YOLOv5 vs EfficientDet#

Lorsque tu démarres un projet de vision par ordinateur, le choix de l'architecture de réseau neuronal est l'une des décisions les plus importantes que tu auras à prendre. Ce guide propose une comparaison technique approfondie entre Ultralytics YOLOv5 et EfficientDet de Google. En analysant leurs architectures, leurs métriques de performance et leurs écosystèmes d'entraînement, nous souhaitons aider les développeurs et les chercheurs à identifier le meilleur modèle de détection d'objets pour leurs environnements de déploiement spécifiques.

EfficientDet a introduit de nouveaux concepts de mise à l'échelle composée et de fusion de caractéristiques, tandis que YOLOv5 a révolutionné le secteur en démocratisant l'accès à une IA haute performance grâce à son implémentation PyTorch incroyablement intuitive, à son expérience utilisateur simplifiée et à son équilibre inégalé entre vitesse et précision.

Ultralytics YOLOv5 : la référence du secteur en matière d'accessibilité#

Sorti à l'été 2020, YOLOv5 a marqué un tournant dans la lignée YOLO. Passé du framework Darknet en C à PyTorch natif, il est devenu l'architecture de prédilection des développeurs qui cherchent à créer, entraîner et déployer rapidement des modèles.

• Auteurs : Glenn Jocher
• Organisation : Ultralytics
• Date : 2020-06-26
• GitHub : https://github.com/ultralytics/yolov5
• Documentation : https://docs.ultralytics.com/models/yolov5

Innovations architecturales#

YOLOv5 est réputé pour son architecture hautement optimisée, qui privilégie un cycle de vie fluide de l'apprentissage automatique. Il utilise un backbone CSPDarknet53 modifié associé à un réseau d'agrégation de chemins (PANet) comme neck, ce qui améliore considérablement la propagation des caractéristiques à plusieurs échelles spatiales.

Principales avancées :

• Augmentation de données Mosaic : cette technique d'entraînement combine quatre images d'entraînement distinctes en une seule mosaïque. Elle oblige le modèle à apprendre à reconnaître les objets dans des contextes spatiaux complexes et améliore considérablement sa capacité à détecter les petites cibles.
• Apprentissage automatique des boîtes d'ancrage : avant le début de l'entraînement, YOLOv5 analyse tes données d'entraînement personnalisées et calcule automatiquement les dimensions optimales des boîtes d'ancrage à l'aide du clustering k-means.
• Efficacité mémoire : par rapport aux modèles lourds basés sur des Transformers, YOLOv5 conserve une empreinte mémoire nettement plus faible pendant l'entraînement comme pendant l'inférence, ce qui lui permet de fonctionner sans problème sur du matériel grand public.

EfficientDet : détection d'objets évolutive#

Présenté par Google Research en 2019, EfficientDet visait à proposer une famille de détecteurs d'objets évolutifs. Il s'appuie sur le backbone de classification d'images EfficientNet et introduit un nouveau mécanisme de fusion des caractéristiques.

• Auteurs : Mingxing Tan, Ruoming Pang et Quoc V. Le
• Organisation : Google
• Date : 2019-11-20
• arXiv : https://arxiv.org/abs/1911.09070
• GitHub : https://github.com/google/automl/tree/master/efficientdet
• Documentation : https://github.com/google/automl/tree/master/efficientdet#readme

Innovations architecturales#

La proposition centrale d'EfficientDet repose sur une approche systématique de mise à l'échelle et d'agrégation des caractéristiques :

• BiFPN (réseau pyramidal de caractéristiques bidirectionnel) : contrairement aux FPN classiques, qui transmettent les informations uniquement de haut en bas, BiFPN permet une fusion rapide et simple des caractéristiques à plusieurs échelles en introduisant des poids apprenables qui déterminent l'importance des différentes caractéristiques en entrée.
• Mise à l'échelle composée : EfficientDet augmente conjointement la résolution, la profondeur et la largeur du backbone, du réseau de caractéristiques et des réseaux de prédiction des boîtes et des classes, ce qui donne des modèles allant du D0 léger au D7 massif.

En savoir plus sur EfficientDet

Comparaison des performances et des métriques#

Pour comparer ces modèles, il est essentiel d'évaluer leurs performances sur des benchmarks standards comme le jeu de données COCO. Le tableau ci-dessous met en évidence les compromis entre taille, demande de calcul (FLOPs) et vitesse d'inférence.

Analyse équilibrée#

YOLOv5 se distingue par sa flexibilité de déploiement et sa compatibilité avec l'accélération matérielle brute. Remarque les vitesses TensorRT fulgurantes sur le GPU T4. YOLOv5 est ainsi parfaitement adapté à l'analyse vidéo à haut débit et aux pipelines d'inférence en temps réel. En outre, l'écosystème Ultralytics permet d'exporter vers des formats comme ONNX, CoreML et TensorRT à l'aide d'une seule commande.

EfficientDet offre une excellente efficacité en matière de paramètres. À nombre de paramètres égal, il atteint souvent une précision moyenne (mAP) élevée. Cependant, cette efficacité théorique ne se traduit pas toujours par une inférence plus rapide en temps réel sur les GPU de périphérie, en raison du routage complexe de la couche BiFPN, qui peut être limité par la bande passante mémoire plutôt que par la puissance de calcul.

Écosystème et facilité d'utilisation#

L'avantage déterminant d'un modèle Ultralytics réside dans l'écosystème qui l'entoure. YOLOv5 fait partie d'un dépôt activement développé et soigneusement entretenu, qui bénéficie d'un soutien important de la communauté.

Avec l'arrivée de la plateforme Ultralytics, les utilisateurs peuvent passer facilement de la collecte de données au déploiement. La plateforme intègre dès le départ l'annotation automatique, l'entraînement dans le cloud et la surveillance des modèles. En revanche, l'entraînement d'EfficientDet exige souvent de se familiariser avec les anciennes API TensorFlow de détection d'objets, dont la prise en main peut être difficile pour le prototypage rapide.

En outre, la polyvalence de YOLOv5 va au-delà des boîtes englobantes. Grâce à des mises à jour continues, le framework Ultralytics prend en charge nativement la segmentation d'instances et la classification d'images, en proposant une API unifiée pour plusieurs tâches de vision par ordinateur.

Cas d’utilisation idéaux#

• Choisis YOLOv5 si : tu as besoin de prototyper rapidement, d'une expérience d'entraînement sans friction et d'un déploiement en périphérie hautement optimisé. Il est idéal pour les drones, l'analyse du commerce de détail et les applications mobiles où une faible latence est essentielle.
• Choisis EfficientDet si : tu travailles exclusivement dans un environnement Google Cloud/TensorFlow AutoML et que tu as besoin d'une précision maximale par paramètre sans contraintes strictes de latence en temps réel.

La nouvelle génération : adopter YOLO26#

YOLOv5 reste un outil fiable et éprouvé, mais le paysage de la vision par ordinateur a évolué. Pour les développeurs qui recherchent le nec plus ultra en 2026, YOLO26 représente le nouveau sommet de la gamme Ultralytics.

Dans la continuité de ses prédécesseurs, comme YOLOv8 et YOLO11, YOLO26 introduit des innovations majeures :

• Conception de bout en bout sans NMS : la tête optionnelle one-to-one de YOLO26 (nms=False) élimine le besoin de post-traitement par suppression non maximale. Cela réduit considérablement la variabilité de la latence et simplifie l'architecture de déploiement.
• Inférence CPU jusqu'à 43 % plus rapide : fortement optimisé pour l'IA en périphérie, il apporte des vitesses inédites aux appareils de périphérie à faible consommation et aux processeurs CPU classiques sans GPU dédié.
• Optimiseur MuSGD : inspiré des techniques d'entraînement des grands modèles de langage (LLM), cet hybride de SGD et de Muon assure un entraînement très stable et une convergence rapide.
• Fonctions de perte avancées : l'intégration de ProgLoss et de STAL améliore considérablement la reconnaissance des petites cibles, essentielle pour l'imagerie par drone à haute altitude et la robotique.
• Suppression de DFL : en supprimant Distribution Focal Loss, le processus d'exportation du modèle est simplifié, ce qui améliore encore la compatibilité avec divers accélérateurs matériels.

Les utilisateurs qui souhaitent explorer d'autres architectures récentes de l'écosystème Ultralytics peuvent également comparer des modèles comme YOLOv10 ou RT-DETR.

Exemple de code : entraînement et inférence#

Pour montrer à quel point l'écosystème Ultralytics est facile à utiliser, voici comment entraîner un modèle YOLO moderne et lancer l'inférence. Ce code est exécutable à 100 % et gère automatiquement le téléchargement du jeu de données, les boucles d'entraînement et la validation.

from ultralytics import YOLO

# Charger un modèle moderne (remplace 'yolov5su.pt' par 'yolo26n.pt' pour tester l'architecture la plus récente !)
model = YOLO("yolov5su.pt")  # YOLOv5u : poids YOLOv5 sans ancres pour le package ultralytics

# Entraîner le modèle sur le jeu de données d'exemple COCO8 pendant 20 époques
results = model.train(data="coco8.yaml", epochs=20, imgsz=640)

# Lancer une inférence sur une image provenant du Web
inference_results = model("https://ultralytics.com/images/bus.jpg")

# Afficher l'image avec les boîtes englobantes
inference_results[0].show()

En privilégiant l'expérience utilisateur, en entretenant un écosystème robuste et en repoussant sans cesse les limites du possible grâce à des mises à jour comme YOLO26, Ultralytics veille à ce que les développeurs disposent toujours des meilleurs outils pour relever les défis concrets de l'intelligence visuelle.