YOLOv10 contre YOLOv5
Le choix de la bonne architecture de réseau neuronal est essentiel pour déployer avec succès des pipelines de vision par ordinateur en production. Cette page propose une analyse technique approfondie comparant YOLOv10 et YOLOv5, deux modèles qui ont fortement influencé l’évolution de la détection d’objets en temps réel. Bien que ces deux modèles aient eu un impact considérable sur la communauté de l’intelligence artificielle, ils représentent des époques et des philosophies différentes en matière de conception d’architectures d’apprentissage profond.
Ce guide évalue ces architectures selon la précision moyenne (mAP), la latence d’inférence, l’efficacité des paramètres et le soutien de l’écosystème, afin de t’aider à choisir le meilleur modèle pour tes besoins de déploiement.
Présentation des modèles#
YOLOv10 : détection d’objets de bout en bout en temps réel#
Développé par des chercheurs de l’université Tsinghua, YOLOv10 a introduit une nouvelle approche de la détection d’objets en supprimant le besoin de post-traitement NMS.
- Auteurs : Ao Wang, Hui Chen, Lihao Liu, et al.
- Organisation : Université Tsinghua
- Date : 2024-05-23
- Article de recherche : arXiv:2405.14458
- Code source : Dépôt GitHub de YOLOv10
La caractéristique distinctive de YOLOv10 est sa conception de bout en bout sans NMS. Historiquement, les modèles YOLO s’appuyaient sur la suppression non maximale (NMS) pour filtrer les boîtes englobantes redondantes. YOLOv10 utilise des assignations doubles cohérentes pour l’entraînement sans NMS, ce qui réduit la variabilité de la latence d’inférence et simplifie la logique de déploiement. De plus, son architecture suit une conception holistique axée sur l’efficacité et la précision, qui optimise divers composants afin de réduire les calculs redondants.
YOLOv5 : la référence industrielle en matière de facilité d’utilisation#
Publié par Ultralytics en juin 2020, YOLOv5 a relevé les attentes en matière de facilité d’utilisation des frameworks open source d’IA visuelle. Il reste l’une des architectures les plus déployées dans le monde.
- Auteur : Glenn Jocher
- Organisation : Ultralytics
- Date : 2020-06-26
- Code source : Dépôt GitHub de YOLOv5
YOLOv5 est réputé pour sa facilité d’utilisation et son écosystème bien maintenu. Entièrement écrit en PyTorch, il prenait en charge dès le départ l’entraînement, la validation et l’export vers des formats comme ONNX et TensorRT. Contrairement à YOLOv10, axé sur la détection d’objets, YOLOv5 offre aussi de la polyvalence : le dépôt d’origine de YOLOv5 a ajouté la segmentation d’instances dans la v7.0 et la classification d’images dans la v6.2.
Comparaison des performances et des métriques#
Visualiser le rapport entre vitesse et précision est essentiel pour repérer les modèles qui offrent la meilleure précision sous une contrainte de vitesse donnée. Comprendre ces métriques de performance est fondamental pour choisir un modèle adapté aux contraintes propres à ton matériel.
| Modèle | taille (pixels) | mAPval50-95 | Vitesse CPU ONNX (ms) | Vitesse T4 TensorRT10 (ms) | paramètres (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv10n | 640 | 38.5 | - | 1.84 | 2.3 | 6.7 |
| YOLOv10s | 640 | 46.3 | - | 2.49 | 7.2 | 21.6 |
| YOLOv10m | 640 | 51.1 | - | 4.74 | 15.4 | 59.1 |
| YOLOv10b | 640 | 52.5 | - | 5.74 | 19.1 | 92.0 |
| YOLOv10l | 640 | 53.2 | - | 7.28 | 24.4 | 120.3 |
| YOLOv10x | 640 | 54.4 | - | 10.70 | 29.5 | 160.4 |
| YOLOv5n | 640 | 28.0 | - | 1.12 | 1.9 | 4.5 |
| YOLOv5s | 640 | 37.4 | - | 1.92 | 7.2 | 16.5 |
| YOLOv5m | 640 | 45.4 | - | 4.03 | 21.2 | 49.0 |
| YOLOv5l | 640 | 49.0 | - | 6.61 | 46.5 | 109.1 |
| YOLOv5x | 640 | 50.7 | - | 11.89 | 86.7 | 205.7 |
Analyse technique#
- Précision (mAP) : YOLOv10 affiche un net avantage générationnel en matière de précision. Par exemple, le modèle YOLOv10-X atteint 54,4 % de mAPval50-95, surpassant YOLOv5x (50,7 % de mAP). Ce gain est largement attribuable à la tête sans ancres de YOLOv10 et à des améliorations axées sur la précision, telles que les convolutions à grands noyaux et l'auto-attention partielle.
- Latence d’inférence : Les modèles YOLOv5 sont très rapides dans les benchmarks bruts TensorRT sur T4 (par exemple, YOLOv5n à 1,12 ms), mais YOLOv10 peut entièrement éviter l’étape de post-traitement NMS. Dans les déploiements pratiques de bout en bout, la conception sans NMS de YOLOv10 offre une latence plus constante, un facteur essentiel pour les applications en temps réel comme les véhicules autonomes et la robotique.
- Efficacité des paramètres : Les modèles YOLOv10 offrent un excellent équilibre des performances. YOLOv10-S atteint 46,3 % de mAP avec 7,2 millions de paramètres, soit autant que YOLOv5s, qui atteint 37,4 % de mAP.
Lors du déploiement sur des appareils d’IA en périphérie comme le NVIDIA Jetson, les modèles sans logique NMS (YOLOv10 ou YOLO26 exporté avec nms=False) se compilent souvent plus facilement en TensorRT, évitant les opérations de repli sur le CPU.
Cas d’utilisation et recommandations#
Le choix entre YOLOv10 et YOLOv5 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 YOLOv5#
YOLOv5 est recommandé pour :
- Systèmes éprouvés en production : déploiements existants où la longue expérience de stabilité de YOLOv5, sa documentation complète et sa vaste communauté sont appréciées.
- Entraînement avec des ressources limitées : les environnements disposant de ressources GPU limitées, où le pipeline d’entraînement efficace de YOLOv5 et ses besoins en mémoire réduits sont avantageux.
- Prise en charge étendue des formats d’exportation : les projets qui nécessitent un déploiement dans de nombreux formats, notamment ONNX, TensorRT, CoreML et LiteRT.
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 : appareils sans accélération GPU dédiée, sur lesquels YOLO26n est jusqu’à 43 % plus rapide que YOLO11n sur CPU.
- Détection de petits objets : scénarios difficiles comme les images aériennes capturées par drone ou l’analyse de capteurs IoT, où ProgLoss et STAL améliorent la précision sur les objets minuscules.
L’avantage Ultralytics#
YOLOv10 offre d’excellentes capacités de détection, mais s’appuyer sur des dépôts universitaires peut parfois compliquer les pipelines de production. En utilisant le package Python officiel d’Ultralytics, tu accèdes à un écosystème unifié qui prend en charge YOLOv5 et YOLOv10, ainsi que des fonctionnalités avancées.
- Efficacité de l’entraînement : les architectures Ultralytics YOLO sont optimisées pour consommer peu de mémoire à l’entraînement. Contrairement aux modèles Transformer plus lourds (comme RT-DETR), qui nécessitent beaucoup plus de mémoire CUDA, YOLOv5 et YOLOv10 s’entraînent facilement sur des GPU grand public standard.
- Intégration à l’écosystème : la plateforme Ultralytics permet aux développeurs de gérer visuellement les jeux de données et d’entraîner des modèles dans le cloud, tandis que le package Python s’intègre aux outils de suivi d’expériences comme Weights & Biases et prend en charge le réglage des hyperparamètres.
Exemple de code : entraînement#
Avec la bibliothèque Ultralytics, passer d’une architecture à l’autre est aussi simple que de modifier la chaîne du modèle. Le pipeline d’entraînement gère automatiquement l’augmentation des données, la mise à l’échelle et la configuration de l’optimiseur.
from ultralytics import YOLO
# Pour utiliser YOLOv5 :
# model = YOLO("yolov5su.pt")
# Pour utiliser YOLOv10 :
model = YOLO("yolov10s.pt")
# Entraîner le modèle sur un jeu de données personnalisé
results = model.train(
data="coco8.yaml",
epochs=100,
imgsz=640,
batch=16,
device=0, # Utiliser le GPU 0
)
# Exporter le modèle entraîné au format ONNX
path = model.export(format="onnx")La prochaine génération : Ultralytics YOLO26#
Si tu démarres un nouveau projet de machine learning, évalue le dernier modèle Ultralytics YOLO26. Publié en janvier 2026, il associe des innovations majeures des générations récentes de YOLO.
YOLO26 intègre la conception de bout en bout sans NMS de YOLOv10 sous la forme d’une tête one-to-one facultative (nms=False), ce qui simplifie le déploiement. YOLO26 apporte également plusieurs autres améliorations :
- Inférence CPU jusqu’à 43 % plus rapide : avec la suppression du module Distribution Focal Loss (DFL), YOLO26n est jusqu’à 43 % plus rapide que YOLO11n sur les CPU standard, ce qui rend YOLO26 bien adapté au déploiement mobile et aux capteurs IoT à faible consommation.
- Optimiseur MuSGD : Inspiré des techniques d’entraînement des grands modèles de langage (LLM), comme Kimi K2 de Moonshot AI, YOLO26 utilise un hybride de SGD et Muon. Cela assure un entraînement plus stable et une convergence plus rapide que les optimiseurs SGD et AdamW standard employés dans les modèles YOLO précédents.
- ProgLoss + STAL : Progressive Loss et l’assignation d’étiquettes adaptée aux petites cibles améliorent la reconnaissance des petits objets, essentielle pour l’imagerie par drone et les applications de sécurité aérienne.
- Améliorations propres aux tâches : alors que YOLOv10 est exclusivement un détecteur de boîtes englobantes, YOLO26 prend en charge la détection, la segmentation d’instances, la segmentation sémantique, l’estimation de profondeur, la classification, l’estimation de pose et les OBB, avec des améliorations spécifiques à chaque tâche, comme l’estimation résiduelle de log-vraisemblance (RLE) pour la pose et une fonction de perte angulaire spécialisée pour les boîtes englobantes orientées (OBB).
Pour comparer ces architectures à d’autres familles de détecteurs, consulte les comparaisons YOLO11 vs EfficientDet et RT-DETR vs YOLOv8.
Que tu t’appuies sur YOLOv5, éprouvé, sur YOLOv10 sans NMS ou sur le dernier YOLO26, l’écosystème Ultralytics fournit les outils nécessaires pour mettre rapidement tes applications d’IA visuelle en production.
Commentaires
Pose une question, partage tes résultats ou aide quelqu’un d’autre.