YOLOv10 vs EfficientDet#

Choisir le réseau neuronal optimal pour la détection d’objets est une décision cruciale qui détermine la réussite des systèmes modernes de vision par ordinateur. Deux architectures majeures ayant considérablement influencé le domaine sont YOLOv10 et EfficientDet. Toutes deux cherchent à maximiser la précision tout en minimisant la charge de calcul, mais elles suivent des approches architecturales très différentes pour atteindre cet objectif.

Ce guide complet examine leurs conceptions spécifiques, leurs méthodes d’entraînement et leurs caractéristiques de déploiement afin d’aider les développeurs et les ingénieurs en apprentissage automatique à prendre des décisions fondées sur les données pour les applications d’IA visuelle. Nous comparerons leurs performances sur du matériel allant des appareils d’IA en périphérie embarqués aux puissants GPU cloud.

YOLOv10 : le pionnier sans NMS#

Conçu pour repousser les limites de la latence en temps réel, YOLOv10 s’est attaqué à l’un des goulots d’étranglement les plus persistants de la famille YOLO : la suppression non maximale (NMS). En éliminant cette étape de post-traitement, le modèle assure une latence hautement prévisible, essentielle pour les véhicules autonomes et la robotique à haute vitesse.

Innovations architecturales#

YOLOv10 introduit des affectations doubles cohérentes pour l’entraînement sans NMS. Pendant l’entraînement, il utilise des affectations d’étiquettes un-à-plusieurs et un-à-un, ce qui permet au réseau d’apprendre des représentations riches tout en produisant nativement une seule boîte englobante optimale par objet pendant l’inférence. L’architecture intègre aussi une conception globale axée sur l’efficacité et la précision, qui simplifie la tête de classification et réduit les redondances de calcul présentes dans les versions précédentes.

Détails du modèle#

• Auteurs : Ao Wang, Hui Chen, Lihao Liu, et al.
• Organisation : Université Tsinghua
• Date : 2024-05-23
• Article : YOLOv10 : détection d’objets de bout en bout en temps réel
• GitHub : THU-MIG/yolov10
• Documentation : Documentation YOLOv10

Points forts :

• Inférence prévisible : la suppression de NMS garantit des temps d’inférence constants, quel que soit le nombre d’objets dans la scène.
• Consommation mémoire réduite : par rapport aux modèles basés sur Transformer comme RT-DETR, YOLOv10 nécessite beaucoup moins de mémoire pendant l’entraînement comme pendant l’inférence.
• Excellent compromis entre vitesse et précision : spécialement optimisé pour les scénarios à faible latence sans sacrifier les métriques de performance.

Points faibles :

• Un seul type de tâche : contrairement à l’écosystème Ultralytics, plus étendu, le dépôt d’origine de YOLOv10 est fortement axé sur la détection et ne prend pas en charge nativement la segmentation d’instances ni l’estimation de pose.

En savoir plus sur YOLOv10

EfficientDet : évolutif et équilibré#

Présenté par Google Brain, EfficientDet aborde la détection d’objets sous l’angle de la mise à l’échelle systématique des réseaux. Il repose sur le backbone de classification d’images EfficientNet et introduit un nouveau mécanisme de fusion des caractéristiques.

Innovations architecturales#

Le cœur d’EfficientDet est le réseau pyramidal de caractéristiques bidirectionnel (BiFPN), qui facilite et accélère la fusion de caractéristiques à plusieurs échelles. Contrairement aux FPN traditionnels, qui additionnent uniquement les caractéristiques de haut en bas, BiFPN introduit des connexions bidirectionnelles entre les échelles et des poids entraînables afin d’apprendre l’importance des différentes caractéristiques d’entrée. De plus, EfficientDet utilise une méthode de mise à l’échelle composée qui ajuste uniformément la résolution, la profondeur et la largeur de tous les réseaux de backbone, de caractéristiques et de prédiction des boîtes et des classes.

Détails du modèle#

• Auteurs : Mingxing Tan, Ruoming Pang et Quoc V. Le
• Organisation : Google Brain
• Date : 2019-11-20
• Article : EfficientDet : détection d’objets évolutive et efficace
• GitHub : Google AutoML EfficientDet

Points forts :

• Grande efficacité : excellent rapport entre le nombre de paramètres et la précision, ce qui rend les variantes plus petites, de -d0 à -d2, très légères.
• Mise à l’échelle réfléchie : la mise à l’échelle composée permet de choisir facilement une taille de modèle adaptée précisément à ton budget de calcul.

Points faibles :

• Intégration à d’anciens frameworks : l’implémentation d’origine repose fortement sur d’anciennes versions de TensorFlow, ce qui peut compliquer les pipelines de déploiement modernes.
• Entraînement plus lent : l’entraînement d’EfficientDet à partir de zéro est réputé très lent et exige un réglage minutieux des hyperparamètres, comparé à la convergence rapide des architectures YOLO.
• Vitesse d’inférence : malgré son efficacité en nombre de paramètres, les opérations complexes de BiFPN entraînent souvent des vitesses d’inférence plus faibles en conditions réelles sur du matériel standard que celles des modèles YOLO hautement optimisés.

En savoir plus sur EfficientDet

Performances et benchmarks#

La véritable épreuve pour ces modèles réside dans leurs performances empiriques sur des benchmarks standards comme le jeu de données COCO. Le tableau ci-dessous illustre les différences essentielles en nombre de paramètres, en opérations en virgule flottante (FLOPs) et en latence d’inférence sur des GPU NVIDIA T4.

Comme indiqué ci-dessus, YOLOv10 conserve un avantage considérable en vitesse brute d’inférence. Par exemple, YOLOv10-S atteint 46.3 mAP avec une latence TensorRT de seulement 2.49ms, tandis qu’EfficientDet-d3 atteint un score similaire de 47.5 mAP, mais nécessite près de 20ms. YOLOv10 est donc largement supérieur pour la diffusion vidéo en temps réel ou les chaînes de production rapides.

Cas d’utilisation et recommandations#

Le choix entre YOLOv10 et EfficientDet dépend des exigences propres à ton projet, des contraintes de déploiement et de tes préférences en matière d’écosystème.

Quand choisir YOLOv10#

YOLOv10 est un excellent choix pour :

• Détection en temps réel sans NMS : les applications qui tirent parti de la détection de bout en bout sans suppression non maximale, ce qui réduit la complexité du déploiement.
• Équilibre entre vitesse et précision : les projets qui nécessitent un bon compromis entre vitesse d’inférence et précision de détection, pour différentes tailles de modèles.
• Applications à latence constante : les scénarios de déploiement où des temps d’inférence prévisibles sont essentiels, comme en robotique ou dans les systèmes autonomes.

Quand choisir EfficientDet#

EfficientDet est recommandé pour :

• Pipelines Google Cloud et TPU : systèmes étroitement intégrés aux API Google Cloud Vision ou à l’infrastructure TPU, où EfficientDet bénéficie d’une optimisation native.
• Recherche sur la mise à l’échelle composée : évaluation comparative universitaire axée sur l’étude des effets d’une mise à l’échelle équilibrée de la profondeur, de la largeur et de la résolution du réseau.
• Déploiement mobile avec LiteRT : projets nécessitant spécifiquement l’exportation vers LiteRT (anciennement TensorFlow Lite) pour Android ou les appareils Linux embarqués.

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 exclusivement CPU : les appareils dépourvus d’accélération GPU dédiée, où l’inférence CPU jusqu’à 43 % plus rapide de YOLO26 constitue un avantage décisif.
• Détection de petits objets : les situations difficiles, comme l’imagerie aérienne par drone ou l’analyse de capteurs IoT, où ProgLoss et STAL améliorent considérablement la précision pour les objets minuscules.

La nouvelle référence : voici Ultralytics YOLO26#

YOLOv10 a introduit le paradigme novateur sans NMS et EfficientDet a mis en avant une mise à l’échelle réfléchie, mais le paysage de la vision par ordinateur a continué d’évoluer. Pour les développeurs qui démarrent de nouveaux projets aujourd’hui, Ultralytics YOLO26 représente sans conteste l’état de l’art. Sorti en janvier 2026, il réunit le meilleur de tous les univers dans une solution aboutie, prête pour la production, au sein de la plateforme Ultralytics.

Pourquoi YOLO26 surpasse la concurrence#

1. Conception de bout en bout sans NMS : YOLO26 propose en option une tête un-à-un (nms=False) reprenant la conception de bout en bout sans NMS mise au point par YOLOv10, ce qui simplifie le déploiement et accélère l’inférence.
2. Jusqu’à 43 % d’inférence CPU plus rapide : pour les appareils en périphérie dépourvus d’accélérateurs dédiés, YOLO26 est spécialement optimisé pour fonctionner efficacement sur des CPU standard.
3. Optimiseur MuSGD avancé : inspiré par les innovations en matière d’entraînement des LLM, YOLO26 utilise un hybride de SGD et de Muon pour assurer un entraînement extrêmement stable et une convergence rapide, améliorant nettement l’efficacité de l’entraînement par rapport à EfficientDet.
4. ProgLoss + STAL : ces fonctions de perte améliorées augmentent considérablement la reconnaissance des petits objets, traditionnellement un point faible de YOLOv10 et d’EfficientDet.
5. Suppression de DFL : en supprimant Distribution Focal Loss, YOLO26 s’exporte facilement vers presque tous les formats matériels, notamment OpenVINO et CoreML.

De plus, YOLO26 offre une polyvalence inégalée. Alors qu’EfficientDet et YOLOv10 sont exclusivement des modèles de détection, YOLO26 gère facilement les boîtes englobantes orientées, la classification d’images et la segmentation d’instances à l’aide du même package Python Ultralytics intuitif.

Facilité d’utilisation avec Ultralytics#

L’écosystème bien maintenu d’Ultralytics garantit une expérience de développement fluide. Entraîner un modèle, le valider et l’exporter pour l’intégration de TensorRT ne demande que quelques lignes de code.

from ultralytics import YOLO

# Charger un modèle YOLOv10 préentraîné (ou passer directement à YOLO26)
model = YOLO("yolov10n.pt")

# Entraîne efficacement le modèle sur un jeu de données personnalisé
model.train(data="coco8.yaml", epochs=50, imgsz=640)

# Exécuter l’inférence et visualiser immédiatement les résultats
results = model("https://ultralytics.com/images/bus.jpg")
results[0].show()

# Exporter pour un déploiement rapide
model.export(format="engine", quantize=16)

Conclusion#

Pour comparer YOLOv10 et EfficientDet, le choix dépend largement de tes préférences en matière de framework et de tes contraintes de vitesse. EfficientDet propose une approche structurée de mise à l’échelle des modèles au sein de l’écosystème TensorFlow. YOLOv10 offre toutefois de meilleures performances en temps réel, une consommation mémoire plus faible et un parcours de déploiement plus direct grâce à son architecture sans NMS.

Pour obtenir le meilleur équilibre entre performances, facilité d’utilisation et polyvalence multitâche, il est vivement recommandé de passer à l’Ultralytics Platform et d’utiliser YOLO26. YOLO26 reprend les innovations sans NMS de YOLOv10, applique des techniques d’entraînement de pointe comme l’optimiseur MuSGD et les intègre à un framework open source robuste, soutenu par une vaste communauté mondiale.