RTDETRv2 vs YOLOv8
Les modèles de vision par ordinateur pour la détection d’objets se répartissent de plus en plus entre deux catégories : les réseaux neuronaux convolutifs (CNN) et les architectures récentes fondées sur les Transformers. Cette comparaison technique examine RTDETRv2, un Transformer de détection en temps réel, par rapport à Ultralytics YOLOv8, l’un des modèles CNN les plus largement adoptés. Les deux modèles sont performants, mais leurs architectures entraînent des différences importantes en matière d’entraînement, de contraintes de déploiement et de performances.
Présentation du modèle : RTDETRv2#
RTDETRv2 (Real-Time Detection Transformer version 2) s’appuie sur le RT-DETR d’origine en optimisant son architecture Transformer pour 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 utilise une architecture hybride qui combine un backbone CNN avec un encodeur-décodeur Transformer. Le modèle peut ainsi prendre en compte l’image entière à la fois, ce qui l’aide à traiter les scènes complexes où les objets se chevauchent. Sa caractéristique principale est sa conception native de bout en bout, qui ignore le post-traitement de suppression des non-maxima (NMS). Cela réduit la complexité algorithmique lors des dernières étapes du pipeline de détection. Ses caractéristiques multi-échelles l’aident aussi à détecter les grandes structures et les petits éléments d’arrière-plan.
Points faibles#
Malgré leur bonne compréhension du contexte, les architectures fondées sur les Transformers comme RTDETRv2 entraînent une charge de calcul élevée. Elles nécessitent davantage de mémoire CUDA, ce qui complique leur entraînement sur du matériel grand public. La configuration d’un jeu de données personnalisé et le réglage des hyperparamètres d’entraînement dans le dépôt officiel exigent aussi souvent une expertise du domaine, car celui-ci ne propose pas d’enveloppe logicielle adaptée aux débutants. Le déploiement sur des appareils en périphérie à faible consommation, comme les anciens modèles de Raspberry Pi, peut également être difficile en raison du coût computationnel élevé des couches d’attention.
Présentation du modèle : YOLOv8#
Depuis sa sortie, Ultralytics YOLOv8 est devenu une référence largement utilisée en vision par ordinateur de production, associant une expérience développeur simple à une grande précision.
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 avec une tête découplée, améliorant la localisation des objets et la précision de classification par rapport aux générations précédentes de YOLO. Ses principaux atouts sont l’efficacité et la polyvalence. L’architecture nécessite moins de mémoire pendant l’entraînement que les Transformers de vision, ce qui permet aux utilisateurs d’exécuter des tailles de lot plus importantes sur des GPU standard. L’écosystème Ultralytics fournit également un workflow simplifié : l’API Python unifiée gère le réglage des hyperparamètres, l’entraînement, la validation et l’exportation en quelques lignes de code.
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#
Le tableau ci-dessous compare la précision sur la validation COCO (mAP), la vitesse CPU et T4 TensorRT, le nombre de paramètres et les FLOPs. Les deux familles privilégient des étapes différentes du pipeline de déploiement.
| Modèle | taille (pixels) | mAPval50-95 | Vitesse CPU ONNX (ms) | Vitesse T4 TensorRT10 (ms) | paramètres (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| RTDETRv2-s | 640 | 48.1 | - | 5.03 | 20 | 60 |
| RTDETRv2-m | 640 | 51.9 | - | 7.51 | 36 | 100 |
| RTDETRv2-l | 640 | 53.4 | - | 9.76 | 42 | 136 |
| RTDETRv2-x | 640 | 54.3 | - | 15.03 | 76 | 259 |
| YOLOv8n | 640 | 37.3 | 80.4 | 1.47 | 3.2 | 8.7 |
| YOLOv8s | 640 | 44.9 | 128.4 | 2.66 | 11.2 | 28.6 |
| YOLOv8m | 640 | 50.2 | 234.7 | 5.86 | 25.9 | 78.9 |
| YOLOv8l | 640 | 52.9 | 375.2 | 9.06 | 43.7 | 165.1 |
| YOLOv8x | 640 | 53.9 | 479.1 | 14.37 | 68.2 | 257.8 |
RTDETRv2-x atteint une mAP maximale légèrement supérieure (54.3) à celle de YOLOv8x (53.9), et RTDETRv2 est plus précis à chaque taille comparable. YOLOv8 est plus rapide dans les petites tailles : YOLOv8s s’exécute presque deux fois plus vite que RTDETRv2-s sur TensorRT (2.66 ms contre 5.03 ms), avec presque deux fois moins de paramètres, mais une mAP inférieure de 3.2 points. Pour les grandes tailles, YOLOv8l et RTDETRv2-l ont des vitesses et des tailles similaires. Seul YOLOv8 indique ici des vitesses CPU ONNX.
Besoins en mémoire et efficacité de l’entraînement#
Le coût de l’entraînement compte autant pour les développeurs indépendants que pour les équipes d’entreprise. Les modèles Ultralytics YOLO nécessitent généralement moins de mémoire CUDA pendant le processus d’entraînement que les architectures Transformer. Un modèle RTDETRv2 standard peut devenir un goulot d’étranglement sur un GPU grand public, tandis que YOLOv8 s’entraîne de façon fiable sur du matériel comme la NVIDIA RTX 4070.
Écosystème, API et facilité d’utilisation#
Le framework logiciel associé est un autre facteur de différenciation majeur. L’écosystème Ultralytics prend en charge une grande partie du travail d’ingénierie ; le développement actif, la documentation détaillée et l’aide de la communauté sur Discord contribuent à faire avancer les projets.
YOLOv8 va aussi au-delà de la détection d’objets, avec une prise en charge native de la segmentation d’instances, de la classification d’images, de l’estimation de pose et des boîtes englobantes orientées (OBB). RTDETRv2 se limite à la détection.
Exemple de code : la simplicité unifiée#
L’API Python d’Ultralytics exécute les deux familles de modèles avec la même interface.
from ultralytics import RTDETR, YOLO
# Charger 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 entraîné, YOLOv8 s’exporte en une ligne vers ONNX, TensorRT et OpenVINO pour une inférence efficace sur différentes 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 multitâche : projets nécessitant 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 utilisant uniquement le CPU : les appareils dépourvus d’accélération GPU dédiée bénéficient d’un avantage décisif grâce à l’inférence CPU de YOLO26n, jusqu’à 43 % plus rapide que celle de YOLO11n.
- 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.
Perspectives : l’avantage de YOLO26#
YOLOv8 reste un modèle marquant, mais la vision par ordinateur évolue rapidement. Pour les équipes qui démarrent de nouveaux projets en 2026, Ultralytics YOLO26 est le successeur recommandé.
Si la conception sans NMS de RTDETRv2 t’intéresse, YOLO26 propose une conception facultative de bout en bout sans NMS (nms=False), qui combine la simplicité de post-traitement des Transformers avec la vitesse des CNN. YOLO26 utilise aussi l’optimiseur MuSGD, qui transpose aux modèles de vision les techniques d’entraînement des grands modèles de langage (LLM) pour un entraînement plus stable et une convergence plus rapide. Grâce à la suppression de DFL (Distribution Focal Loss est supprimée pour simplifier l’exportation et améliorer la compatibilité avec les appareils en périphérie et à faible consommation), YOLO26n offre une inférence CPU jusqu’à 43 % plus rapide que YOLO11n. Associé à ProgLoss + STAL (Progressive Loss et Small-Target-Aware Label Assignment), qui améliore la détection des petits objets, YOLO26 est la voie de mise à niveau recommandée depuis YOLOv8 et RTDETRv2.
Pour découvrir d’autres modèles, consulte YOLO11 ou lis l’analyse détaillée de YOLOv10 et YOLOv8 pour voir comment l’architecture sans NMS a évolué dans la famille YOLO.
Commentaires1
Pose une question, partage tes résultats ou aide quelqu’un d’autre.
CathyFisher(modifié)
Excellent technical comparison! RTDETRv2’s transformer-based architecture brings impressive accuracy and end-to-end detection without the need for NMS, which is quite innovative. However, this YOLOv8 comparison shows that v8 still excels in real-time performance, lighter deployment, and ease of customization. It’s clear that RTDETRv2 is pushing boundaries, but YOLOv8 remains a go-to for many practical applications due to its balance of speed and flexibility.