Commencer

RTDETRv2 vs YOLOv7

La vision par ordinateur a beaucoup progressé ces dernières années, grâce aux avancées des réseaux neuronaux convolutifs (CNN) et des Transformers de vision (ViTs). Pour choisir une architecture à déployer, il faut comprendre les compromis entre vitesse, précision et charge de calcul. Ce guide compare les différences techniques entre deux architectures bien connues, RTDETRv2 et YOLOv7, et présente le modèle plus récent YOLO26 d’Ultralytics.

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

RTDETRv2 (Real-Time Detection Transformer version 2) s’appuie sur son prédécesseur pour démontrer que les architectures fondées sur les Transformers peuvent rivaliser en temps réel sans recourir aux étapes traditionnelles de post-traitement.

Points forts de l’architecture#

RTDETRv2 utilise un encodeur hybride et un décodeur Transformer. Le mécanisme d’auto-attention permet au modèle de traiter toute l’image à la fois, et donc de saisir les relations spatiales que les noyaux convolutionnels strictement locaux ne détectent pas. Sa caractéristique principale est sa conception native sans NMS. En éliminant la suppression des non-maxima (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 traiter des objets denses et superposés dans des scènes complexes. Le contexte global fourni par les couches d’attention du Transformer améliore la précision, en particulier dans les scénarios où les occultations sont fréquentes.

Cependant, cela a un coût en calcul. Les modèles Transformer ont généralement une empreinte mémoire plus importante à l’entraînement et à l’inférence que les CNN. Cela limite la taille des lots sur les GPU grand public et peut allonger 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.

Points forts de l’architecture#

L’architecture de YOLOv7 repose sur le concept de réseau d’agrégation de couches efficaces étendu (E-ELAN). Cette approche optimise le chemin du gradient, permettant au modèle d’apprendre plus efficacement sans augmenter fortement la complexité computationnelle. Les auteurs ont également introduit les « trainable bag-of-freebies », un ensemble de méthodes qui améliorent la précision du modèle pendant l’entraînement sans augmenter le coût de l’inférence.

Atouts et limites#

YOLOv7 reste un modèle performant pour les tâches standard de détection d’objets, avec un traitement rapide sur les GPU grand public. En tant que CNN, il nécessite généralement moins de mémoire CUDA à l’entraînement que les modèles basés sur Transformer comme RTDETRv2.

Malgré ces avantages, YOLOv7 s’appuie toujours sur NMS pour le post-traitement. Dans les environnements où les prédictions sont très denses, l’étape NMS peut entraîner des fluctuations du temps de traitement, ce qui rend difficiles les garanties strictes de temps réel. De plus, YOLOv7 gère des tâches comme la segmentation d’instances et l’estimation de pose dans des branches de code distinctes plutôt que dans un cadre unifié.

En savoir plus sur YOLOv7

Comparaison des performances#

Le tableau ci-dessous compare la précision moyenne (mAP), le nombre de paramètres et la vitesse d’inférence 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
YOLOv7l64051.4-6.8436.9104.7
YOLOv7x64053.1-11.5771.3189.9
Contexte des performances

RTDETRv2-x obtient le mAP le plus élevé (54.3), mais possède également le plus grand nombre de paramètres et de FLOPs. YOLOv7l (51.4 mAP, 6.84 ms) est légèrement plus rapide que RTDETRv2-m (51.9 mAP, 7.51 ms), tandis que RTDETRv2-l (53.4 mAP, 9.76 ms) est à la fois plus précis et plus rapide que YOLOv7x (53.1 mAP, 11.57 ms). Aucun des deux modèles ne fournit ici de vitesse sur CPU ; les utilisateurs ciblant des environnements basse consommation sans GPU dédié devraient donc évaluer eux-mêmes l’inférence sur CPU.

La solution moderne : voici YOLO26#

RTDETRv2 et YOLOv7 ont tous deux fait progresser les applications de vision par ordinateur, et le domaine a continué d’évoluer. Lancé en janvier 2026, YOLO26 associe l’efficacité des CNN à une inférence sans NMS facultative, similaire à celle des détecteurs Transformer.

Pour les développeurs et les chercheurs qui créent de nouveaux systèmes, la plateforme Ultralytics intégrée et l’écosystème Python fournissent un flux de travail unifié qui réduit le travail d’intégration et de maintenance.

Principales innovations de YOLO26#

  • Conception de bout en bout sans NMS : YOLO26 prend en charge l’inférence native de bout en bout, en ignorant le post-traitement NMS grâce à sa tête facultative à correspondance un-à-un (nms=False), pour un déploiement plus rapide et plus simple. Cette approche, introduite pour la première fois dans YOLOv10, garantit une latence stable quelle que soit la densité des objets.
  • Jusqu’à 43 % d’inférence CPU plus rapide : YOLO26n s’exécute jusqu’à 43 % plus vite sur CPU que YOLO11n, ce qui convient à l’informatique en périphérie et aux appareils sans GPU, sur lesquels les modèles Transformer plus lourds sont plus difficiles à déployer.
  • Optimiseur MuSGD : un hybride de SGD et de Muon (inspiré de Kimi K2 de Moonshot AI) qui transpose les techniques d’entraînement des grands modèles de langage (LLM) à la vision par ordinateur, pour un entraînement plus stable 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 : la perte progressive et l’assignation d’étiquettes sensible aux petites cibles (STAL) améliorent la reconnaissance des petits objets, essentielle 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#

Un avantage clé des modèles Ultralytics comme YOLO26 (ou le très utilisé YOLO11) réside dans leur écosystème bien entretenu. L’entraînement sur un jeu de données personnalisé ne nécessite que quelques lignes de code :

from ultralytics import YOLO

# Initialiser le modèle YOLO26
model = YOLO("yolo26s.pt")

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

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

Cas d’utilisation et applications idéaux#

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

Quand envisager RTDETRv2#

RTDETRv2 est efficace dans les environnements de traitement côté serveur équipés de GPU puissants. Son mécanisme d’attention globale le rend adapté à la compréhension de scènes complexes, comme la surveillance d’événements très fréquentés ou l’imagerie médicale spécialisée, 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.

Pour les infrastructures modernes de ville intelligente, la navigation par drone et la fabrication à grande vitesse, YOLO26 offre un excellent compromis entre vitesse et précision. Ses besoins en mémoire plus faibles rendent le réglage des hyperparamètres et l’entraînement accessibles sur du matériel grand public, tandis que son inférence facultative sans NMS et ses optimisations CPU conviennent aux appareils périphériques à ressources limitées comme le Raspberry Pi ou NVIDIA Jetson.

Découvre d’autres comparaisons

Tu veux savoir comment ces modèles se comparent à d’autres architectures ? Consulte nos guides détaillés sur YOLO11 vs RT-DETR et YOLOv8 vs YOLOv7 pour trouver le modèle adapté à ton projet d’IA de vision.

Commentaires

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