RTDETRv2 vs YOLOv8#

Le paysage de la vision par ordinateur évolue constamment, notamment sous l’effet de la rivalité entre les réseaux neuronaux convolutifs (CNN) traditionnels et les nouvelles architectures basées sur des transformers. Dans cette comparaison technique complète, nous examinons les performances de RTDETRv2, un transformer de vision de premier plan, face à Ultralytics YOLOv8, l’un des modèles CNN les plus répandus et polyvalents du secteur. Les deux modèles offrent de puissantes capacités aux ingénieurs et aux chercheurs, mais leurs architectures sous-jacentes entraînent des différences notables en matière de méthodes d’entraînement, de contraintes de déploiement et de performances globales.

Présentation du modèle : RTDETRv2#

RTDETRv2 (transformer de détection en temps réel, version 2) s’appuie sur les bases solides de son prédécesseur et optimise l’architecture du transformer de vision afin d’accélérer l’inférence en temps réel.

Détails techniques clés :

• Auteurs : Wenyu Lv, Yian Zhao, Qinyao Chang, Kui Huang, Guanzhong Wang et Yi Liu
• Organisation : Baidu
• Date : 2024-07-24
• Liens : Publication ArXiv | Dépôt GitHub

Architecture et points forts#

RTDETRv2 repose sur une architecture hybride qui combine un backbone CNN avec une structure d’encodeur-décodeur de transformer. Le modèle peut ainsi examiner l’image dans son ensemble et gérer particulièrement bien les scènes complexes où les objets se chevauchent. L’une de ses caractéristiques les plus marquantes est sa conception native de bout en bout, qui contourne entièrement le post-traitement par suppression non maximale (NMS). Cela réduit la complexité algorithmique lors des dernières étapes du pipeline de détection. De plus, ses capacités de détection multi-échelle lui permettent d’identifier efficacement aussi bien les structures imposantes que les minuscules éléments d’arrière-plan.

Points faibles#

Malgré sa puissante compréhension du contexte, les architectures basées sur des transformers comme RTDETRv2 exigent d’importantes ressources de calcul pendant l’entraînement. Elles nécessitent beaucoup de mémoire CUDA, ce qui rend leur entraînement difficile sur du matériel grand public. De plus, configurer un jeu de données personnalisé et ajuster les hyperparamètres d’entraînement requiert souvent une expertise approfondie du domaine, car le modèle ne dispose pas d’un wrapper logiciel abouti et adapté aux débutants. Le déploiement sur des appareils en périphérie à faible consommation, comme les anciens modèles de Raspberry Pi, peut également s’avérer difficile en raison des mécanismes d’attention gourmands.

En savoir plus sur RTDETRv2

Présentation du modèle : YOLOv8#

Depuis sa sortie, Ultralytics YOLOv8 s’est imposé comme une référence du secteur pour les tâches de vision par ordinateur en production, en privilégiant une expérience développeur irréprochable et une précision de premier ordre.

Détails techniques clés :

• Auteurs : Glenn Jocher, Ayush Chaurasia et Jing Qiu
• Organisation : Ultralytics
• Date : 10 janvier 2023
• Liens : Documentation officielle | Dépôt GitHub

Architecture et points forts#

YOLOv8 utilise une architecture CNN sans ancres hautement optimisée, dotée d’une tête découplée, ce qui améliore considérablement la localisation des objets et la précision de la classification par rapport aux générations précédentes. Ses principaux atouts sont son efficacité remarquable et sa polyvalence. Par rapport aux transformers de vision, cette architecture nécessite nettement moins de mémoire pendant l’entraînement, ce qui permet aux utilisateurs d’exécuter des tailles de lot plus importantes sur des GPU standards. De plus, l’écosystème Ultralytics offre un flux de travail fluide et inégalé. L’API Python unifiée permet de réaliser l’optimisation des hyperparamètres, l’entraînement, la validation et l’export en quelques lignes de code seulement.

Points faibles#

YOLOv8 s’appuie bien sur le NMS traditionnel lors de son étape de post-traitement. Le moteur Ultralytics gère efficacement cette opération en arrière-plan, mais elle ajoute techniquement une légère latence de post-traitement par rapport aux architectures nativement dépourvues de NMS.

Comparaison des performances et des métriques#

La comparaison des chiffres bruts montre que les deux modèles privilégient des aspects différents du pipeline de déploiement. Voici une analyse comparative de leurs performances.

Besoins en mémoire et efficacité de l’entraînement#

Le coût d’entraînement est un facteur déterminant, aussi bien pour les développeurs indépendants que pour les équipes d’entreprise. Les modèles YOLO d’Ultralytics nécessitent beaucoup moins de mémoire CUDA pendant le processus d’entraînement que les architectures de transformers. Un modèle RTDETRv2 standard peut facilement saturer un GPU grand public, tandis que YOLOv8 converge rapidement et de manière fiable sur du matériel comme la NVIDIA RTX 4070.

Écosystème, API et facilité d’utilisation#

Le véritable facteur de différenciation des solutions d’IA modernes est le framework logiciel qui les accompagne. L’écosystème Ultralytics simplifie les défis complexes de l’ingénierie. Grâce à son développement actif et à l’aide précieuse de sa communauté sur des plateformes comme Discord, YOLOv8 évite que ton projet ne soit bloqué par une documentation insuffisante.

De plus, YOLOv8 va au-delà de la détection d’objets standard. C’est un véritable réseau multitâche qui prend nativement en charge la segmentation d’instances, l’estimation de pose, la classification d’images et les boîtes englobantes orientées (OBB). RTDETRv2 reste fortement axé sur la détection seule.

Exemple de code : la simplicité unifiée#

Avec l’API Python d’Ultralytics, tu peux facilement expérimenter avec les deux familles de modèles dans un environnement unifié.

from ultralytics import RTDETR, YOLO

# Charge facilement un modèle RT-DETR et un modèle YOLOv8
model_transformer = RTDETR("rtdetr-l.pt")
model_cnn = YOLO("yolov8l.pt")

# Effectue une prédiction sur une image d’exemple avec exactement la même API
results_transformer = model_transformer("https://ultralytics.com/images/bus.jpg")
results_cnn = model_cnn("https://ultralytics.com/images/bus.jpg")

# Exporte YOLOv8 en ONNX pour un déploiement rapide en périphérie
model_cnn.export(format="onnx")

Une fois l’entraînement terminé, YOLOv8 prend en charge l’export en un clic vers ONNX, TensorRT et OpenVINO, garantissant une inférence à haut débit sur diverses plateformes matérielles.

Cas d’utilisation et recommandations#

Le choix entre RT-DETR et YOLOv8 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 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 YOLOv8#

YOLOv8 est recommandé pour :

• Déploiement polyvalent multi-tâches : les projets qui nécessitent un modèle éprouvé pour la détection, la segmentation, la classification et l’estimation de pose dans l’écosystème Ultralytics.
• Systèmes de production établis : les environnements de production existants déjà basés sur l’architecture YOLOv8 et dotés de pipelines de déploiement stables et bien testés.
• Large soutien de la communauté et de l’écosystème : les applications qui tirent parti des nombreux tutoriels, intégrations tierces et ressources communautaires actives de YOLOv8.

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 exclusivement CPU : les appareils dépourvus d’accélération GPU dédiée, où l’inférence CPU jusqu’à 43 % plus rapide de YOLO26 constitue un avantage décisif.
• Détection de petits objets : les situations difficiles, comme l’imagerie aérienne par drone ou l’analyse de capteurs IoT, où ProgLoss et STAL améliorent considérablement la précision pour les objets minuscules.

Perspectives : l’avantage de YOLO26#

YOLOv8 reste une avancée historique, mais la vision par ordinateur évolue à une vitesse incroyable. Pour les équipes qui recherchent ce qui se fait de mieux en 2026, Ultralytics YOLO26 marque un changement de paradigme.

Si la conception sans NMS de RTDETRv2 t’intéresse, YOLO26 intègre une conception native de bout en bout sans NMS, qui allie la simplicité de post-traitement des transformers à la vitesse fulgurante des CNN. De plus, YOLO26 utilise le révolutionnaire optimiseur MuSGD, qui apporte aux modèles de vision la stabilité d’entraînement des LLM et permet une convergence extrêmement rapide. Grâce à la suppression de DFL (Distribution Focal Loss, supprimée pour simplifier l’export et améliorer la compatibilité avec les appareils en périphérie et à faible consommation), YOLO26 offre une inférence CPU jusqu’à 43 % plus rapide. Avec les mécanismes avancés ProgLoss + STAL, qui améliorent la détection des petits objets, YOLO26 constitue sans conteste la mise à niveau recommandée par rapport à YOLOv8 et RTDETRv2.

Pour en savoir plus sur d’autres modèles, consulte nos guides sur YOLO11 ou lis notre analyse détaillée de YOLOv10 vs YOLOv8 pour découvrir l’évolution des architectures sans NMS dans la famille YOLO.