Commencer

YOLOv10 vs YOLOv9

L’évolution de la vision par ordinateur en temps réel a apporté des progrès constants en matière de vitesse, de précision et d’efficacité architecturale. Pour évaluer des modèles en vue de ton prochain déploiement, comparer YOLOv10 et YOLOv9 permet de découvrir deux approches distinctes pour résoudre les goulots d’étranglement de l’apprentissage profond. YOLOv9 vise à maximiser le flux d’informations de gradient pendant l’entraînement, tandis que YOLOv10 a introduit une conception de bout en bout qui supprime le post-traitement NMS.

Ce guide analyse leurs innovations architecturales, leurs métriques de performance et leurs cas d’usage idéaux pour aider les développeurs et les chercheurs à choisir le bon modèle pour leurs tâches de vision par ordinateur.

YOLOv10 : détection en temps réel sans NMS#

Conçu pour résoudre les goulots d’étranglement de latence des détecteurs d’objets traditionnels, YOLOv10 introduit une architecture de bout en bout qui supprime le besoin de recourir à la suppression non maximale (NMS).

Détails techniques et historique :

En savoir plus sur YOLOv10

Architecture et points forts#

La contribution la plus importante de YOLOv10 au domaine est sa stratégie d’assignation double cohérente pour l’entraînement sans NMS. En éliminant la NMS, le modèle réduit la latence d’inférence, surtout sur les appareils edge, où le post-traitement peut ralentir tout le pipeline. Il optimise divers composants sous l’angle de l’efficacité et de la précision, ce qui produit un excellent compromis entre vitesse et nombre de paramètres. Par exemple, la variante YOLOv10-S s’exécute en 2,49 ms sur un GPU T4 avec TensorRT, ce qui la rend particulièrement adaptée à l’analyse vidéo à haute vitesse et à la navigation robotique en temps réel.

Points faibles#

La conception sans NMS a constitué une avancée importante pour la détection de boîtes englobantes, mais YOLOv10 est un détecteur d’objets à part entière. Il n’offre pas la polyvalence prête à l’emploi des modèles plus récents qui prennent nativement en charge la segmentation d’instances ou l’estimation de pose.

Exporter YOLOv10

Pour préparer YOLOv10 à la production, exporte le modèle vers des formats optimisés comme TensorRT ou ONNX, en utilisant nms=False pour sélectionner sa tête un-à-un sans NMS. Le déploiement de poids PyTorch bruts peut entraîner une inférence plus lente que prévu, en raison d’opérations du graphe non optimisées.

YOLOv9 : informations de gradient programmables#

Avant YOLOv10, YOLOv9 a introduit de nouveaux concepts architecturaux pour résoudre le problème de goulot d’étranglement de l’information inhérent aux réseaux neuronaux profonds, permettant une utilisation très efficace des paramètres.

Détails techniques et historique :

En savoir plus sur YOLOv9

Architecture et points forts#

YOLOv9 introduit l’information de gradient programmable (PGI), ainsi que le réseau généralisé d’agrégation efficace des couches (GELAN). PGI garantit que les informations essentielles sur les cibles ne se perdent pas lorsque les données traversent les couches profondes du réseau, ce qui produit des gradients fiables pour la mise à jour des poids. GELAN maximise l’efficacité des paramètres du réseau. Ensemble, ces innovations permettent à YOLOv9 d’obtenir une précision moyenne (mAP) élevée sur le jeu de données MS COCO, dépassant souvent des modèles plus lourds tout en utilisant moins de FLOPs. C’est un modèle performant pour les chercheurs qui cherchent à maximiser les métriques de précision.

Points faibles#

Malgré sa grande précision, YOLOv9 s’appuie toujours sur le post-traitement NMS standard. Ainsi, même si les opérations du réseau neuronal sont rapides, le filtrage final des boîtes englobantes peut entraîner une latence variable selon la densité des objets dans la scène. De plus, son entraînement peut consommer davantage de mémoire que celui des modèles plus récents, ce qui nécessite des ressources GPU plus puissantes pour ajuster le modèle à un jeu de données personnalisé.

Comparaison des performances#

Le tableau ci-dessous présente les principales métriques des deux modèles. Remarque que YOLOv10 obtient généralement une latence inférieure avec TensorRT, tandis que YOLOv9 repousse les limites de la précision dans sa configuration la plus grande.

Modèletaille
(pixels)
mAPval50-95Vitesse
CPU ONNX
(ms)
Vitesse
T4 TensorRT10
(ms)
paramètres
(M)
FLOPs
(B)
YOLOv10n64038.5-1.842.36.7
YOLOv10s64046.3-2.497.221.6
YOLOv10m64051.1-4.7415.459.1
YOLOv10b64052.5-5.7419.192.0
YOLOv10l64053.2-7.2824.4120.3
YOLOv10x64054.4-10.7029.5160.4
YOLOv9t64038.3-2.32.07.7
YOLOv9s64046.8-3.547.226.7
YOLOv9m64051.4-6.4320.176.8
YOLOv9c64053.0-7.1625.5102.8
YOLOv9e64055.6-16.7758.1192.5

YOLOv9 et YOLOv10 sont des étapes importantes, mais le domaine de l’apprentissage automatique évolue rapidement. En production, de nombreux développeurs s’appuient sur l’écosystème intégré et bien maintenu de la plateforme Ultralytics. En 2026, Ultralytics recommande YOLO26 pour la recherche comme pour les entreprises.

YOLO26 s’appuie sur les concepts de ses prédécesseurs et offre une expérience utilisateur simplifiée, une API simple et des besoins en mémoire à l’entraînement inférieurs à ceux des architectures basées sur Transformer.

Principales innovations de YOLO26#

  • Conception de bout en bout sans NMS : dans la continuité de YOLOv10, YOLO26 prend en charge l’inférence facultative de bout en bout, qui ignore le post-traitement NMS avec nms=False pour simplifier le déploiement et rendre la latence plus prévisible.
  • Inférence sur CPU jusqu’à 43 % plus rapide : YOLO26n est jusqu’à 43 % plus rapide que YOLO11n sur CPU, ce qui rend YOLO26 particulièrement adapté à l’IA edge et aux systèmes embarqués sans GPU dédié.
  • Optimiseur MuSGD : hybride de SGD et de Muon (inspiré des optimisations des grands modèles de langage), qui assure un entraînement stable et une convergence rapide.
  • Suppression de DFL : en supprimant Distribution Focal Loss, YOLO26 simplifie le processus d’exportation du modèle et améliore la compatibilité avec les appareils basse consommation et divers frameworks de déploiement edge.
  • Améliorations propres aux tâches : contrairement aux détecteurs conçus pour une seule tâche, 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. Il utilise une fonction de perte de segmentation sémantique pour améliorer la segmentation d’instances, l’estimation résiduelle de log-vraisemblance (RLE) pour une estimation de pose plus précise et une fonction de perte angulaire spécialisée pour résoudre les problèmes de frontières des OBB (boîtes englobantes orientées).
Les atouts de l’écosystème Ultralytics

Choisir un modèle Ultralytics comme YOLO11 ou YOLO26, c’est bénéficier d’une prise en main facile, d’un développement actif, d’une grande communauté et de mises à jour fréquentes qui assurent la compatibilité de tes modèles avec des moteurs d’inférence comme OpenVINO et CoreML.

Mise en œuvre pratique#

L’entraînement et le déploiement de ces modèles sont simples avec le package Python Ultralytics. L’exemple suivant présente le workflow d’entraînement Ultralytics, qui gère automatiquement la planification du taux d’apprentissage et l’augmentation des données.

from ultralytics import YOLO

# Charger le modèle YOLO26 recommandé
model = YOLO("yolo26n.pt")  # Également compatible avec 'yolov10n.pt' ou 'yolov9c.pt'

# Entraîner le modèle sur le jeu de données d’exemple COCO8
train_results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=0, batch=16)

# Exécuter l’inférence
predictions = model.predict("https://ultralytics.com/images/bus.jpg")

# Exporte au format ONNX pour simplifier le déploiement en périphérie
model.export(format="onnx")

Cas d’utilisation et recommandations#

Le choix entre YOLOv10 et YOLOv9 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 YOLOv9#

YOLOv9 est recommandé pour :

  • Recherche sur les goulots d’étranglement de l’information : les projets universitaires qui étudient les architectures à informations de gradient programmables (PGI) et à réseau généralisé d’agrégation efficace des couches (GELAN).
  • Études sur l’optimisation du flux de gradients : les recherches axées sur la compréhension et l’atténuation des pertes d’information dans les couches profondes des réseaux pendant l’entraînement.
  • Évaluation comparative de la détection de haute précision : les scénarios où les solides performances de YOLOv9 sur COCO servent de référence pour comparer les architectures.

Quand choisir Ultralytics (YOLO26)#

Pour la plupart des nouveaux projets, Ultralytics YOLO26 offre la meilleure combinaison de performances et d’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.

Conclusion#

YOLOv9 et YOLOv10 présentent chacun des avantages uniques. YOLOv9 optimise l’efficacité en paramètres et le flux de gradient, et YOLOv9e atteint la précision la plus élevée dans cette comparaison. YOLOv10 a introduit la détection de boîtes englobantes de bout en bout dans la famille YOLO sans le coût de latence de la NMS.

Pour les développeurs qui recherchent le meilleur équilibre entre performances, polyvalence et facilité d’utilisation, il vaut la peine de passer à des modèles plus récents. Grâce à son optimiseur MuSGD, à ProgLoss + STAL pour améliorer la détection des petits objets et à la prise en charge de plusieurs tâches, YOLO26 est le choix recommandé pour les projets de vision par ordinateur en conditions réelles.

Contributeurs

Commentaires

Pose une question, partage tes résultats ou aide quelqu’un d’autre.