YOLO11 vs YOLOv5#

Choisir la bonne architecture de réseau neuronal est une décision cruciale pour tout projet de vision par ordinateur. À mesure que le paysage de l’intelligence artificielle évolue, les outils à la disposition des développeurs et des chercheurs évoluent aussi. Ce guide complet propose une comparaison technique approfondie de deux modèles emblématiques de l’écosystème Ultralytics : YOLOv5, largement plébiscité, et YOLO11, un modèle avancé.

Que tu déploies des modèles légers pour des applications d’IA en périphérie ou que tu traites des flux vidéo haute résolution sur des GPU cloud, comprendre les nuances architecturales, les indicateurs de performance et les cas d’utilisation idéaux de ces modèles t’aidera à faire un choix fondé sur les données et adapté aux contraintes de ton déploiement.

Lignée des modèles et détails techniques#

Les deux modèles témoignent de l’engagement d’Ultralytics en faveur de la collaboration open source, de performances robustes et d’une facilité d’utilisation inégalée, ce qui les rend très appréciés par la communauté mondiale du machine learning.

Détails sur YOLO11#

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

Détails sur YOLOv5#

• Auteurs : Glenn Jocher
• Organisation : Ultralytics
• Date : 2020-06-26
• GitHub : ultralytics/yolov5
• Docs : Documentation de YOLOv5

Différences architecturales#

Le passage de YOLOv5 à YOLO11 introduit plusieurs changements architecturaux majeurs conçus pour optimiser la précision et l’efficacité en matière de paramètres.

YOLOv5 a fait figure de pionnier dans l’écosystème PyTorch, en introduisant un backbone CSPNet (réseau partiel entre étapes) hautement optimisé et un neck PANet (réseau d’agrégation de chemins). Il reposait sur une détection avec ancres, qui nécessitait des boîtes d’ancrage prédéfinies pour prédire les limites des objets. Bien que cette approche soit très efficace, ajuster ces ancres pour des jeux de données de vision par ordinateur personnalisés pouvait s’avérer fastidieux.

À l’inverse, YOLO11 adopte un paradigme de détection plus moderne, sans ancres. Il n’est donc plus nécessaire d’ajuster manuellement les boîtes d’ancrage, ce qui simplifie le processus d’entraînement et améliore la généralisation sur des jeux de données variés comme le jeu de données COCO. De plus, YOLO11 dispose d’une tête découplée : les tâches de classification et de régression des boîtes englobantes sont traitées dans des branches distinctes. Cette séparation améliore considérablement la vitesse de convergence et la précision moyenne (mAP), en particulier dans les scénarios complexes de détection d’objets.

Mesures de performance et benchmarks#

Le tableau ci-dessous compare les principaux indicateurs pour différentes tailles de modèles. Les modèles Ultralytics sont réputés pour leur faible consommation mémoire et utilisent généralement moins de mémoire CUDA pendant l’entraînement que les modèles Transformer lourds, ce qui réduit considérablement les exigences matérielles à l’entrée.

Comme on peut le constater, YOLO11 offre un excellent équilibre entre performances et taille, avec des scores mAP systématiquement supérieurs à ceux de modèles YOLOv5 comptant un nombre de paramètres comparable.

Méthodes d’entraînement et facilité d’utilisation#

La facilité d’utilisation exceptionnelle est au cœur de la philosophie d’Ultralytics, soutenue par un écosystème bien entretenu et une communauté très présente.

YOLOv5 s’appuyait historiquement sur des scripts d’interface de ligne de commande (CLI) robustes (train.py, detect.py) pour son exécution. Bien que puissants, ces scripts nécessitaient souvent des solutions de contournement pour être intégrés directement à des applications Python personnalisées.

YOLO11 repose sur le package Python rationalisé ultralytics (introduit avec YOLOv8). Cette API unifiée gère tout, de l’entraînement à l’exportation de modèles vers des formats comme ONNX, OpenVINO et TensorRT, de manière native.

Comparaison du code#

Entraîner un modèle Ultralytics est aujourd’hui extrêmement efficace. Voici comment entraîner YOLO11 à l’aide de son API Python native :

from ultralytics import YOLO

# Charger un petit modèle YOLO11 préentraîné
model = YOLO("yolo11s.pt")

# Entraîner le modèle sur des données personnalisées
results = model.train(data="coco8.yaml", epochs=50, imgsz=640, device=0)

# Exporter le modèle au format ONNX pour le déploiement
model.export(format="onnx")

Pour les systèmes existants utilisant YOLOv5, l’entraînement via CLI se présente ainsi :

# Clone the repository and run the training script
git clone https://github.com/ultralytics/yolov5
cd yolov5
pip install -r requirements.txt

python train.py --img 640 --batch 16 --epochs 50 --data coco128.yaml --weights yolov5s.pt

Cas d’utilisation idéaux et applications concrètes#

Les deux modèles ont des atouts distincts, adaptés à différents environnements opérationnels.

Quand utiliser YOLOv5#

Malgré l’arrivée d’une nouvelle génération, YOLOv5 reste un modèle très performant. Il est vivement recommandé pour :

• Intégration aux systèmes existants : environnements étroitement intégrés aux structures de tenseurs propres à YOLOv5 ou à des pipelines de déploiement difficiles à remanier.
• Références académiques : chercheurs ayant besoin de références établies et éprouvées pour des études universitaires reproductibles en analyse d’images médicales.

Quand utiliser YOLO11#

YOLO11 est le choix idéal pour les pipelines de production modernes grâce à son incroyable polyvalence :

• Environnements multitâches : contrairement à YOLOv5, qui est principalement un détecteur (avec des ajouts ultérieurs pour la segmentation), YOLO11 prend en charge nativement la segmentation d’instances, la classification d’images, l’estimation de pose et la détection de boîtes englobantes orientées (OBB).
• Analyse vidéo à haute densité : idéale pour les systèmes intelligents de gestion du trafic ou la gestion des stocks dans le commerce de détail, où il est essentiel d’obtenir une précision maximale dans des scènes complexes.

Perspectives : l’architecture YOLO26#

YOLO11 reste une référence exceptionnelle, mais la vision par ordinateur continue de progresser rapidement. Les développeurs qui recherchent une efficacité optimale devraient également envisager le dernier Ultralytics YOLO26 (sorti en janvier 2026).

YOLO26 représente une avancée majeure, conçu explicitement pour l’optimisation en périphérie et les déploiements à l’échelle des grandes entreprises. Ses principales innovations incluent :

• Conception de bout en bout sans NMS : YOLO26 prend en charge l’inférence native de bout en bout et ignore le post-traitement par suppression des non-maxima (NMS) grâce à nms=False, pour un déploiement plus rapide et plus simple.
• Suppression du DFL : la Distribution Focal Loss a été supprimée pour simplifier l’exportation des modèles et améliorer leur compatibilité avec les appareils à faible puissance.
• Optimiseur MuSGD : une association inédite de SGD et de Muon, qui apporte à la vision par ordinateur la stabilité d’entraînement des LLM pour accélérer la convergence.
• Jusqu’à 43 % d’inférence CPU plus rapide : fortement optimisé pour les déploiements IoT et les appareils sans GPU dédié.
• ProgLoss + STAL : des fonctions de perte considérablement améliorées qui optimisent la reconnaissance des petits objets, essentielle pour l’imagerie aérienne par drone.

Résumé#

Le choix entre YOLO11 et YOLOv5 dépend en définitive de l’étape du cycle de vie de ton projet. L’héritage de YOLOv5 est indéniable : il offre une stabilité exceptionnelle et bénéficie d’une vaste communauté. Cependant, pour tout nouveau projet, YOLO11 est vivement recommandé par rapport aux générations précédentes. Il associe une précision de pointe, une API Python particulièrement élégante et une consommation mémoire réduite pendant l’entraînement, consolidant ainsi la position d’Ultralytics à l’avant-garde de l’innovation en IA. Pour repousser encore davantage les limites, explorer YOLO26, à la pointe de la technologie, sur la plateforme Ultralytics donnera des résultats inégalés.