YOLOv10 contre RTDETRv2#

La vision par ordinateur évolue rapidement, et les nouvelles architectures repoussent régulièrement l’état de l’art en matière de détection d’objets en temps réel. YOLOv10 et RTDETRv2 constituent deux jalons notables. Les deux modèles éliminent un goulot d’étranglement des pipelines de détection traditionnels en supprimant le post-traitement par suppression non maximale (NMS), mais ils s’attaquent à ce défi avec des architectures très différentes.

Cette comparaison technique analyse leurs architectures, leurs méthodes d’entraînement et leurs scénarios de déploiement idéaux afin d’aider les développeurs et les chercheurs à choisir l’outil adapté à leur prochain projet d’IA visuelle.

YOLOv10 : détection en temps réel sans NMS#

Développé par des chercheurs de l’université Tsinghua, YOLOv10 privilégie l’efficacité architecturale et la suppression des goulots d’étranglement liés au post-traitement. En introduisant des assignations doubles cohérentes pour l’entraînement sans NMS, il offre une précision compétitive et une latence d’inférence réduite.

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 contribution de YOLOv10 est sa conception de modèle holistique axée sur l’efficacité et la précision. Il optimise divers composants selon ces deux critères et réduit la surcharge de calcul. La stratégie d’assignations doubles cohérentes permet au modèle de s’entraîner sans dépendre de NMS, ce qui se traduit par un pipeline de déploiement rationalisé de bout en bout. C’est particulièrement utile lors de l’exportation des modèles vers des formats edge comme ONNX ou TensorRT, où le post-traitement peut entraîner une latence imprévue.

Points forts et points faibles#

Le modèle offre un bon compromis entre vitesse et précision, en particulier dans ses variantes plus petites (N et S). Sa faible latence le rend bien adapté aux environnements edge à haut débit. Toutefois, même si YOLOv10 excelle en vitesse brute de détection, 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 extraire les caractéristiques visuelles à un encodeur-décodeur Transformer pour comprendre la scène dans son ensemble. Le mécanisme d’auto-attention du Transformer permet au modèle d’appréhender globalement l’image, ce qui le rend efficace pour traiter des scènes complexes, des objets qui se chevauchent et des foules denses.

Points forts et points faibles#

L’architecture Transformer offre une excellente précision, en particulier avec un grand nombre de paramètres, et produit nativement les détections finales sans NMS. Mais cela a un coût. Les modèles Transformer nécessitent traditionnellement davantage de mémoire CUDA à l’entraînement et peuvent converger plus lentement que les architectures entièrement CNN. Bien que RTDETRv2 ait amélioré sa vitesse 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 :

YOLOv10 présente un avantage net en matière d’efficacité des paramètres et de vitesse d’inférence TensorRT à tailles comparables, tandis que RTDETRv2 est légèrement plus précis aux échelles s, m et l (par exemple, 48,1 contre 46,3 mAP pour les modèles s, à 5,03 ms contre 2,49 ms). RTDETRv2-x égale YOLOv10x en précision (54,3 contre 54,4 mAP), mais nécessite plus de 2,5 fois plus de paramètres (76 M contre 29,5 M) et un nombre de FLOPs supérieur (259 B contre 160,4 B).

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 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.

L’avantage Ultralytics : écosystème et innovation#

YOLOv10 et RTDETRv2 sont tous deux des détecteurs performants, mais le choix d’un modèle dépend souvent de l’écosystème logiciel qui l’entoure. La plateforme Ultralytics fournit une interface unifiée qui masque une grande partie de la complexité des workflows de deep learning.

La nouvelle référence : Ultralytics YOLO26#

Pour les développeurs en quête des meilleures performances, Ultralytics YOLO26 réunit les avancées architecturales récentes. Sorti en janvier 2026, YOLO26 hérite de la conception de bout en bout sans NMS de YOLOv10 sous la forme d’une tête facultative (nms=False), ce qui élimine le post-traitement par NMS et permet un déploiement plus rapide et plus simple.

De plus, YOLO26 introduit ProgLoss + STAL pour améliorer sensiblement la reconnaissance des petits objets et, contrairement à YOLOv10, limité à la détection, 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 les boîtes englobantes orientées (OBB), avec des améliorations propres à chaque tâche, comme une fonction de perte de segmentation sémantique et l’estimation résiduelle de log-vraisemblance (RLE) pour la pose. La suppression de Distribution Focal Loss (DFL) simplifie aussi l’export et améliore la compatibilité avec les appareils à faible consommation.

Facilité d’utilisation et efficacité de l’entraînement#

Que tu utilises des modèles antérieurs comme Ultralytics YOLO11 ou le nouveau YOLO26, l’API Python limite la mémoire consommée à l’entraînement et simplifie les workflows. La même API exécute également YOLOv10 et RT-DETR :

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 maintenu fournit des outils pour faciliter le réglage des hyperparamètres et s’intègre aux outils de suivi d’expériences ainsi qu’aux options de déploiement des modèles.

Conclusion#

YOLOv10 et RTDETRv2 sont deux jalons importants de la détection d’objets sans NMS. RTDETRv2 montre que les Transformers peuvent atteindre une latence en temps réel et comprendre efficacement le contexte global, au prix d’exigences mémoire plus élevées. YOLOv10 offre une solution CNN efficace et rapide, adaptée aux tâches de détection soumises à des contraintes de ressources.

Pour obtenir des performances équilibrées, une polyvalence multitâche et un écosystème mature, nous recommandons Ultralytics YOLO26. Il associe les idées architecturales de ses prédécesseurs à des outils faciles à utiliser qui simplifient le déploiement de l’IA visuelle.