YOLO11 contre YOLOX#

Les modèles de détection d’objets en temps réel ont rapidement progressé ces dernières années. Lorsqu’ils choisissent une architecture pour la production ou la recherche universitaire, les développeurs mettent souvent en balance les étapes marquantes établies et les conceptions plus récentes. Cette comparaison examine les différences entre Ultralytics YOLO11 et YOLOX de Megvii, notamment leurs architectures, leurs indicateurs de performance et leurs scénarios de déploiement idéaux.

Présentation des architectures#

Les deux modèles ont fait progresser la détection d’objets lors de leur sortie, mais reposent sur des philosophies de conception différentes et ciblent des expériences développeur distinctes.

YOLO11 : un moteur multitâche polyvalent#

Lancé en septembre 2024 par Glenn Jocher et Jing Qiu chez Ultralytics, YOLO11 est conçu comme un framework unifié qui concilie grande précision et efficacité.

• Auteurs : Glenn Jocher et Jing Qiu
• Organisation : Ultralytics
• Date : 2024-09-27
• GitHub : https://github.com/ultralytics/ultralytics
• Documentation : https://docs.ultralytics.com/models/yolo11

YOLO11 va au-delà des boîtes englobantes standard et prend également en charge la segmentation d’instances, la classification d’images, l’estimation de pose et la détection par boîtes englobantes orientées (OBB). Son architecture affinée améliore l’extraction et la conservation des caractéristiques dans des hiérarchies spatiales complexes.

YOLOX : le pionnier des modèles sans ancres#

Développé par des chercheurs de Megvii, YOLOX a beaucoup retenu l’attention en 2021 en faisant le lien entre recherche et applications industrielles grâce à une approche entièrement sans ancres.

• Auteurs : Zheng Ge, Songtao Liu, Feng Wang, Zeming Li et Jian Sun
• Organisation : Megvii
• Date : 2021-07-18
• arXiv : https://arxiv.org/abs/2107.08430
• GitHub : https://github.com/Megvii-BaseDetection/YOLOX
• Documentation : https://github.com/Megvii-BaseDetection/YOLOX/tree/main/docs

YOLOX a introduit une tête découplée et un paradigme sans ancres, réduisant le nombre de paramètres de conception et améliorant les performances sur les benchmarks universitaires à sa sortie.

En savoir plus sur YOLOX

Performances et métriques#

Pour évaluer des modèles de détection, il est essentiel d’examiner l’équilibre entre le nombre de paramètres, le coût de calcul (FLOPs) et la précision moyenne (mAP) dans le cadre du déploiement de modèles en conditions réelles.

YOLO11x surpasse YOLOXx en précision (54,7 mAP contre 51,1 mAP), tout en nécessitant environ deux fois moins de paramètres (56,9 M contre 99,1 M) et en s’exécutant plus rapidement sur T4 TensorRT (11,3 ms contre 16,1 ms). Cette efficacité réduit les besoins en mémoire pendant l’entraînement comme pendant l’inférence, un avantage évident en production.

Écosystème et expérience des développeurs#

L’avantage Ultralytics#

L’une des principales différences entre YOLO11 et YOLOX tient à leur facilité d’utilisation. YOLOX est avant tout une base de code de recherche qui exige une configuration complexe de l’environnement, la compilation d’opérateurs C++ et des arguments de ligne de commande détaillés pour lancer l’entraînement sur un jeu de données personnalisé.

YOLO11 est entièrement intégré au package Python Ultralytics, ce qui offre un flux de travail simplifié, de l’installation au déploiement. La plateforme Ultralytics propose des outils d’annotation des données, de suivi des expériences et d’entraînement dans le cloud, en masquant le code répétitif afin que les ingénieurs puissent se concentrer sur les performances du modèle.

from ultralytics import YOLO

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

# Entraîne le modèle avec l’API Ultralytics
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Exporter au format ONNX
model.export(format="onnx")

De plus, l’export d’un modèle Ultralytics vers des formats comme TensorRT, CoreML ou OpenVINO ne nécessite qu’une seule commande, alors que les anciens dépôts exigent souvent des outils tiers complexes ou une modification manuelle du graphe.

Cas d'utilisation concrets#

Quand envisager YOLOX#

YOLOX reste une option valable pour les déploiements spécialisés hérités, lorsque les développeurs ont déjà créé des pipelines d’inférence C++ personnalisés autour des sorties de tenseurs de sa tête découplée. Les chercheurs qui réalisent des études comparatives avec des architectures de 2021 peuvent également toujours utiliser YOLOX comme référence.

Les points forts de YOLO11#

Pour la plupart des scénarios de production modernes, YOLO11 offre une meilleure expérience :

• Villes intelligentes et commerce de détail : grâce à son excellent rapport entre vitesse et précision, YOLO11 gère bien les scènes encombrées et alimente l’analyse automatisée du commerce de détail ainsi que les systèmes de gestion du trafic, sans nécessiter de grands clusters GPU.
• Informatique edge : son efficacité mémoire et ses nombreuses options d’export rendent YOLO11 particulièrement adapté aux déploiements d’IA edge sur des appareils comme Raspberry Pi ou les plateformes NVIDIA Jetson.
• Pipelines complexes : si un projet nécessite d’associer la détection d’objets à des points clés de pose (par exemple, pour l’analyse sportive) ou une segmentation d’instances précise (par exemple, en imagerie médicale), YOLO11 gère nativement toutes ces tâches au moyen d’une API unifiée.

Cas d’utilisation et recommandations#

Le choix entre YOLO11 et YOLOX 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, la classification, 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 de données à la production à l’aide de l’API Python Ultralytics simplifiée.

Quand choisir YOLOX#

YOLOX est recommandé pour :

• Recherche sur la détection sans ancres : recherche universitaire qui utilise l’architecture épurée sans ancres de YOLOX comme référence pour expérimenter de nouvelles têtes de détection ou fonctions de perte.
• Appareils edge ultralégers : déploiement sur du matériel mobile hérité ou très contraint, où la faible empreinte de la variante YOLOX-Nano (0,91 M de paramètres) est essentielle.
• Études sur l’assignation d’étiquettes SimOTA : projets de recherche qui étudient les stratégies d’assignation d’étiquettes basées sur le transport optimal et leur impact sur la convergence de l’entraînement.

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 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.

Perspectives : la puissance de YOLO26#

YOLO11 reste un excellent choix, mais YOLO26 (lancé en janvier 2026) est le modèle recommandé pour les nouveaux projets de vision par ordinateur qui exigent une efficacité optimale et une grande stabilité de l’entraînement.

YOLO26 implémente une tête sans NMS de bout en bout facultative (nms=False). En éliminant le post-traitement par suppression des non-maxima (NMS), le modèle supprime la variabilité de la latence et simplifie la logique de déploiement, un concept introduit dans les modèles YOLO par YOLOv10.

YOLO26 intègre également la suppression de DFL (Distribution Focal Loss), qui aide YOLO26n à atteindre une inférence CPU jusqu’à 43 % plus rapide que YOLO11n, ce qui le rend bien adapté aux appareils edge et à faible consommation. L’optimiseur MuSGD, un hybride de SGD et Muon inspiré de l’entraînement des grands modèles de langage (LLM), améliore la stabilité de l’entraînement et accélère la convergence. Associé à ProgLoss + STAL (perte progressive et assignation d’étiquettes sensible aux petites cibles), YOLO26 excelle dans la détection de petits objets dans des contextes difficiles, comme les images prises par drone et les capteurs edge IoT.

En conclusion, YOLOX a introduit des concepts architecturaux importants en 2021, mais les outils, l’efficacité mémoire et la précision de YOLO11, et surtout du plus récent YOLO26, font aujourd’hui de l’écosystème Ultralytics le meilleur choix pour les chercheurs et les développeurs en entreprise.