YOLOv5 vs PP-YOLOE+
Choisir la bonne architecture de réseau neuronal est essentiel pour tout projet moderne de vision par ordinateur. Lorsque les développeurs et les chercheurs évaluent des modèles de détection d'objets en temps réel, ils doivent souvent trouver le bon équilibre entre précision, vitesse d'inférence et facilité de déploiement. Cette comparaison technique examine YOLOv5 et PP-YOLOE+, en étudiant leurs architectures, leurs métriques de performance et leurs méthodes d'entraînement afin de t'aider à choisir le modèle adapté à ton application.
Comprendre les architectures#
Les deux modèles ont marqué l'IA de vision, mais ils abordent les défis de la détection d'objets selon des méthodes structurelles et des dépendances de frameworks différentes.
Ultralytics YOLOv5 : la référence du secteur#
Publié en juin 2020, Ultralytics YOLOv5 a rendu les modèles de vision de pointe bien plus accessibles. Développé nativement dans PyTorch, il a abaissé la barrière à l'entrée pour les développeurs Python et les ingénieurs en ML du monde entier.
Détails sur YOLOv5 :
- Auteurs : Glenn Jocher
- Organisation : Ultralytics
- Date : 2020-06-26
- GitHub : ultralytics/yolov5
- Docs : Documentation de YOLOv5
YOLOv5 utilise un backbone CSPDarknet modifié, qui capture efficacement des représentations riches des caractéristiques tout en conservant un faible nombre de paramètres. Il a introduit l'apprentissage automatique des boîtes d'ancrage, en calculant automatiquement les dimensions optimales des ancres pour les jeux de données personnalisés avant le début de l'entraînement. De plus, son augmentation de données mosaïque améliore la capacité du modèle à détecter les petits objets et à généraliser dans des contextes spatiaux complexes.
L'un des atouts de YOLOv5 est sa polyvalence. Contrairement aux modèles dédiés uniquement à la détection, le dépôt YOLOv5 prend en charge la détection de boîtes englobantes, la segmentation d'instances (ajoutée en v7.0) et la classification d'images (ajoutée en v6.2) dans une seule base de code. Son architecture utilise également moins de mémoire pendant l'entraînement et l'inférence que les réseaux Transformer volumineux.
PP-YOLOE+ : le concurrent basé sur PaddlePaddle#
Introduit en avril 2022, PP-YOLOE+ s'appuie sur les versions précédentes de PP-YOLO. Développé par Baidu pour son framework d'apprentissage profond PaddlePaddle, il apporte plusieurs améliorations architecturales pour optimiser la précision moyenne.
Détails de PP-YOLOE+ :
- Auteurs : Auteurs de PaddlePaddle
- Organisation : Baidu
- Date : 2022-04-02
- arXiv : 2203.16250
- GitHub : PaddlePaddle/PaddleDetection
- Documentation : README de PP-YOLOE+
PP-YOLOE+ utilise une conception sans ancres et un backbone CSPRepResNet. Il intègre Task Alignment Learning (TAL) et une tête Efficient Task-aligned afin d'améliorer la précision. Bien que PP-YOLOE+ atteigne une précision élevée, sa principale limite tient à sa dépendance au framework PaddlePaddle, qui peut imposer un temps d'apprentissage et compliquer l'intégration pour les équipes qui utilisent déjà PyTorch ou TensorFlow.
Performances et benchmarks#
Pour évaluer ces modèles en production, il est essentiel de comprendre les compromis entre précision, vitesse d'inférence et nombre de paramètres. Le tableau ci-dessous présente les principales métriques de performance pour différentes variantes de taille.
| 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 |
| PP-YOLOE+t | 640 | 39.9 | - | 2.84 | 4.85 | 19.15 |
| PP-YOLOE+s | 640 | 43.7 | - | 2.62 | 7.93 | 17.36 |
| PP-YOLOE+m | 640 | 49.8 | - | 5.56 | 23.43 | 49.91 |
| PP-YOLOE+l | 640 | 52.9 | - | 8.36 | 52.2 | 110.07 |
| PP-YOLOE+x | 640 | 54.7 | - | 14.3 | 98.42 | 206.59 |
PP-YOLOE+ atteint un mAP supérieur à toutes les échelles de modèle, tandis que YOLOv5 offre une inférence TensorRT plus rapide sur T4 à toutes les échelles. Pour les déploiements en périphérie où la mémoire est limitée, YOLOv5n affiche la vitesse la plus élevée (1.12 ms) et l'empreinte la plus réduite (1.9M paramètres) du tableau.
Les modèles Ultralytics sont conçus pour un entraînement efficace. Comparé aux détecteurs basés sur Transformer comme RT-DETR, YOLOv5 utilise moins de mémoire CUDA, ce qui te permet d'entraîner avec des lots plus grands ou sur du matériel grand public.
Les atouts d’Ultralytics : écosystème et facilité d’utilisation#
La valeur d'une architecture d'apprentissage automatique ne se limite pas aux chiffres bruts ; elle englobe toute l'expérience de développement. La plateforme Ultralytics et ses outils open source offrent un écosystème bien maintenu qui raccourcit les cycles de développement.
- Facilité d'utilisation : Ultralytics te dispense d'écrire du code passe-partout complexe. Tu peux entraîner, valider et tester des modèles via une API Python intuitive ou la CLI.
- Flexibilité du déploiement : l'exportation des modèles est simple. En une seule commande, tu peux convertir les poids YOLOv5 entraînés vers des formats comme ONNX, TensorRT ou OpenVINO, afin d'assurer une large compatibilité avec les environnements périphériques et cloud.
- Communauté active : une vaste communauté et une maintenance active se traduisent par des mises à jour fréquentes, une documentation complète et des solutions éprouvées aux problèmes courants de vision par ordinateur.
En revanche, PP-YOLOE+ dépend fortement des fichiers de configuration complexes propres à PaddleDetection, ce qui peut ralentir le prototypage rapide et compliquer l'intégration aux pipelines MLOps modernes.
Mises en œuvre pratiques et exemples de code#
Démarrer avec Ultralytics est simple. Voici un exemple complet et exécutable qui charge un modèle YOLOv5u préentraîné, l'entraîne sur le jeu de données d'exemple COCO8, exécute l'inférence et exporte le résultat :
from ultralytics import YOLO
# Charger un petit modèle YOLOv5 préentraîné
model = YOLO("yolov5su.pt") # YOLOv5u : poids YOLOv5 sans ancres pour le package ultralytics
# Entraîner le modèle sur le jeu de données COCO8 pendant 50 époques
train_results = model.train(data="coco8.yaml", epochs=50, imgsz=640)
# Lancer l’inférence sur une image d’exemple
predict_results = model("https://ultralytics.com/images/bus.jpg")
# Exporter le modèle optimisé au format ONNX
path = model.export(format="onnx")Cas d’utilisation et recommandations#
Le choix entre YOLOv5 et PP-YOLOE+ dépend de tes exigences de projet, de tes contraintes de déploiement et de tes préférences en matière d'écosystème.
Quand choisir YOLOv5#
YOLOv5 est un excellent choix 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 PP-YOLOE+#
PP-YOLOE+ est recommandé pour :
- Intégration à l’écosystème PaddlePaddle : Les organisations dotées d’une infrastructure existante reposant sur le framework et les outils PaddlePaddle de Baidu.
- Déploiement en périphérie avec Paddle Lite : Déploiement sur du matériel doté de noyaux d’inférence fortement optimisés spécifiquement pour Paddle Lite ou le moteur d’inférence Paddle.
- Détection côté serveur de haute précision : Scénarios privilégiant une précision de détection maximale sur de puissants serveurs GPU, sans contrainte liée aux dépendances du framework.
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.
Autres modèles de pointe à considérer#
Bien que YOLOv5 soit une référence éprouvée, le domaine de la vision par ordinateur évolue rapidement. Pour les équipes qui démarrent de nouveaux projets, Ultralytics recommande ses architectures plus récentes.
Ultralytics YOLO26#
Publié en janvier 2026, YOLO26 est la dernière famille de modèles Ultralytics et améliore la précision comme la vitesse par rapport aux générations précédentes. Ses principales innovations comprennent :
- Conception de bout en bout sans NMS : s'appuyant sur les concepts de YOLOv10, la tête facultative one-to-one de YOLO26 (
nms=False) évite le post-traitement par suppression des non-maxima (NMS), ce qui réduit la latence et simplifie la logique de déploiement. - Suppression de DFL : après la suppression de Distribution Focal Loss, YOLO26n atteint une inférence CPU jusqu'à 43 % plus rapide que YOLO11n, ce qui le rend adapté aux appareils périphériques basse consommation.
- Optimiseur MuSGD : inspiré des techniques d'entraînement des LLM, cet hybride de SGD et Muon assure des entraînements stables et une convergence plus rapide.
- ProgLoss + STAL : la perte progressive et l'attribution des étiquettes tenant compte des petites cibles améliorent la reconnaissance des petits objets, essentielle pour l'imagerie par drone et l'agriculture intelligente.
Tu peux également envisager YOLO11, qui offre de solides performances et reste une option fiable et entièrement prise en charge entre les systèmes historiques et YOLO26.
Cas d'utilisation concrets#
Le choix entre YOLOv5 et PP-YOLOE+ dépend en définitive de ton environnement de déploiement et des contraintes de ton projet.
Applications idéales pour YOLOv5 : Ses faibles besoins en ressources et sa facilité d'utilisation font de YOLOv5 un choix courant pour l'IA en périphérie. Il convient aux applications qui nécessitent des fréquences d'images élevées sur du matériel limité, comme la robotique en temps réel, l'intégration dans des applications mobiles et les systèmes de surveillance du trafic par plusieurs caméras. Sa prise en charge de la segmentation d'instances et de la classification d'images au sein d'un même framework le rend adaptable.
Applications idéales pour PP-YOLOE+ : PP-YOLOE+ convient particulièrement aux situations où la précision maximale importe davantage que la vitesse d'inférence, ainsi qu'aux chaînes d'inspection industrielle des organisations dont les piles techniques reposent déjà sur l'écosystème PaddlePaddle de Baidu.
En résumé, PP-YOLOE+ offre de solides résultats en matière de précision, mais les modèles YOLO d'Ultralytics combinent un bon équilibre entre performances, simplicité de déploiement et conception adaptée aux développeurs, ce qui aide les projets de vision par ordinateur à passer du concept à la production.
Commentaires
Pose une question, partage tes résultats ou aide quelqu’un d’autre.