YOLO11 vs RTDETRv2 : Comparaison de l'évolution des CNN et des Vision Transformers

Le paysage de la vision par ordinateur s'est rapidement étendu, offrant aux développeurs une multitude de choix pour construire des applications robustes basées sur la vision. Dans le domaine de la détection d'objets en temps réel, le débat entre les réseaux de neurones convolutifs (CNN) et les Vision Transformers (ViTs) est plus présent que jamais. Cette comparaison technique se penche sur deux architectures majeures : YOLO11, qui représente le summum des frameworks CNN hautement optimisés, et RTDETRv2, une itération puissante de la famille Detection Transformer.

En analysant leurs architectures, leurs mesures de performance et leurs scénarios de déploiement idéaux, ce guide vise à aider les ingénieurs en apprentissage automatique à prendre des décisions éclairées. Bien que les deux modèles repoussent les limites de la précision, les modèles Ultralytics YOLO offrent généralement un meilleur équilibre entre vitesse, support de l'écosystème et facilité d'utilisation pour la production réelle.

YOLO11 : La référence en matière de polyvalence réelle

Introduit par Ultralytics, YOLO11 s'appuie sur des années de recherche fondamentale pour offrir un modèle rapide, précis et incroyablement polyvalent. Il est conçu pour gérer nativement la détection d'objets, la segmentation d'instances, la classification d'images, l' estimation de pose et l'extraction de boîtes englobantes orientées (OBB).

• Auteurs : Glenn Jocher et Jing Qiu
• Organisation : Ultralytics
• Date : 2024-09-27
• GitHub : Dépôt Ultralytics
• Docs : Documentation YOLO11

En savoir plus sur YOLO11

Architecture et points forts

YOLO11 dispose d'une architecture CNN affinée et de pyramides de caractéristiques spatiales avancées, le rendant exceptionnellement économe en ressources. Il excelle dans les environnements soumis à des contraintes matérielles strictes, en offrant une empreinte mémoire minimale aussi bien lors de l'entraînement que de l'inférence. La plateforme Ultralytics fournit un support natif pour YOLO11, permettant un suivi simplifié des modèles, l'annotation de données et l'entraînement dans le cloud sans avoir à assembler des outils MLOps disparates.

Pour les développeurs ciblant l'edge computing, YOLO11 offre une latence ultra-faible. Sa nature légère lui permet de fonctionner efficacement sur des appareils allant des Raspberry Pi aux téléphones mobiles grand public, en faisant un standard pour le commerce intelligent, le contrôle qualité industriel et la gestion automatisée du trafic.

RTDETRv2 : Les Transformers temps réel par Baidu

RTDETRv2 (Real-Time Detection Transformer version 2) représente l'effort de Baidu pour rendre les architectures basées sur les transformers viables pour les tâches en temps réel. Il s'appuie sur le RT-DETR original en incorporant une approche "bag-of-freebies" pour améliorer la précision de base sans augmenter la latence d'inférence.

• Auteurs : Wenyu Lv, Yian Zhao, Qinyao Chang, Kui Huang, Guanzhong Wang et Yi Liu
• Organisation : Baidu
• Date : 2024-07-24
• Arxiv : 2407.17140
• GitHub : Dépôt RT-DETRv2
• Docs : README RTDETRv2

En savoir plus sur RTDETR

Architecture et points forts

Contrairement aux CNN traditionnels, RTDETRv2 utilise une architecture encodeur-décodeur avec des mécanismes d'auto-attention, lui permettant de capturer le contexte global à travers une image. C'est particulièrement avantageux dans les scènes encombrées où les occlusions sont fréquentes. RTDETRv2 élimine le besoin de suppression non-maximale (NMS) lors du post-traitement, en s'appuyant plutôt sur le matching hongrois pendant l'entraînement pour un couplage biparti un-à-un.

Cependant, les modèles de transformers sont notoirement gourmands en VRAM et en mémoire CUDA. Entraîner RTDETRv2 à partir de zéro ou effectuer un fine-tuning sur des jeux de données personnalisés nécessite souvent des clusters GPU haut de gamme substantiels, ce qui peut être un obstacle pour les petites équipes agiles par rapport à l'empreinte d'entraînement légère des modèles Ultralytics.

Analyse des performances et des métriques

Lors de l'évaluation de ces modèles sur le jeu de données COCO standard, nous observons des compromis clairs entre les paramètres, les FLOPs et la précision brute.

Décryptage des résultats

Comme on peut le voir dans le tableau, YOLO11 offre un rapport performance-taille incroyable. Le YOLO11x atteint un mAP^val plus élevé (54,7) par rapport au RTDETRv2-x (54,3), tout en utilisant beaucoup moins de paramètres (56,9M contre 76M) et beaucoup moins de FLOPs computationnels (194,9B contre 259B).

De plus, les vitesses d'inférence de YOLO11 sur TensorRT T4 sont exceptionnellement rapides. YOLO11s termine l'inférence en seulement 2,5 ms, alors que le plus petit RTDETRv2-s prend 5,03 ms. Cela fait de YOLO11 le choix définitif pour les flux d'analyse vidéo en temps réel à haute vitesse où le temps de traitement des images est le principal goulot d'étranglement.

Écosystème d'entraînement et facilité d'utilisation

L'avantage principal d'adopter un modèle Ultralytics réside dans l'écosystème qui l'entoure. L'entraînement de RTDETRv2 implique souvent de naviguer dans des dépôts complexes de niveau recherche, d'ajuster des poids de perte de couplage biparti complexes et de gérer une surcharge mémoire importante.

À l'inverse, Ultralytics se concentre fortement sur l'expérience développeur. L'API Python unifiée fait abstraction du code répétitif, s'intègre parfaitement avec des outils comme Weights & Biases pour le suivi d'expériences et gère automatiquement les augmentations de données.

Voici à quel point il est simple d'entraîner et d'exporter un modèle en utilisant le package ultralytics :

from ultralytics import YOLO

# Initialize YOLO11 model with pre-trained weights
model = YOLO("yolo11n.pt")

# Train the model efficiently on a local GPU or cloud instance
train_results = model.train(
    data="coco8.yaml",
    epochs=100,
    imgsz=640,
    device=0,  # Utilize CUDA GPU
)

# Export the trained model to ONNX for widespread deployment
export_path = model.export(format="onnx")

Une fois entraîné, l'exportation d'un modèle YOLO11 vers des formats tels que ONNX, OpenVINO ou CoreML ne nécessite qu'une seule commande, garantissant que ton pipeline de vision puisse évoluer sans effort sur divers backends matériels.

Cas d'utilisation et recommandations

Choisir entre YOLO11 et RT-DETR dépend de tes exigences de projet spécifiques, de tes contraintes de déploiement et de tes préférences d'écosystème.

Quand choisir YOLO11

YOLO11 est un choix solide pour :

• Déploiement en périphérie de production : Applications commerciales sur des appareils comme Raspberry Pi ou NVIDIA Jetson où la fiabilité et la maintenance active sont primordiales.
• Applications de vision multi-tâches : Projets nécessitant la détection, la segmentation, l' estimation de pose et l' OBB au sein d'un seul framework unifié.
• Prototypage et déploiement rapides : Équipes qui doivent passer rapidement de la collecte de données à la production en utilisant l' API Python Ultralytics rationalisée.

Quand choisir RT-DETR

RT-DETR est recommandé pour :

• Recherche sur la détection basée sur les Transformer : Projets explorant les mécanismes d'attention et les architectures Transformer pour la détection d'objets de bout en bout sans NMS.
• Scénarios de haute précision avec latence flexible : Applications où la précision de détection est la priorité absolue et où une latence d'inférence légèrement plus élevée est acceptable.
• Détection de grands objets : Scènes avec principalement des objets de taille moyenne à grande, où le mécanisme d'attention globale des Transformer offre un avantage naturel.

Quand choisir Ultralytics (YOLO26)

Pour la plupart des nouveaux projets, Ultralytics YOLO26 offre la meilleure combinaison de performance et d'expérience développeur :

• Déploiement Edge sans NMS : Applications nécessitant une inférence cohérente et à faible latence sans la complexité du post-traitement par suppression des non-maximums.
• Environnements 100 % CPU : Appareils sans accélération GPU dédiée, où l'inférence CPU jusqu'à 43 % plus rapide de YOLO26 offre un avantage décisif.
• Détection de petits objets : Scénarios difficiles comme l'imagerie par drone aérien ou l'analyse de capteurs IoT, où ProgLoss et STAL améliorent considérablement la précision sur les objets minuscules.

Regard vers l'avenir : La puissance de YOLO26

Bien que YOLO11 soit un excellent choix pour la production, les équipes à la recherche de la pointe de la technologie devraient sérieusement considérer YOLO26. Sorti en janvier 2026, YOLO26 comble le fossé architectural en intégrant une conception de bout en bout sans NMS (introduite pour la première fois dans YOLOv10) directement dans son cœur, éliminant ainsi entièrement la latence de post-traitement et la complexité de la logique de déploiement.

YOLO26 introduit également plusieurs fonctionnalités révolutionnaires :

• Optimiseur MuSGD : Inspiré par les techniques d'entraînement LLM de Kimi K2 de Moonshot AI, cet hybride de SGD et Muon assure un entraînement incroyablement stable et une convergence nettement plus rapide.
• Suppression du DFL : Le Distribution Focal Loss a été supprimé pour un processus d'exportation plus propre et simplifié, améliorant radicalement la compatibilité avec les appareils edge basse consommation.
• ProgLoss + STAL : Ces fonctions de perte avancées apportent des améliorations notables dans la reconnaissance de petits objets, une exigence critique pour la surveillance par drone, le suivi agricole et les capteurs edge IoT.
• Inférence CPU jusqu'à 43 % plus rapide : Pour les déploiements dépourvus de GPU dédiés, YOLO26 est spécifiquement optimisé pour l'exécution sur CPU, surpassant largement les générations précédentes.

En savoir plus sur YOLO26

Pour ceux qui souhaitent explorer un plus large éventail d'architectures, la documentation Ultralytics fournit également des informations sur YOLOv8, le très largement adopté YOLOv5 et des modèles spécialisés comme YOLO-World pour les applications de détection à vocabulaire ouvert. En fin de compte, que tu privilégies la stabilité éprouvée de YOLO11 ou les innovations révolutionnaires de YOLO26, l'écosystème Ultralytics fournit des outils inégalés pour donner vie à tes solutions de vision par ordinateur.