Link to this sectionYOLO11 vs YOLOv5 : une comparaison technique complète des architectures d'Ultralytics#

Choisir la bonne architecture de réseau de neurones est une décision cruciale pour toute initiative de computer vision. À mesure que le paysage de l'artificial intelligence évolue, les outils à la disposition des développeurs et des chercheurs évoluent également. Ce guide complet propose une comparaison technique approfondie entre deux modèles emblématiques de l'écosystème Ultralytics : le très célèbre YOLOv5 et le très avancé YOLO11.

Que tu déploies des modèles légers pour des applications d'edge AI ou que tu traites des flux vidéo haute résolution sur des GPU cloud, comprendre les nuances architecturales, les performance metrics et les cas d'utilisation idéaux pour ces modèles t'assurera de faire un choix basé sur les données pour tes contraintes de déploiement spécifiques.

Link to this sectionLignée des modèles et détails techniques#

Les deux modèles reflètent l'engagement d'Ultralytics envers la collaboration open-source, des performances robustes et une facilité d'utilisation inégalée, ce qui les rend très appréciés par la communauté mondiale du machine learning.

Link to this sectionDétails de YOLO11#

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

En savoir plus sur YOLO11

Link to this sectionDétails de YOLOv5#

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

En savoir plus sur YOLOv5

Link to this sectionDifférences architecturales#

L'évolution de YOLOv5 vers YOLO11 introduit plusieurs changements architecturaux profonds conçus pour optimiser la précision et l'efficacité des paramètres.

YOLOv5 a été un pionnier dans l'écosystème PyTorch, introduisant un backbone CSPNet (Cross Stage Partial Network) hautement optimisé et un neck PANet (Path Aggregation Network). Il reposait sur une détection basée sur des ancres, ce qui nécessitait des anchor boxes prédéfinies pour prédire les limites des objets. Bien que très efficace, l'ajustement de ces ancres pour des computer vision datasets personnalisés pouvait être fastidieux.

En revanche, YOLO11 passe à un paradigme de détection moderne, sans ancres. Cela élimine le besoin d'ajustement manuel des anchor boxes, simplifiant le processus d'entraînement et améliorant la généralisation sur divers jeux de données comme le COCO dataset. De plus, YOLO11 dispose d'une tête découplée, ce qui signifie que 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 mean Average Precision (mAP), en particulier pour les scénarios complexes d'object detection.

Link to this sectionMétriques de performance et benchmarks#

Le tableau ci-dessous compare les métriques clés selon les différentes tailles de modèles. Les modèles Ultralytics sont réputés pour leurs besoins en mémoire, consommant généralement moins de mémoire CUDA pendant l'entraînement par rapport aux alternatives lourdes basées sur Transformer, ce qui abaisse considérablement la barrière matérielle à l'entrée.

Comme observé, YOLO11 atteint un équilibre de performance très favorable, offrant constamment des scores mAP plus élevés pour un nombre de paramètres comparable à celui de ses homologues YOLOv5.

Link to this sectionMéthodologies d'entraînement et utilisabilité#

Un principe fondamental de la philosophie d'Ultralytics est une facilité d'utilisation exceptionnelle, soutenue par un écosystème bien entretenu et un support communautaire étendu.

Historiquement, YOLOv5 s'appuyait sur des scripts d'interface en ligne de commande (CLI) robustes (train.py, detect.py) pour l'exécution. Bien que puissants, l'intégration de ces scripts directement dans des applications Python personnalisées nécessitait souvent des solutions de contournement.

YOLO11 a révolutionné cela en introduisant le package Python ultralytics simplifié. Cette API unifiée gère tout, de l'entraînement à l'exporting models vers des formats comme ONNX, OpenVINO et TensorRT de manière native.

Link to this sectionComparaison de code#

Entraîner un modèle Ultralytics aujourd'hui est incroyablement efficace. Voici comment tu peux entraîner YOLO11 en utilisant son API Python native :

from ultralytics import YOLO

# Load a pretrained YOLO11 small model
model = YOLO("yolo11s.pt")

# Train the model on custom data
results = model.train(data="coco8.yaml", epochs=50, imgsz=640, device=0)

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

Pour les systèmes existants utilisant YOLOv5, l'entraînement via CLI ressemble à ceci :

# 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

Link to this sectionCas d'utilisation idéaux et applications réelles#

Les deux modèles possèdent des forces distinctes adaptées à différents environnements opérationnels.

Link to this sectionQuand utiliser YOLOv5#

Malgré la nouvelle génération, YOLOv5 reste une référence. Il est fortement recommandé pour :

• Intégration de systèmes existants : Environnements profondément intégrés aux structures de tenseurs spécifiques de YOLOv5 ou aux pipelines de déploiement qui ne peuvent pas être facilement refactorisés.
• Baselines académiques : Chercheurs ayant besoin de baselines établies et pérennes pour des études académiques reproductibles dans l'medical image analysis.

Link to this sectionQuand utiliser YOLO11#

YOLO11 représente le choix idéal pour les pipelines de production modernes en raison de son incroyable polyvalence :

• Environnements multi-tâches : Contrairement à YOLOv5, qui est principalement un détecteur (avec des ajouts ultérieurs de segmentation), YOLO11 prend nativement en charge l'instance segmentation, l'image classification, l'pose estimation et la détection par Oriented Bounding Box (OBB) dès la sortie de boîte.
• Analyse vidéo haute densité : Idéal pour les systèmes de trafic intelligents ou le retail inventory management où extraire une précision maximale de scènes complexes est critique.

Link to this sectionRegarder vers l'avenir : L'architecture YOLO26#

Bien que YOLO11 soit un standard exceptionnel, la frontière de la vision par ordinateur continue d'avancer rapidement. Les développeurs recherchant le summum absolu de l'efficacité devraient également considérer le tout dernier Ultralytics YOLO26 (sorti en janvier 2026).

YOLO26 représente un bond en avant massif, explicitement conçu à la fois pour l'optimisation en périphérie et l'échelle entreprise. Les innovations clés incluent :

• Conception de bout en bout sans NMS : YOLO26 est nativement de bout en bout, éliminant le post-traitement Non-Maximum Suppression (NMS) pour un déploiement plus rapide et plus simple.
• Suppression de DFL : La Distribution Focal Loss a été supprimée pour une exportation simplifiée du modèle et une compatibilité améliorée avec les appareils à faible consommation.
• Optimiseur MuSGD : Un hybride révolutionnaire de SGD et Muon, apportant la stabilité de l'entraînement LLM à la vision par ordinateur pour une convergence plus rapide.
• Jusqu'à 43% d'inférence CPU plus rapide : Fortement optimisé pour les déploiements IoT et les appareils sans GPUs dédiés.
• ProgLoss + STAL : Fonctions de perte considérablement améliorées qui produisent des améliorations notables dans la reconnaissance de petits objets, vitales pour l'imagerie par drone aérien.

En savoir plus sur YOLO26

Link to this sectionRésumé#

Choisir entre YOLO11 et YOLOv5 dépend ultimement du stade du cycle de vie de ton projet. L'héritage de YOLOv5 est indéniable, offrant une stabilité extrême et un soutien communautaire massif. Cependant, pour tout nouveau projet, YOLO11 est fortement recommandé par rapport aux anciennes générations. Il combine une précision de pointe, une API Python exceptionnellement élégante et une surcharge mémoire d'entraînement plus faible, cimentant la position d'Ultralytics à l'avant-garde de l'innovation IA. Pour ceux qui repoussent encore plus les limites, explorer le YOLO26 à la pointe de la technologie sur la Ultralytics Platform donnera des résultats inégalés.