YOLOv5 vs EfficientDet
Lorsque tu démarres un projet de vision par ordinateur, choisir la bonne 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, il aide les développeurs et les chercheurs à identifier le meilleur modèle de détection d'objets pour leurs environnements de déploiement.
EfficientDet a introduit de nouveaux concepts de mise à l'échelle composée et de fusion des caractéristiques, tandis que YOLOv5 a largement démocratisé la détection d'objets performante grâce à son implémentation PyTorch intuitive, son expérience utilisateur fluide et son bon équilibre entre vitesse et précision.
Ultralytics YOLOv5 : la référence du secteur en matière d'accessibilité#
Publié en juin 2020, YOLOv5 a marqué un tournant dans la lignée YOLO. Développé nativement dans PyTorch plutôt que dans le framework Darknet en C utilisé par les versions précédentes de YOLO, il est devenu l'architecture de référence des développeurs souhaitant 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 optimisée et son cycle de vie fluide en apprentissage automatique. Il utilise un backbone CSPDarknet53 modifié associé à un neck Path Aggregation Network (PANet), qui améliore la propagation des caractéristiques à plusieurs échelles spatiales.
Principales avancées :
- Augmentation de données mosaïque : cette technique d'entraînement combine quatre images d'entraînement distinctes en une seule mosaïque. Le modèle doit ainsi apprendre à identifier des objets dans des contextes spatiaux complexes, ce qui améliore sa capacité à détecter de 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 : comparé aux modèles Transformer volumineux, YOLOv5 conserve une empreinte mémoire plus faible pendant l'entraînement comme pendant l'inférence, ce qui lui permet de fonctionner efficacement 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 ajuste conjointement la résolution, la profondeur et la largeur de tous les réseaux de backbone, de caractéristiques et de prédiction des boîtes et des classes, produisant des modèles allant du D0 léger au D7 le plus grand.
En savoir plus sur EfficientDet
EfficientDet dépend fortement de l'écosystème TensorFlow et des bibliothèques AutoML, tandis que YOLOv5 fonctionne nativement avec PyTorch et propose un flux de travail jugé plus intuitif, plus idiomatique en Python et plus facile à déboguer par de nombreux développeurs.
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.
| Modèle | taille (pixels) | mAPval50-95 | Vitesse CPU ONNX (ms) | Vitesse T4 TensorRT10 (ms) | paramètres (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| 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 |
| EfficientDet-d0 | 512 | 34.6 | - | 3.92 | 3.9 | 2.54 |
| EfficientDet-d1 | 640 | 40.5 | - | 7.31 | 6.6 | 6.1 |
| EfficientDet-d2 | 768 | 43.0 | - | 10.92 | 8.1 | 11.0 |
| EfficientDet-d3 | 896 | 47.5 | - | 19.59 | 12.0 | 24.9 |
| EfficientDet-d4 | 1024 | 49.7 | - | 33.55 | 20.7 | 55.2 |
| EfficientDet-d5 | 1280 | 51.5 | - | 67.86 | 33.7 | 130.0 |
| EfficientDet-d6 | 1280 | 52.6 | - | 89.29 | 51.9 | 226.0 |
| EfficientDet-d7 | 1536 | 53.7 | - | 128.07 | 51.9 | 325.0 |
Analyse équilibrée#
YOLOv5 se distingue par sa flexibilité de déploiement et sa compatibilité avec l'accélération matérielle. Ses vitesses TensorRT sur T4 sont nettement supérieures à celles d'EfficientDet pour une précision similaire ; par exemple, YOLOv5m atteint 45.4 mAP en 4.03 ms, contre 43.0 mAP en 10.92 ms pour EfficientDet-d2. YOLOv5 convient donc parfaitement aux chaînes d'analyse vidéo à haut débit et d'inférence en temps réel. De plus, l'écosystème Ultralytics permet d'exporter vers des formats comme ONNX, CoreML et TensorRT en une seule commande.
EfficientDet offre une excellente efficacité en nombre de paramètres. Pour un nombre donné de paramètres, il obtient souvent une précision moyenne (mAP) élevée. Toutefois, cette efficacité en nombre de paramètres ne se traduit pas toujours par des temps d’inférence réels plus courts sur GPU, car le routage complexe de la couche BiFPN peut être limité par la bande passante mémoire plutôt que par la capacité de calcul.
Écosystème et facilité d'utilisation#
Le principal avantage d'un modèle Ultralytics réside dans l'écosystème qui l'entoure. YOLOv5 fait partie d'un dépôt activement maintenu et soutenu par une vaste communauté.
Avec l'arrivée de la plateforme Ultralytics, les utilisateurs peuvent passer de la collecte des données au déploiement depuis un seul endroit. La plateforme prend en charge l'annotation automatique, l'entraînement dans le cloud et la surveillance des modèles. À l'inverse, l'entraînement d'EfficientDet nécessite souvent de se familiariser avec les complexités des anciennes API de détection d'objets TensorFlow, ce qui peut représenter une courbe d'apprentissage importante pour le prototypage rapide.
De plus, la polyvalence de YOLOv5 va au-delà des boîtes englobantes. Au fil des versions, le dépôt YOLOv5 a ajouté la segmentation d'instances (v7.0) et la classification d'images (v6.2), offrant une base de code 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 simple et d'un déploiement optimisé en périphérie. Il convient parfaitement aux drones, à l'analyse du commerce de détail et aux 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, mais le paysage de la vision par ordinateur a évolué. Pour les développeurs qui démarrent de nouveaux projets en 2026, YOLO26 est le modèle Ultralytics le plus récent et celui recommandé.
Dans la continuité de ses prédécesseurs comme YOLOv8 et YOLO11, YOLO26 introduit plusieurs innovations :
- Conception de bout en bout sans NMS : la tête facultative one-to-one de YOLO26 (
nms=False) supprime la nécessité du post-traitement par suppression des non-maxima. Cela réduit la variabilité de la latence et simplifie l'architecture de déploiement. - Inférence CPU jusqu'à 43 % plus rapide : YOLO26n s'exécute jusqu'à 43 % plus rapidement que YOLO11n sur CPU, ce qui est avantageux pour les appareils d'IA en périphérie basse consommation et les CPU classiques sans GPU dédié.
- Optimiseur MuSGD : inspiré des techniques d'entraînement des grands modèles de langage (LLM), cet hybride de SGD et Muon assure un entraînement stable et une convergence rapide.
- Stratégies d'entraînement avancées : l'intégration de ProgLoss et STAL améliore la reconnaissance des petites cibles, essentielle pour l'imagerie par drone à haute altitude et la robotique.
- Suppression de DFL : la suppression de Distribution Focal Loss simplifie le processus d'exportation du modèle et améliore sa 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.
L'API Python d'Ultralytics utilise la même interface pour toutes les générations de modèles. Si tu utilises des poids YOLOv5u dans le package ultralytics, passer à YOLO26 se résume à modifier la chaîne de caractères des poids du modèle dans ton code ; les projets basés sur le dépôt YOLOv5 d'origine doivent d'abord passer au package ultralytics.
Exemple de code : entraînement et inférence#
Voici comment entraîner un modèle YOLO et exécuter l'inférence avec le package Ultralytics. Le code fonctionne tel quel et gère automatiquement le téléchargement des jeux de données, les boucles d'entraînement et la validation.
from ultralytics import YOLO
# Charger un modèle YOLOv5u (remplacer par 'yolo26n.pt' pour essayer la dernière architecture)
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 donnant la priorité à l'expérience utilisateur, en maintenant son écosystème et en publiant des mises à jour comme YOLO26, Ultralytics fournit aux développeurs des outils actuels pour relever les défis concrets de l'IA de vision.
Commentaires
Pose une question, partage tes résultats ou aide quelqu’un d’autre.