïwan
• Date : 2022-07-06
• Arxiv : https://arxiv.org/abs/2207.02696
• GitHub : Dépôt YOLOv7

Points forts de l’architecture#

L’architecture de YOLOv7 repose sur le principe du réseau d’agrégation de couches étendu et efficace (E-ELAN). Cette approche optimise le chemin du gradient, ce qui permet au modèle d’apprendre plus efficacement sans augmenter considérablement la complexité de calcul. Les auteurs ont également introduit un « ensemble de méthodes gratuites entraînables », qui améliorent la précision du modèle pendant l’entraînement sans affecter sa vitesse d’inférence sur les appareils en périphérie.

Atouts et limites#

YOLOv7 reste un modèle très performant pour les tâches standard de détection d’objets, avec d’excellentes vitesses de traitement sur les GPU grand public. De nature CNN, il nécessite généralement moins de mémoire CUDA à l’entraînement que les modèles basés sur des transformers comme RTDETRv2.

Malgré ces avantages, YOLOv7 s’appuie toujours sur le NMS pour le post-traitement. Dans les environnements où les prédictions sont très nombreuses, l’étape NMS peut faire varier le temps de traitement et rendre difficiles les garanties strictes de temps réel. De plus, par rapport aux frameworks modernes, la gestion de tâches variées comme la segmentation d’instances et l’estimation de pose peut être fragmentée.

En savoir plus sur YOLOv7

Comparaison des performances#

L’évaluation de ces modèles nécessite de trouver le juste équilibre entre la précision moyenne (mAP), le nombre de paramètres et la vitesse d’inférence.

La solution moderne : voici YOLO26#

RTDETRv2 et YOLOv7 ont contribué à repousser les limites des applications de vision par ordinateur, mais le paysage de l’IA évolue rapidement. Lancé en janvier 2026, YOLO26 réunit le meilleur de l’efficacité des CNN et des architectures de type transformer sans NMS.

Pour les développeurs et les chercheurs qui conçoivent de nouveaux systèmes, la plateforme Ultralytics intégrée et l’écosystème Python offrent une expérience unifiée qui réduit considérablement la dette technique.

Principales innovations de YOLO26#

• Conception de bout en bout sans NMS : YOLO26 fonctionne nativement de bout en bout et évite le post-traitement NMS grâce à sa tête facultative un-à-un (nms=False), pour un déploiement plus rapide et plus simple. Cette approche révolutionnaire a été inaugurée par YOLOv10 et garantit une latence stable, quelle que soit la densité des objets.
• Inférence CPU jusqu’à 43 % plus rapide : optimisé spécialement pour l’informatique en périphérie et les appareils sans GPU, YOLO26 est beaucoup plus polyvalent que les modèles de transformers lourds pour les déploiements sur le terrain.
• Optimiseur MuSGD : une approche hybride qui combine SGD et Muon, inspirée par Kimi K2 de Moonshot AI, et qui apporte à la vision par ordinateur les innovations d’entraînement des LLM pour une meilleure stabilité et une convergence plus rapide.
• Suppression de DFL : Distribution Focal Loss a été supprimée, ce qui simplifie le graphe de calcul et facilite l’export vers les NPU intégrés et les environnements TensorRT.
• ProgLoss + STAL : des fonctions de perte améliorées renforcent nettement la reconnaissance des petits objets, un atout essentiel pour la robotique, l’IoT et l’analyse d’images aériennes.
• Améliorations propres à chaque tâche : YOLO26 ne se limite pas à la détection. Il intègre des prototypes multi-échelles pour la segmentation, l’estimation résiduelle du maximum de vraisemblance (RLE) pour l’estimation de pose et une fonction de perte angulaire spécialisée qui corrige les problèmes de limites des boîtes englobantes orientées (OBB).

Une expérience développeur simplifiée#

Le véritable avantage de choisir un modèle Ultralytics comme YOLO26 (ou le très populaire YOLO11) réside dans son écosystème bien entretenu. L’entraînement sur un jeu de données personnalisé nécessite très peu de code passe-partout :

from ultralytics import YOLO

# Initialise le modèle YOLO26 de pointe
model = YOLO("yolo26s.pt")

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

# Exporte facilement pour un déploiement en périphérie
model.export(format="onnx", dynamic=True)

Cas d’utilisation et applications idéaux#

Le choix entre ces architectures dépend largement du matériel cible et des exigences opérationnelles spécifiques.

Quand envisager RTDETRv2#

RTDETRv2 est particulièrement efficace dans les environnements de traitement côté serveur équipés de GPU puissants. Son mécanisme d’attention globale convient à la compréhension de scènes complexes, par exemple pour surveiller des événements très fréquentés ou réaliser des analyses d’imagerie médicale spécialisées où les caractéristiques qui se chevauchent nécessitent une analyse contextuelle approfondie.

Quand envisager YOLOv7#

YOLOv7 est souvent conservé comme modèle de référence dans les anciens travaux de recherche universitaires. On le trouve également dans d’anciens déploiements industriels dont les pipelines sont codés en dur pour des versions spécifiques de PyTorch et qui n’ont pas besoin de la polyvalence multitâche des frameworks plus récents.

Pourquoi YOLO26 est la nouvelle référence recommandée#

Pour les infrastructures de villes intelligentes, la navigation par drone et la fabrication à grande vitesse, YOLO26 offre un équilibre inégalé. Ses besoins en mémoire réduits rendent l’optimisation des hyperparamètres et l’entraînement accessibles sur du matériel grand public, tandis que son inférence sans NMS garantit une exécution rapide sur des appareils en périphérie aux ressources limitées, comme le Raspberry Pi ou le NVIDIA Jetson.