YOLOv10 vs YOLO11#

Le domaine de la vision par ordinateur évolue constamment, et de nouvelles architectures repoussent les limites du traitement en temps réel. Pour les développeurs et les chercheurs qui évoluent dans ce secteur en rapide mutation, il est essentiel de comprendre les nuances entre les modèles de pointe. Cette comparaison détaillée examine les différences techniques, les compromis en matière de performances et les cas d’usage idéaux de YOLOv10 et d’Ultralytics YOLO11, deux frameworks de détection d’objets très performants.

Les deux modèles obtiennent des résultats remarquables sur les jeux de données de référence, mais leurs philosophies de conception et leurs intégrations à l’écosystème diffèrent considérablement. En examinant leurs architectures, nous pouvons déterminer quelle solution correspond le mieux à tes contraintes de déploiement et aux objectifs de ton projet.

YOLOv10 : pionnier de la détection de bout en bout sans NMS#

Sorti au printemps 2024, YOLOv10 a proposé une nouvelle approche du pipeline traditionnel de détection d’objets en s’attaquant directement à la latence induite par le post-traitement.

• Auteurs : Ao Wang, Hui Chen, Lihao Liu, et al.
• Organisation : Université Tsinghua
• Date : 23 mai 2024
• Article de recherche : arXiv:2405.14458
• Code source : THU-MIG/yolov10 sur GitHub
• Documentation : Documentation YOLOv10

L’innovation phare de YOLOv10 est sa stratégie cohérente de double assignation, qui permet un entraînement sans NMS. Les détecteurs d’objets traditionnels s’appuient fortement sur la suppression non maximale (NMS) pour filtrer les prédictions redondantes de boîtes englobantes. En supprimant cette étape, YOLOv10 réalise une véritable détection de bout en bout, réduit la latence d’inférence et simplifie le déploiement sur des accélérateurs matériels comme les unités de traitement neuronal (NPUs), sur lesquelles les opérations NMS personnalisées sont notoirement difficiles à optimiser.

En savoir plus sur YOLOv10

YOLO11 : polyvalence et performances portées par l’écosystème#

Lancé plus tard la même année, YOLO11 incarne l’amélioration continue de la famille de modèles Ultralytics et vise un équilibre optimal entre vitesse, précision et expérience développeur.

• Auteurs : Glenn Jocher et Jing Qiu
• Organisation : Ultralytics
• Date : 27 septembre 2024
• Code source : Ultralytics sur GitHub
• Intégration à la plateforme : Plateforme Ultralytics

YOLO11 est conçu pour la production. S’il excelle dans la détection standard de boîtes englobantes, sa véritable force réside dans sa polyvalence. Contrairement à YOLOv10, principalement axé sur la détection d’objets, YOLO11 prend nativement en charge les tâches de segmentation d’instances, d’estimation de pose, de classification d’images et de boîtes englobantes orientées (OBB) grâce à une architecture unifiée. Il se distingue par ses besoins en mémoire particulièrement faibles pendant l’entraînement, ce qui le rend très accessible aux équipes qui utilisent des GPU grand public, par rapport aux architectures plus lourdes basées sur des transformeurs.

Comparaison des performances et des métriques#

Pour comparer ces modèles côte à côte, il est essentiel d’examiner leurs performances selon différentes variantes de taille sur des benchmarks standards comme le jeu de données COCO.

Le tableau ci-dessous met en évidence les différences de performances. YOLO11 devance souvent YOLOv10 en mAP dans la plupart des catégories de taille, tout en conservant des vitesses d’inférence TensorRT très compétitives.

Analyse approfondie de l’architecture#

Méthodologie et efficacité de l’entraînement#

L’architecture de YOLOv10 vise à réduire la redondance des calculs. En optimisant la conception du backbone et du neck selon une approche globale axée sur l’efficacité et la précision, les auteurs de l’Université Tsinghua ont réussi à réduire considérablement le nombre de paramètres des modèles de milieu de gamme (comme YOLOv10m) par rapport aux versions précédentes.

Toutefois, l’efficacité de l’entraînement est une caractéristique majeure des modèles Ultralytics. YOLO11 utilise le package Python ultralytics très abouti, qui masque la complexité du réglage des hyperparamètres. Ce framework gère automatiquement, dès l’installation, les augmentations de données avancées, la programmation du taux d’apprentissage et l’entraînement distribué sur plusieurs GPU. L’architecture de YOLO11 présente également un excellent flux de gradients, ce qui accélère la convergence et réduit l’utilisation de la VRAM pendant l’entraînement.

Facilité d’utilisation et atouts de l’écosystème#

Un facteur crucial pour l’adoption en entreprise est un écosystème bien entretenu. Les dépôts de recherche, bien qu’ils soient révolutionnaires, sont souvent abandonnés après la publication de l’article initial. L’écosystème Ultralytics, qui prend en charge YOLO11, offre une expérience développeur fluide de bout en bout.

Grâce à son intégration fluide avec des outils comme Weights & Biases pour le suivi des expériences et Roboflow pour la gestion des jeux de données, YOLO11 accélère le passage du prototype à la production. La facilité d’utilisation se manifeste dans l’API simplifiée, qui permet aux développeurs d’entraîner et d’exporter des modèles en quelques lignes de code.

from ultralytics import YOLO

# Initialiser le petit modèle YOLO11
model = YOLO("yolo11s.pt")

# Entraîne efficacement le modèle grâce à une gestion optimisée de la mémoire
results = model.train(data="coco8.yaml", epochs=50, imgsz=640, device="0")

# Exporte au format ONNX pour plus de flexibilité lors du déploiement
model.export(format="onnx")

Cas d’utilisation et recommandations#

Le choix entre YOLOv10 et YOLO11 dépend des exigences propres à ton projet, de tes 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 YOLO11#

YOLO11 est recommandé pour :

• Déploiement en périphérie en production : applications commerciales sur des appareils comme Raspberry Pi ou NVIDIA Jetson, où la fiabilité et la maintenance active sont primordiales.
• Applications de vision multitâches : projets nécessitant la détection, la segmentation, l’estimation de pose et les OBB au sein d’un framework unifié.
• Prototypage et déploiement rapides : équipes qui doivent passer rapidement de la collecte de données à la production à l’aide de l’API Python Ultralytics simplifiée.

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.

Explorer d’autres architectures#

YOLOv10 et YOLO11 sont d’excellents choix, mais d’autres architectures présentées dans la documentation pourraient mieux convenir à ton cas d’usage. Pour le raisonnement séquentiel, les modèles Transformer comme RT-DETR offrent une grande précision, mais nécessitent généralement davantage de mémoire. À l’inverse, si tu as besoin de capacités zero-shot pour identifier de nouvelles classes sans réentraînement, YOLO-World propose une approche à vocabulaire ouvert guidée par des invites en langage naturel.

La nouvelle génération : YOLO26#

Pour les équipes qui visent des performances de pointe absolues, le nouveau modèle Ultralytics YOLO26 réunit les meilleurs atouts des deux modèles présentés ci-dessus. Sorti en janvier 2026, YOLO26 est la recommandation par excellence pour les scénarios de déploiement modernes.

En s’appuyant sur les bases posées par ses prédécesseurs, YOLO26 intègre nativement une conception optionnelle de bout en bout sans NMS (nms=False), éliminant ainsi les goulots d’étranglement du post-traitement que YOLOv10 avait commencé à résoudre, mais au sein du framework robuste Ultralytics. De plus, YOLO26 supprime la DFL (Distribution Focal Loss), ce qui simplifie considérablement les graphes d’exportation du modèle et améliore la compatibilité avec les appareils en périphérie et les appareils IoT à faible consommation.

La stabilité de l’entraînement a également franchi un cap générationnel avec l’introduction de l’optimiseur MuSGD, une approche hybride inspirée des méthodes d’entraînement des LLM qui garantit une convergence extrêmement rapide. Associé à des fonctions de perte avancées comme ProgLoss + STAL, YOLO26 améliore sensiblement la reconnaissance des petits objets. Pour un déploiement sur des appareils standards en périphérie, ces améliorations architecturales permettent une inférence CPU jusqu’à 43 % plus rapide, faisant de YOLO26 un choix sans égal pour toutes les tâches de vision par ordinateur.