YOLO26 vs EfficientDet#

Choisir la bonne architecture de réseau neuronal est essentiel à la réussite de toute application de vision par ordinateur. Ce guide technique examine les compromis, les métriques de performance et les innovations architecturales de deux modèles majeurs : Ultralytics YOLO26 et EfficientDet, le modèle bien établi de Google.

Que tu déploies tes modèles sur des serveurs cloud à haut débit ou sur des appareils d'IA en périphérie soumis à des contraintes de latence, comprendre les différences entre ces architectures t'aide à équilibrer vitesse, précision et efficacité.

Présentation de l’architecture : YOLO26#

• Auteurs : Glenn Jocher et Jing Qiu
• Organisation : Ultralytics
• Date : 2026-01-14
• GitHub : GitHub d’Ultralytics
• Documentation : Documentation officielle de YOLO26

Sorti début 2026, YOLO26 est le dernier modèle de la famille YOLO. Il est conçu pour être facile à utiliser et offrir un score moyen de précision moyen (mAP) élevé sur le matériel moderne. Il prend en charge la détection d'objets, la segmentation d'instances, la segmentation sémantique, l'estimation de profondeur, la classification d'images, l'estimation de pose et la détection de boîtes englobantes orientées (OBB).

YOLO26 introduit plusieurs fonctionnalités qui améliorent à la fois la stabilité de l'entraînement et la vitesse d'inférence :

• Conception de bout en bout sans NMS : en s’appuyant sur l’entraînement sans NMS que YOLOv10 a introduit dans les modèles YOLO, YOLO26 propose une tête one-to-one facultative de bout en bout (nms=False) qui élimine le besoin de post-traitement par suppression des non-maxima (NMS). Cela simplifie la logique de déploiement et réduit la variabilité de la latence.
• Inférence sur CPU jusqu'à 43 % plus rapide : Les optimisations architecturales rendent YOLO26n jusqu'à 43 % plus rapide que YOLO11n sur les CPU classiques, ce qui convient aux environnements IoT et embarqués.
• Suppression de DFL : La Distribution Focal Loss a été supprimée, ce qui simplifie le processus d’exportation et améliore la compatibilité avec les appareils en périphérie basse consommation utilisant des outils comme ONNX.
• Optimiseur MuSGD : Inspiré des méthodes d'entraînement des LLM de Kimi K2 de Moonshot AI, cet hybride de SGD et de Muon transpose directement à la vision par ordinateur les innovations de l'entraînement des grands modèles de langage, pour une convergence plus rapide et un entraînement plus stable.
• ProgLoss + STAL : La perte progressive et l'attribution d'étiquettes tenant compte des petites cibles (STAL) améliorent la reconnaissance des petits objets, un facteur important pour les applications faisant appel à l'imagerie par drone et à la robotique.

Présentation de l’architecture : EfficientDet#

• Auteurs : Mingxing Tan, Ruoming Pang et Quoc V. Le
• Organisation : Google Research
• Date : 2019-11-20
• arXiv : Article sur EfficientDet
• GitHub : Dépôt Google AutoML

Introduit par Google, EfficientDet s'appuie sur l'écosystème TensorFlow et a été conçu autour du concept de mise à l'échelle composée. Son architecture adapte simultanément le réseau dorsal, le réseau de caractéristiques et les réseaux de prédiction des boîtes et des classes en fonction des contraintes de ressources.

Les principales innovations d'EfficientDet sont les suivantes :

• BiFPN (réseau pyramidal de caractéristiques bidirectionnel) : un mécanisme qui permet une fusion facile et rapide des caractéristiques à plusieurs échelles, aidant ainsi le réseau à mieux comprendre les objets de tailles variées.
• Mise à l'échelle composée : une méthode heuristique qui adapte uniformément la résolution, la profondeur et la largeur pour créer une famille de modèles allant de d0 (le plus petit) à d7 (le plus grand).

EfficientDet reste un choix solide pour la détection de boîtes englobantes, mais ne possède ni la polyvalence multitâche moderne (comme la prise en charge native des tâches OBB), ni l'écosystème Python unifié et fluide auquel s'attendent les développeurs d'aujourd'hui.

En savoir plus sur EfficientDet

Comparaison des performances et des métriques#

Le tableau suivant compare les deux architectures sur le jeu de données COCO et présente les différences de taille de modèle, de précision et de latence. Les vitesses CPU sont mesurées avec ONNX Runtime et les vitesses GPU avec TensorRT sur une NVIDIA T4.

YOLO26x atteint la précision la plus élevée (57,5 mAP), soit 3,8 points de plus qu’EfficientDet-d7, tout en tournant en 11,8 ms au lieu de 128,07 ms sur un T4 avec TensorRT. YOLO26 est nettement plus rapide sur GPU dans toutes les tailles (jusqu’à 1,7 ms).

Efficacité de l'entraînement et avantage de l'écosystème#

Une différence majeure entre les deux architectures tient à leurs environnements de développement. EfficientDet est étroitement intégré à l'écosystème Google AutoML et TensorFlow, ce qui peut entraîner une courbe d'apprentissage abrupte et des configurations rigides pour les jeux de données personnalisés et les nouvelles tâches, comme la détection orientée sur DOTAv1.

Ultralytics propose un écosystème bien entretenu, fondé sur PyTorch, avec un entraînement économe en mémoire qui fonctionne sur des GPU modestes.

Exemple d'implémentation#

L'API Ultralytics te permet d'entraîner et d'exporter un modèle YOLO26 en quelques lignes de code.

from ultralytics import YOLO

# Initialiser le modèle YOLO26 de bout en bout sans NMS
model = YOLO("yolo26n.pt")

# Entraîner sur un jeu de données personnalisé (optimizer='auto' sélectionne MuSGD pour les entraînements plus longs)
train_results = model.train(
    data="coco8.yaml",
    epochs=100,
    imgsz=640,
    device="0",  # Entraîner sur GPU
)

# Exporter directement vers TensorRT pour un déploiement à latence ultra-faible
model.export(format="engine")

Cas d’utilisation idéaux#

Quand utiliser YOLO26 :

• Informatique en périphérie et mobile : Grâce à une vitesse CPU jusqu'à 43 % supérieure à celle de YOLO11n et à l'inférence facultative sans NMS, YOLO26 fonctionne bien sur les appareils aux ressources de calcul très limitées, comme les Raspberry Pi ou les téléphones mobiles.
• Multitâche : Lorsqu'un seul pipeline doit gérer des boîtes englobantes, des masques de segmentation et du suivi, YOLO26 prend en charge toutes ces tâches dans un même framework.
• Drones et imagerie aérienne : L'association de ProgLoss et de STAL améliore la détection des petits objets depuis de hautes altitudes.

Quand utiliser EfficientDet :

• Pipelines TensorFlow existants : Si ton infrastructure prend uniquement en charge les SavedModel TensorFlow ou exige des pipelines TensorFlow Serving spécifiques, EfficientDet offre une compatibilité native.
• TPU aux ressources limitées : EfficientDet a été optimisé pour les unités de traitement tensoriel (TPU) personnalisées de Google.

Découvrir d'autres solutions#

Ce guide porte sur YOLO26 et EfficientDet, mais l'écosystème Ultralytics comprend d'autres architectures. Si ton application repose sur des Transformers, RT-DETR propose la détection en temps réel fondée sur les Transformers. Si tu prends en charge des systèmes existants, YOLO11 reste entièrement pris en charge. Pour une vue d'ensemble plus large, consulte le centre de comparaison des modèles Ultralytics.

Pour les nouveaux pipelines de vision par ordinateur, la vitesse, la facilité d'utilisation et la précision de YOLO26 en font le choix recommandé aux chercheurs et aux développeurs.