Commencer

YOLO11 vs EfficientDet

Pour choisir le bon réseau neuronal pour des projets de vision par ordinateur, il faut comprendre les architectures disponibles. Ce guide compare Ultralytics YOLO11 et EfficientDet de Google, en abordant leurs différences architecturales, leurs indicateurs de performance, leur efficacité d’entraînement et leurs scénarios de déploiement idéaux afin de t’aider à choisir le bon modèle pour tes charges de travail d’apprentissage automatique.

Présentation et caractéristiques des modèles#

Les deux modèles ont façonné la recherche en détection d’objets dans le domaine de l’apprentissage profond, malgré des philosophies de conception et des périodes de développement de l’IA différentes.

Détails sur YOLO11#

Présentation d’EfficientDet#

En savoir plus sur EfficientDet

Atout de l’écosystème

L’écosystème qui entoure le modèle compte tout autant que le modèle lui-même. L’écosystème Ultralytics propose une documentation complète, le soutien d’une communauté active et l’export vers des formats comme ONNX et TensorRT en une seule ligne de commande.

Innovations architecturales#

EfficientDet : BiFPN et mise à l’échelle composée#

Présenté fin 2019, EfficientDet visait à maximiser la précision tout en réduisant le coût de calcul. Il y parvient principalement grâce à deux mécanismes. Premièrement, son backbone provient de la famille EfficientNet, qui fait évoluer conjointement la profondeur, la largeur et la résolution grâce à une mise à l’échelle composée. Deuxièmement, il a introduit le réseau pyramidal de caractéristiques bidirectionnel (BiFPN), qui permet une fusion de caractéristiques multi-échelle simple et rapide.

Bien qu’efficace pour son époque, l’implémentation d’AutoML d’EfficientDet basée sur TensorFlow peut manquer de souplesse. Par rapport aux frameworks modernes et modulaires basés sur PyTorch, les chercheurs trouvent souvent le pruning de modèles et les modifications personnalisées difficiles.

YOLO11 : extraction de caractéristiques améliorée et polyvalence#

YOLO11 s’appuie sur ses prédécesseurs en combinant des blocs C3k2 et l’attention spatiale C2PSA avec un module rapide Spatial Pyramid Pooling (SPPF). Ces modifications améliorent l’extraction des caractéristiques et aident YOLO11 à capturer les détails visuels fins.

Un atout majeur de YOLO11 est sa polyvalence. Alors qu’EfficientDet se limite à la détection d’objets, YOLO11 prend nativement en charge la segmentation d’instances, la classification d’images, l’estimation de pose et les boîtes englobantes orientées (OBB). YOLO11 nécessite également peu de mémoire pendant l’entraînement et l’inférence, ce qui lui donne un avantage sur les anciens modèles et les transformers de vision plus volumineux, sur du matériel d’IA edge aux ressources limitées.

Performances et benchmarks#

L’équilibre entre la précision, mesurée par la précision moyenne (mAP), et la vitesse d’inférence détermine souvent les déploiements en conditions réelles. Le tableau ci-dessous présente les performances des deux familles de modèles sur le jeu de données COCO.

Modèletaille
(pixels)
mAPval50-95Vitesse
CPU ONNX
(ms)
Vitesse
T4 TensorRT10
(ms)
paramètres
(M)
FLOPs
(B)
YOLO11n64039.556.11.52.66.5
YOLO11s64047.090.02.59.421.6
YOLO11m64051.5183.24.720.168.1
YOLO11l64053.4238.66.225.387.2
YOLO11x64054.7462.811.356.9195.3
EfficientDet-d051234.6-3.923.92.54
EfficientDet-d164040.5-7.316.66.1
EfficientDet-d276843.0-10.928.111.0
EfficientDet-d389647.5-19.5912.024.9
EfficientDet-d4102449.7-33.5520.755.2
EfficientDet-d5128051.5-67.8633.7130.0
EfficientDet-d6128052.6-89.2951.9226.0
EfficientDet-d7153653.7-128.0751.9325.0

YOLO11 est nettement plus rapide sur GPU avec une précision similaire. YOLO11s atteint presque les performances d’EfficientDet-d3 (47,0 contre 47,5 mAP) en 2,5 ms au lieu de 19,59 ms sur un T4 avec TensorRT, et YOLO11x offre la précision la plus élevée (54,7 mAP) en 11,3 ms contre 128,07 ms pour EfficientDet-d7 (53,7 mAP). EfficientDet-d0 est le modèle qui demande le moins de FLOPs (2,54B).

Efficacité de l’entraînement et écosystème#

Les modèles Ultralytics sont conçus pour être faciles à utiliser. Entraîner un modèle EfficientDet nécessite souvent de naviguer dans des configurations de graphes TensorFlow complexes et des chaînes de dépendances, tandis que YOLO11 repose sur une base moderne PyTorch.

Grâce à cet écosystème bien entretenu, les développeurs peuvent installer le paquet, charger un modèle préentraîné et commencer à l’entraîner sur un jeu de données personnalisé en quelques lignes de code seulement.

Exemple de code Python#

Voici un exemple entièrement exécutable qui montre à quel point l’API Ultralytics est simple. Ce script télécharge un modèle YOLO11 préentraîné, l’entraîne et effectue une prédiction rapide.

from ultralytics import YOLO

# Initialise un modèle YOLO11 nano préentraîné
model = YOLO("yolo11n.pt")

# Entraîne efficacement le modèle avec le moteur PyTorch intégré
# L’entraînement est très efficace et nécessite moins de VRAM que les anciens modèles
results = model.train(data="coco8.yaml", epochs=10, imgsz=640, device="cpu")

# Lance l’inférence en temps réel sur une image d’exemple
prediction = model.predict("https://ultralytics.com/images/bus.jpg")

# Affiche les boîtes englobantes en sortie
prediction[0].show()

Perspectives : l’avantage de YOLO26#

Les équipes qui démarrent de nouveaux projets devraient envisager Ultralytics YOLO26, lancé en janvier 2026, qui simplifie le déploiement et améliore les performances edge.

Principales innovations de YOLO26 :

  • Conception de bout en bout sans NMS : une tête facultative un-à-un (nms=False) évite le post-traitement par suppression non maximale (NMS), assurant à YOLO26 une latence faible et constante pour la robotique à haute vitesse et la conduite autonome.
  • Inférence CPU jusqu’à 43 % plus rapide : pour les déploiements sans GPU dédié, YOLO26n s’exécute jusqu’à 43 % plus rapidement sur CPU que YOLO11n.
  • Optimiseur MuSGD : inspiré de Kimi K2 de Moonshot AI, cet hybride de SGD et Muon apporte à la vision par ordinateur la stabilité de l’entraînement des grands modèles de langage (LLM) et accélère la convergence.
  • ProgLoss + STAL : la perte progressive et l’assignation d’étiquettes sensible aux petites cibles (STAL) améliorent la reconnaissance des petits objets, souvent problématique pour l’analyse d’images satellite et les images prises par drone.
  • Suppression de la DFL : l’abandon de la Distribution Focal Loss simplifie le processus d’exportation du modèle vers les appareils périphériques.
Autres modèles à découvrir

Si ton projet répond à des exigences très spécifiques, tu peux aussi comparer les performances du modèle RT-DETR pour la détection basée sur Transformer, ou celles du très répandu YOLOv8, qui reste un incontournable dans de nombreux déploiements d’entreprise hérités.

Cas d’utilisation et recommandations#

Le choix entre YOLO11 et EfficientDet dépend des exigences propres à ton projet, de tes contraintes de déploiement et de tes préférences en matière d’écosystème.

Quand choisir YOLO11#

YOLO11 est un excellent choix pour :

  • Déploiement en périphérie en production : applications commerciales sur des appareils comme Raspberry Pi ou NVIDIA Jetson, où la fiabilité et la maintenance active sont primordiales.
  • Applications de vision multitâches : projets nécessitant la détection, la segmentation, l’estimation de pose et l’OBB au sein d’un framework unifié.
  • Prototypage et déploiement rapides : équipes qui doivent passer rapidement de la collecte des données à la production à l’aide de l’API Python Ultralytics.

Quand choisir EfficientDet#

EfficientDet est recommandé pour :

  • Google Cloud et pipelines TPU : systèmes basés sur TensorFlow exécutés sur l’infrastructure Google Cloud TPU, où l’implémentation de référence d’EfficientDet prend en charge l’entraînement sur TPU.
  • Recherche sur la mise à l’échelle composée : évaluation comparative universitaire axée sur l’étude des effets d’une mise à l’échelle équilibrée de la profondeur, de la largeur et de la résolution du réseau.
  • Déploiement mobile avec LiteRT : projets nécessitant spécifiquement l’exportation vers LiteRT (anciennement TensorFlow Lite) pour Android ou les appareils Linux embarqués.

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 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.

Conclusion#

EfficientDet a été une architecture pionnière qui a démontré l’intérêt de la mise à l’échelle composée pour la détection d’objets. Les modèles plus récents sont plus performants, plus faciles à intégrer et plus rapides à exécuter sur GPU.

Grâce à sa prise en charge de plusieurs tâches, à son inférence rapide sur GPU et à son API simple, YOLO11 est le meilleur choix pour les pipelines de vision modernes. Pour les nouveaux projets, en particulier ceux privilégiant le déploiement edge, YOLO26 ajoute une inférence facultative sans NMS et une précision accrue.

Commentaires

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