YOLOv10 contre EfficientDet#

Sélectionner le réseau neuronal optimal pour la détection d'objets est une décision critique qui détermine la réussite des systèmes modernes de vision par ordinateur. Deux architectures majeures qui ont fortement influencé le domaine sont YOLOv10 et EfficientDet. Bien que toutes deux visent à maximiser la précision tout en minimisant la charge de calcul, elles adoptent des approches architecturales très différentes pour atteindre ces objectifs.

Ce guide complet examine leurs conceptions uniques, leurs méthodologies d'entraînement et leurs caractéristiques de déploiement afin d'aider les développeurs et les ingénieurs ML à prendre des décisions fondées sur les données pour les applications d'IA pour la vision. Nous examinerons leurs performances sur des matériels allant des appareils d'IA en périphérie embarqués aux GPU cloud puissants.

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 atteint une latence hautement prévisible, ce qui est essentiel pour les véhicules autonomes et la robotique à grande vitesse.

Innovations architecturales#

YOLOv10 introduit des affectations doubles cohérentes pour un entraînement sans NMS. Pendant l'entraînement, il exploite à la fois 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 meilleure BBox par objet lors de l'inférence. L'architecture intègre également une conception globale guidée par l'efficacité et la précision, en rationalisant la tête de classification et en réduisant la redondance computationnelle présente dans les versions précédentes.

Détails du modèle#

• Auteurs : Ao Wang, Hui Chen, Lihao Liu, et al.
• Organisation : Tsinghua University
• 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 cohérents, quel que soit le nombre d'objets présents dans la scène.
• Utilisation mémoire réduite : comparé aux modèles basés sur un Transformer comme RT-DETR, YOLOv10 nécessite beaucoup moins de mémoire pendant l'entraînement comme pendant l'inférence.
• Excellent compromis vitesse/précision : spécialement optimisé pour les scénarios à faible latence, sans sacrifier les métriques de performance.

Points faibles :

• Focalisation sur une seule tâche : contrairement au vaste écosystème Ultralytics, le dépôt d'origine de YOLOv10 est fortement axé sur la détection et ne prend pas nativement en charge 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 s'appuie 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 permet une fusion facile et rapide des 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 ainsi que des poids entraînables pour apprendre l'importance des différentes caractéristiques d'entrée. En outre, EfficientDet utilise une méthode de mise à l'échelle composée qui augmente uniformément la résolution, la profondeur et la largeur de tous les réseaux du backbone, des caractéristiques et de prédiction des BBox/classes.

Détails du modèle#

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

Points forts :

• Haute 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 raisonnée : la mise à l'échelle composée permet de choisir facilement une taille de modèle adaptée exactement à ton budget de calcul.

Points faibles :

• Intégration avec les frameworks historiques : l'implémentation d'origine dépend fortement d'anciennes versions de TensorFlow, ce qui peut compliquer les pipelines de déploiement modernes.
• Entraînement plus lent : entraîner EfficientDet à partir de zéro est notoirement lent et nécessite un réglage minutieux des hyperparamètres, comparé à la convergence rapide des architectures YOLO.
• Vitesse d'inférence : malgré son efficacité en nombre de paramètres, la complexité des opérations BiFPN entraîne souvent des vitesses d'inférence réelles plus faibles sur du matériel standard que celles de modèles YOLO hautement optimisés.

En savoir plus sur EfficientDet

Performances et benchmarks#

Le véritable test de 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 matière de nombre de paramètres, d'opérations en virgule flottante (FLOPs) et de latence d'inférence sur des GPU NVIDIA T4.

Comme indiqué ci-dessus, YOLOv10 conserve un avantage significatif en termes de vitesse d'inférence brute. Par exemple, YOLOv10-S atteint 46,7 mAP avec une latence TensorRT de seulement 2,66 ms, tandis qu'EfficientDet-d3 atteint une mAP similaire de 47,5, mais prend près de 20 ms, ce qui rend YOLOv10 largement supérieur pour le streaming vidéo en temps réel ou les pipelines de fabrication rapides.

Cas d'utilisation et recommandations#

Le choix entre YOLOv10 et EfficientDet dépend de tes exigences spécifiques, de tes contraintes de déploiement et de tes préférences en matière d'écosystème.

Quand choisir YOLOv10#

YOLOv10 est un choix pertinent pour :

• Détection en temps réel sans NMS : les applications qui bénéficient d’une détection de bout en bout sans suppression des non-maxima, réduisant ainsi la complexité du déploiement.
• Compromis équilibré entre vitesse et précision : les projets nécessitant un équilibre solide entre la vitesse d’inférence et la 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 la robotique ou les systèmes autonomes.

Quand choisir EfficientDet#

EfficientDet est recommandé pour :

• Pipelines Google Cloud et TPU : Les systèmes profondément intégrés aux API Google Cloud Vision ou à une infrastructure TPU, où EfficientDet bénéficie d’une optimisation native.
• Recherche sur la mise à l’échelle composée : Les évaluations universitaires axées sur l’étude des effets de la mise à l’échelle équilibrée de la profondeur, de la largeur et de la résolution des réseaux.
• Déploiement mobile via TFLite : Les projets qui nécessitent spécifiquement un export TensorFlow Lite pour Android ou les appareils Linux embarqués.

Quand choisir Ultralytics (YOLO26)#

Pour la plupart des nouveaux projets, Ultralytics YOLO26 offre le meilleur compromis entre performance et expérience développeur :

• Déploiement edge sans NMS : les applications nécessitant une inférence cohérente à faible latence, 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 scénarios difficiles comme les images aériennes prises par drone ou l'analyse de capteurs IoT, où ProgLoss et STAL améliorent considérablement la précision sur les objets minuscules.

La norme moderne : voici Ultralytics YOLO26#

Alors que YOLOv10 a introduit le paradigme révolutionnaire sans NMS et qu'EfficientDet a démontré les avantages d'une mise à l'échelle raisonnée, le paysage de la vision par ordinateur a continué d'évoluer. Pour les développeurs qui commencent aujourd'hui de nouveaux projets, Ultralytics YOLO26 représente l'état de l'art incontesté. Sorti en janvier 2026, il réunit le meilleur de tous les mondes dans un package hautement abouti, prêt pour la production, au sein de la Ultralytics Platform.

Pourquoi YOLO26 surpasse la concurrence#

1. Conception de bout en bout sans NMS : YOLO26 adopte nativement l'architecture de bout en bout sans NMS mise au point dans YOLOv10, ce qui rationalise le déploiement et accélère l'inférence.
2. Jusqu'à 43 % d'inférence plus rapide sur CPU : 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 des innovations de l'entraînement des LLM, YOLO26 utilise une combinaison de SGD et de Muon pour un entraînement extrêmement stable et une convergence rapide, améliorant considérablement l'efficacité de l'entraînement par rapport à EfficientDet.
4. ProgLoss + STAL : ces fonctions de perte améliorées apportent des gains remarquables pour la reconnaissance des petits objets, un point traditionnellement faible de YOLOv10 comme 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.

En outre, YOLO26 offre une polyvalence inégalée. Alors qu'EfficientDet et YOLOv10 sont strictement des modèles de détection, YOLO26 gère parfaitement les BBox 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 fourni par Ultralytics garantit une expérience développeur fluide. Entraîner un modèle, le valider et l'exporter vers l'intégration TensorRT ne prend que quelques lignes de code.

from ultralytics import YOLO

# Load a pre-trained YOLOv10 model (or upgrade to YOLO26 natively)
model = YOLO("yolov10n.pt")

# Train the model efficiently on a custom dataset
model.train(data="coco8.yaml", epochs=50, imgsz=640)

# Run inference and immediately visualize results
results = model("https://ultralytics.com/images/bus.jpg")
results[0].show()

# Export for rapid deployment
model.export(format="engine", quantize=16)

Conclusion#

Lorsque tu compares YOLOv10 et EfficientDet, le choix dépend fortement de tes préférences en matière de framework et de tes contraintes de vitesse. EfficientDet offre une approche structurée de la mise à l'échelle des modèles au sein de l'écosystème TensorFlow. Cependant, YOLOv10 fournit de meilleures performances en temps réel, une utilisation mémoire réduite et une voie de déploiement plus simple 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 la Ultralytics Platform et d'utiliser YOLO26. Ce modèle reprend les innovations sans NMS de YOLOv10, leur applique des techniques d'entraînement de pointe comme l'optimiseur MuSGD et les intègre dans un framework open source robuste, soutenu par une vaste communauté mondiale.