Commencer

YOLO11 vs RTDETRv2

La détection en temps réel implique de plus en plus souvent de choisir entre les réseaux neuronaux convolutifs (CNN) et les Transformers de vision (ViT). Cette comparaison technique porte sur deux architectures de détection d’objets de premier plan : YOLO11, un CNN hautement optimisé d’Ultralytics, et RTDETRv2, une version de la famille Detection Transformer de Baidu.

Ce guide compare leurs architectures, leurs mesures de performance et leurs scénarios de déploiement pour aider les ingénieurs en apprentissage automatique à choisir entre les deux. Les deux modèles atteignent une grande précision, mais les modèles Ultralytics YOLO offrent généralement un meilleur équilibre entre vitesse, prise en charge de l’écosystème et facilité d’utilisation en production.

YOLO11 : la référence en matière de polyvalence en conditions réelles#

Présenté par Ultralytics, YOLO11 s’appuie sur des années de recherche sur YOLO pour proposer un modèle rapide, précis et polyvalent. Il gère nativement la détection d’objets, la segmentation d’instances, la classification d’images, l’estimation de pose et la détection par boîtes englobantes orientées (OBB).

Architecture et points forts#

YOLO11 utilise un backbone CNN affiné et des pyramides de caractéristiques multi-échelles, ce qui le rend économe en ressources. Il convient aux environnements soumis à de strictes contraintes matérielles, avec une faible empreinte mémoire pendant l’entraînement comme pendant l’inférence. Ultralytics Platform prend en charge YOLO11 pour l’annotation des données, l’entraînement dans le cloud et la surveillance des modèles, sans avoir à assembler des outils MLOps distincts.

Pour le déploiement en périphérie, YOLO11 offre une faible latence. Sa conception légère fonctionne efficacement sur des appareils allant des cartes Raspberry Pi aux téléphones mobiles grand public, ce qui en fait un choix fréquent pour le commerce de détail intelligent, le contrôle qualité en production et la gestion automatisée du trafic.

RTDETRv2 : les Transformers en temps réel de Baidu#

RTDETRv2 (version 2 de Real-Time Detection Transformer) est la tentative de Baidu de rendre les architectures fondées sur les Transformers viables pour les tâches en temps réel. Ce modèle reprend RT-DETR en y intégrant une approche de type « bag of freebies » afin d’améliorer la précision de référence sans augmenter la latence d’inférence.

En savoir plus sur RTDETRv2

Architecture et points forts#

Contrairement aux CNN traditionnels, RTDETRv2 utilise une architecture encodeur-décodeur avec des mécanismes d’auto-attention, qui lui permettent de saisir le contexte global d’une image. Cela s’avère utile dans les scènes encombrées où les occultations sont fréquentes. RTDETRv2 élimine le recours à la suppression non maximale (NMS) lors du post-traitement et s’appuie plutôt sur l’appariement hongrois pendant l’entraînement pour réaliser un appariement biparti un-à-un.

Toutefois, les modèles Transformer nécessitent généralement plus de mémoire VRAM et CUDA. Entraîner RTDETRv2 à partir de zéro ou l’affiner sur des jeux de données personnalisés nécessite souvent des GPU haut de gamme dotés d’une grande capacité mémoire, ce qui peut constituer un obstacle pour les petites équipes par rapport à la faible empreinte mémoire des modèles Ultralytics à l’entraînement.

Analyse des performances et des indicateurs#

Évalués sur le jeu de données COCO standard, les modèles présentent des compromis nets entre le nombre de paramètres, les FLOPs et la précision (mAP).

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
RTDETRv2-s64048.1-5.032060
RTDETRv2-m64051.9-7.5136100
RTDETRv2-l64053.4-9.7642136
RTDETRv2-x64054.3-15.0376259

Analyse des résultats#

YOLO11 offre une meilleure précision par paramètre. YOLO11x atteint un mAPval50-95 supérieur (54,7) à celui de RTDETRv2-x (54,3), tout en utilisant moins de paramètres (56,9 M contre 76 M) et moins de FLOPs (195,3 B contre 259 B).

YOLO11 est également plus rapide sur TensorRT T4. YOLO11s s’exécute en 2.5 ms contre 5.03 ms pour RTDETRv2-s (47.0 contre 48.1 mAP), et YOLO11m est à la fois plus précis (51.5 mAP) et plus rapide (4.7 ms) que RTDETRv2-s. YOLO11 convient donc parfaitement à l’analyse vidéo en temps réel, où le temps de traitement des images constitue le principal goulot d’étranglement.

Le coût des Transformers

RTDETRv2 atteint une excellente précision grâce à ses couches d’attention, mais ces mécanismes évoluent de manière quadratique avec la résolution de l’image, ce qui augmente la consommation de mémoire VRAM pendant l’entraînement comme pendant l’inférence. YOLO11 évite ce coût grâce à des blocs convolutifs efficaces.

Écosystème d’entraînement et facilité d’utilisation#

Le principal avantage 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 pondérations complexes pour les fonctions de perte d’appariement biparti et de gérer une importante surcharge mémoire.

Ultralytics met l’accent sur l’expérience des développeurs. L’API Python unifiée élimine le code standard répétitif, s’intègre à des outils comme Weights & Biases pour le suivi des expériences et gère automatiquement l’augmentation des données.

Voici à quel point il est simple d’entraîner et d’exporter un modèle avec le package ultralytics :

from ultralytics import YOLO

# Initialiser le modèle YOLO11 avec des poids pré-entraînés
model = YOLO("yolo11n.pt")

# Entraîner efficacement le modèle sur un GPU local ou une instance cloud
train_results = model.train(
    data="coco8.yaml",
    epochs=100,
    imgsz=640,
    device=0,  # Utilise le GPU CUDA
)

# Exporter le modèle entraîné au format ONNX pour un déploiement à grande échelle
export_path = model.export(format="onnx")

Une fois le modèle YOLO11 entraîné, son export dans des formats comme ONNX, OpenVINO ou CoreML ne nécessite qu’une seule commande, ce qui permet d’exécuter le même modèle sur différents matériels.

Capacités multitâches

RTDETRv2 se concentre uniquement sur la détection par boîtes englobantes, tandis que YOLO11 prend également en charge la segmentation d’instances, la classification d’images, l’estimation de pose et la détection par OBB. Tu peux ainsi regrouper plusieurs tâches de vision au sein d’une seule famille de modèles.

Cas d’utilisation et recommandations#

Le choix entre YOLO11 et RT-DETR dépend des besoins spécifiques de ton projet, des 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, la classification, l'estimation de pose et l'OBB dans un même framework unifié.
  • Prototypage et déploiement rapides : équipes qui doivent passer rapidement de la collecte de données à la production à l’aide de l’API Python Ultralytics simplifiée.

Quand choisir RT-DETR#

RT-DETR est recommandé 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 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 sans GPU : Les appareils dépourvus d'accélération GPU dédiée, où l'inférence CPU jusqu'à 43 % plus rapide de YOLO26 (YOLO26n par rapport à YOLO11n) procure un avantage décisif.
  • 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 : la puissance de YOLO26#

YOLO11 reste un choix fiable pour la production, mais les nouveaux projets devraient commencer avec YOLO26. Sorti en janvier 2026, YOLO26 réduit l’écart architectural avec les Transformer grâce à une tête facultative de bout en bout sans NMS (nms=False), introduite dans les modèles YOLO par YOLOv10, qui élimine la latence liée au post-traitement par NMS et simplifie la logique de déploiement.

YOLO26 introduit également plusieurs autres changements :

  • Optimiseur MuSGD : inspiré des techniques d’entraînement des grands modèles de langage (LLM) de Kimi K2, de Moonshot AI, cet hybride de SGD et de Muon assure un entraînement plus stable et une convergence plus rapide.
  • Suppression de DFL : la suppression de Distribution Focal Loss simplifie l’export et améliore la compatibilité avec les appareils edge à faible consommation.
  • ProgLoss + STAL : la perte progressive et l’assignation d’étiquettes sensible aux petites cibles (STAL) améliorent la reconnaissance des petits objets, une exigence clé pour la surveillance par drone, la surveillance agricole et les capteurs edge IoT.
  • Inférence CPU jusqu’à 43 % plus rapide : pour les déploiements sans GPU dédié, YOLO26n s’exécute jusqu’à 43 % plus rapidement que YOLO11n sur CPU.

Pour découvrir un plus large éventail d’architectures, consulte YOLOv8, le très répandu YOLOv5 et des modèles spécialisés comme YOLO-World pour la détection à vocabulaire ouvert. Que tu choisisses la stabilité éprouvée de YOLO11 ou le plus récent YOLO26, l’écosystème Ultralytics fournit les outils nécessaires pour mettre tes projets de vision par ordinateur en production.

Commentaires

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