YOLOv10 contre RTDETRv2#

Le domaine de la vision par ordinateur évolue à un rythme effréné, de nouvelles architectures redéfinissant constamment l’état de l’art en matière de détection d’objets en temps réel. YOLOv10 et RTDETRv2 sont deux jalons importants de cette évolution. Les deux modèles visent à résoudre un goulot d’étranglement fondamental des pipelines de détection traditionnels en éliminant le post-traitement par suppression non maximale (NMS), mais ils abordent ce défi selon des paradigmes architecturaux très différents.

Cette comparaison technique propose une analyse approfondie de leurs architectures, de leurs méthodes d’entraînement et de leurs scénarios de déploiement idéaux, afin d’aider les développeurs et les chercheurs à choisir le bon outil pour leur prochain projet d’IA visuelle.

YOLOv10 : le pionnier sans NMS#

Développé par des chercheurs de l’université Tsinghua, YOLOv10 met fortement l’accent sur l’efficacité architecturale et la suppression des goulots d’étranglement liés au post-traitement. Grâce à l’introduction d’assignations doubles cohérentes pour l’entraînement sans NMS, il atteint des performances compétitives tout en réduisant considérablement la latence d’inférence.

Spécifications techniques#

• Auteurs : Ao Wang, Hui Chen, Lihao Liu, et al.
• Organisation : Université Tsinghua
• Date : 2024-05-23
• ArXiv : Article sur YOLOv10
• GitHub : THU-MIG/yolov10
• Documentation : Documentation YOLOv10

Architecture et méthodes#

La principale avancée de YOLOv10 réside dans la conception globale de son modèle, axée sur l’efficacité et la précision. Il optimise divers composants sous ces deux angles, réduisant fortement la surcharge de calcul. La stratégie d’assignations doubles cohérentes permet au modèle de s’entraîner sans dépendre de NMS, ce qui donne un pipeline de déploiement rationalisé de bout en bout. C’est particulièrement avantageux lors de l’exportation des modèles vers des formats edge comme ONNX ou TensorRT, où les opérations de post-traitement peuvent entraîner une latence inattendue.

Points forts et points faibles#

Le modèle offre un excellent compromis entre vitesse et précision, particulièrement dans ses variantes plus petites (N et S). Sa latence minimale le rend idéal pour les environnements edge à haute vitesse. Cependant, même si YOLOv10 excelle en vitesse de détection brute, il reste spécialisé dans la détection uniquement. Les équipes qui ont besoin de segmentation d’instances ou d’estimation de pose devront se tourner vers des frameworks plus polyvalents.

En savoir plus sur YOLOv10

RTDETRv2 : améliorer le Transformer de détection#

S’appuyant sur le Transformer de détection en temps réel d’origine, RTDETRv2 intègre un « ensemble d’astuces gratuites » pour améliorer ses performances de référence, montrant que les Transformers peuvent rivaliser avec les CNN dans les scénarios en temps réel.

Spécifications techniques#

• Auteurs : Wenyu Lv, Yian Zhao, Qinyao Chang, Kui Huang, Guanzhong Wang et Yi Liu
• Organisation : Baidu
• Date : 2024-07-24
• ArXiv : Article sur RTDETRv2
• GitHub : lyuwenyu/RT-DETR
• Docs : Lisez-moi de RTDETRv2

Architecture et méthodes#

RTDETRv2 utilise une architecture hybride qui associe un backbone de réseau neuronal convolutif (CNN) pour l’extraction des caractéristiques visuelles à un encodeur-décodeur Transformer pour une compréhension complète de la scène. Le mécanisme d’auto-attention du Transformer permet au modèle d’observer l’image dans son ensemble, ce qui le rend particulièrement efficace pour traiter les scènes complexes, les objets qui se chevauchent et les foules denses.

Points forts et points faibles#

L’architecture Transformer offre une excellente précision, en particulier à grande échelle en nombre de paramètres, et produit nativement les détections finales sans NMS. Cela a toutefois un coût. Les modèles Transformer nécessitent traditionnellement beaucoup plus de mémoire CUDA pendant l’entraînement et peuvent converger plus lentement que les architectures CNN pures. Bien que RTDETRv2 ait amélioré les vitesses d’inférence, il consomme généralement plus de mémoire que les variantes YOLO légères.

En savoir plus sur RTDETRv2

Comparaison des performances#

L’évaluation des métriques de performance permet de mieux cerner les points forts de chaque modèle. Le tableau suivant met en évidence leurs capacités sur le jeu de données COCO :

À l’analyse des données, YOLOv10 conserve un avantage net en matière d’efficacité des paramètres et de vitesse d’inférence TensorRT pour des tailles comparables. RTDETRv2-x égale YOLOv10x en précision, mais nécessite plus de 2,5 fois plus de paramètres (76M contre 29.5M) et un nombre de FLOPs nettement supérieur.

Cas d’utilisation et recommandations#

Le choix entre YOLOv10 et RT-DETR dépend des exigences spécifiques de 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 RT-DETR#

RT-DETR est recommandé pour :

• Recherche sur la détection basée sur les Transformer : projets étudiant les mécanismes d’attention et les architectures Transformer pour la détection d’objets de bout en bout sans NMS.
• Scénarios exigeant une grande précision et une latence flexible : applications où la précision de détection est prioritaire et où une latence d’inférence légèrement supérieure est acceptable.
• Détection de grands objets : scènes composées principalement d’objets de taille moyenne à grande, pour lesquelles le mécanisme d’attention globale des Transformer offre un avantage naturel.

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.

L’avantage Ultralytics : écosystème et innovation#

Bien que YOLOv10 et RTDETRv2 offrent de solides capacités de détection, le choix d’un modèle dépend souvent de l’écosystème logiciel qui l’entoure. La plateforme Ultralytics fournit une interface unifiée et fluide qui masque les complexités du deep learning.

La nouvelle référence : Ultralytics YOLO26#

Pour les développeurs qui recherchent les meilleures performances possibles, Ultralytics YOLO26 représente l’aboutissement des récentes avancées architecturales. Lancé début 2026, YOLO26 reprend la conception de bout en bout sans NMS introduite par YOLOv10, sous la forme d’une tête facultative (nms=False), éliminant le post-traitement NMS pour un déploiement plus rapide et plus simple.

En outre, YOLO26 introduit ProgLoss + STAL pour améliorer sensiblement la reconnaissance des petits objets et, contrairement à YOLOv10, spécialisé, il offre une polyvalence exceptionnelle. Il prend nativement en charge la détection d’objets, la segmentation, l’estimation de pose et les boîtes englobantes orientées (OBB), avec des améliorations propres à chaque tâche, comme la fonction de perte de segmentation sémantique et l’estimation du log-vraisemblance résiduel (RLE) pour la pose. En outre, la suppression de la perte focale de distribution (DFL) simplifie l’exportation et améliore la compatibilité avec les appareils basse consommation.

Facilité d’utilisation et efficacité de l’entraînement#

Que tu expérimentes avec des modèles d’ancienne génération comme Ultralytics YOLO11 ou avec YOLO26, l’API Python simplifiée garantit une consommation mémoire réduite pendant l’entraînement et des flux de travail extrêmement rapides.

from ultralytics import RTDETR, YOLO

# Entraîner le modèle YOLOv10 de bout en bout
model_yolo = YOLO("yolov10n.pt")
model_yolo.train(data="coco8.yaml", epochs=100, imgsz=640)

# Autre possibilité : évaluer RTDETR avec la même API
model_rtdetr = RTDETR("rtdetr-l.pt")
results = model_rtdetr.predict("https://ultralytics.com/images/bus.jpg")

L’écosystème bien entretenu fournit des outils pour faciliter le réglage des hyperparamètres et s’intègre parfaitement à de nombreuses solutions de suivi et options de déploiement de modèles.

Conclusion#

YOLOv10 et RTDETRv2 représentent tous deux des jalons majeurs dans la recherche d’une détection d’objets sans NMS. RTDETRv2 démontre que les Transformers peuvent atteindre une latence en temps réel tout en comprenant remarquablement bien le contexte global, au prix d’une consommation mémoire plus élevée. YOLOv10 offre une alternative CNN rapide et très efficace, conçue pour les tâches de détection soumises à des contraintes de ressources.

Toutefois, pour obtenir des performances équilibrées, une polyvalence multitâche et l’écosystème le plus mature, les développeurs sont vivement encouragés à utiliser Ultralytics YOLO26. Ce modèle associe avec brio les innovations architecturales de ses prédécesseurs à des outils robustes et faciles à utiliser, qui facilitent le déploiement de l’IA visuelle.