Commencer

YOLOv5 vs YOLO11

Pour choisir l’architecture de vision par ordinateur adaptée à un nouveau projet, il est important de comprendre l’évolution des modèles de pointe. Le passage des premières architectures aux frameworks unifiés modernes met en évidence des progrès considérables en efficacité algorithmique et en expérience de développement. Ce guide propose une comparaison technique de deux modèles Ultralytics largement utilisés : YOLOv5 et son successeur YOLO11.

Présentation des modèles#

Ces deux architectures représentent des étapes importantes dans le domaine de la détection d’objets en temps réel et présentent des avantages distincts selon l’environnement de déploiement et les exigences liées aux systèmes existants.

YOLOv5 : le pilier du secteur#

Sorti à l’été 2020, YOLOv5 est rapidement devenu une référence du secteur grâce à son implémentation native PyTorch, qui a facilité l’accès à l’entraînement et au déploiement. Il s’est éloigné des frameworks C Darknet complexes de ses prédécesseurs et a proposé une approche Pythonique pour créer des modèles.

YOLOv5 a établi une solide référence en matière de facilité d’utilisation et introduit des méthodes d’entraînement puissantes, notamment l’augmentation des données Mosaic et l’auto-ancrage. Il reste populaire auprès des chercheurs qui s’appuient sur une base de code bien documentée et largement testée.

YOLO11 : le framework visuel unifié#

Fruit de plusieurs années de retours et de recherche architecturale, YOLO11 a été lancé dans le cadre d’un framework unifié, capable de gérer nativement plusieurs tâches de vision. Conçu dès le départ pour offrir un maximum de polyvalence et d’efficacité, il ne se limite pas aux boîtes englobantes.

YOLO11 offre une expérience utilisateur simplifiée grâce au package Python ultralytics, qui propose une API simple unifiant la détection d’objets, la segmentation d’instances, la classification, l’estimation de pose et les boîtes englobantes orientées (OBB). Son compromis entre vitesse et précision est très avantageux, ce qui le rend idéal pour divers scénarios de déploiement réels.

Plateforme intégrée

Les deux modèles tirent parti de l’écosystème bien maintenu de la plateforme Ultralytics. Cet environnement intégré simplifie l’annotation des jeux de données, l’entraînement dans le cloud et l’exportation des modèles vers différentes cibles matérielles.

Comparaison des performances et des métriques#

Une comparaison directe de ces modèles montre comment les améliorations architecturales se traduisent par des gains de performance concrets. Le tableau ci-dessous présente la précision moyenne moyenne (mAP) évaluée sur le jeu de données COCO, ainsi que les vitesses d’inférence sur CPU et GPU et le nombre de paramètres.

Modèletaille
(pixels)
mAPval50-95Vitesse
CPU ONNX
(ms)
Vitesse
T4 TensorRT10
(ms)
paramètres
(M)
FLOPs
(B)
YOLOv5n64028.0-1.121.94.5
YOLOv5s64037.4-1.927.216.5
YOLOv5m64045.4-4.0321.249.0
YOLOv5l64049.0-6.6146.5109.1
YOLOv5x64050.7-11.8986.7205.7
YOLO11n64039.556.11.52.66.5
YOLO11s64047.090.02.59.421.6
YOLO11m64051.5183.24.720.168.1
YOLO11l64053.4238.66.225.387.2
YOLO11x64054.7462.811.356.9195.3

Analyse des résultats#

Les métriques mettent en évidence une amélioration nette de l’équilibre des performances obtenu par YOLO11. Par exemple, le modèle YOLO11n (nano) atteint une mAP de 39,5 %, contre 28,0 % pour YOLOv5n, soit un gain de 11,5 points pour seulement 0,7 M de paramètres supplémentaires. YOLO11 nécessite également moins de mémoire pendant l’entraînement que les modèles basés sur Transformer, ce qui permet de l’entraîner sur du matériel grand public et de le déployer sur des appareils périphériques.

Différences architecturales#

Les améliorations des performances de YOLO11 découlent de plusieurs évolutions architecturales clés. Alors que YOLOv5 utilisait un backbone CSPNet standard avec des modules C3, les modèles Ultralytics plus récents ont introduit des blocs d’extraction de caractéristiques plus efficaces, comme C2f (YOLOv8) et C3k2 (YOLO11), qui optimisent la circulation des gradients et réduisent la charge de calcul.

YOLO11 dispose également d’une tête considérablement améliorée. Abandonnant la conception basée sur des ancres des anciens modèles, les architectures Ultralytics récentes adoptent une approche sans ancres. Cela réduit le nombre de prédictions de boîtes, simplifie le pipeline de post-traitement et améliore la capacité de généralisation du modèle à différentes échelles et proportions. De plus, ces modèles offrent une meilleure efficacité d’entraînement et des poids préentraînés facilement accessibles qui accélèrent la convergence lors de l’ajustement sur des jeux de données personnalisés.

Implémentation et exemples de code#

La simplicité est l’un des principaux atouts de l’écosystème Ultralytics. Alors que YOLOv5 a popularisé l’utilisation de torch.hub pour effectuer rapidement des inférences, YOLO11 va encore plus loin avec le package Python unifié ultralytics.

Entraînement avec YOLO11#

Le chargement, l’entraînement et la validation d’un modèle nécessitent très peu de code répétitif. L’API fournit des paramètres d’entraînement par défaut adaptés et gère automatiquement les points de contrôle et la journalisation.

from ultralytics import YOLO

# Charger un modèle YOLO11 préentraîné
model = YOLO("yolo11s.pt")

# Entraîner sur un jeu de données personnalisé pendant 50 époques
results = model.train(data="coco8.yaml", epochs=50, imgsz=640)

# Effectuer rapidement une inférence et afficher les résultats
predictions = model("https://ultralytics.com/images/bus.jpg")
predictions[0].show()

# Exporter facilement le modèle vers TensorRT pour accélérer le matériel
model.export(format="engine")

Inférence avec YOLOv5 pour les systèmes existants#

Si tu maintiens un ancien pipeline, YOLOv5 s’intègre directement au mécanisme de chargement natif de PyTorch et s’insère donc facilement dans les scripts d’inférence existants.

import torch

# Charger un modèle YOLOv5 personnalisé ou préentraîné depuis PyTorch Hub
model = torch.hub.load("ultralytics/yolov5", "yolov5s")

# Effectuer une inférence sur une URL d’image
results = model("https://ultralytics.com/images/zidane.jpg")

# Afficher les détails des prédictions dans la console
results.print()
Flexibilité du déploiement

Les deux modèles prennent en charge de nombreux formats d’exportation. Que tu cibles un NVIDIA Jetson avec TensorRT ou une application iOS avec CoreML, le processus de déploiement est entièrement documenté et bénéficie du soutien de la communauté.

Cas d’utilisation idéaux#

Le choix entre ces modèles dépend surtout de l’étape du cycle de vie de ton projet et de tes besoins spécifiques.

Quand choisir YOLOv5#

  • Maintenance de bases de code existantes : si ton environnement de production est fortement personnalisé autour de la structure du dépôt YOLOv5 ou de techniques spécifiques d’évolution des hyperparamètres.
  • Références universitaires : pour publier des recherches nécessitant une comparaison directe avec les références établies en vision par ordinateur de 2020 à 2022.

Quand choisir YOLO11#

  • Projets multitâches : si ton application nécessite une combinaison de tâches comme l’estimation de pose et la segmentation d’instances à l’aide d’une API unifiée.
  • Déploiements en périphérie : pour les scénarios d’informatique en périphérie où il est essentiel d’obtenir le mAP maximal dans un budget de calcul donné (FLOPs).
  • Solutions d’IA commerciales : Idéales pour les applications d’entreprise dans le commerce de détail et la sécurité, avec le soutien de la plateforme Ultralytics.

La prochaine génération : Ultralytics YOLO26#

YOLO11 offre un bon équilibre entre vitesse et précision, mais le domaine évolue rapidement. Pour les développeurs qui démarrent de nouveaux projets aujourd’hui, Ultralytics recommande son modèle le plus récent : Ultralytics YOLO26.

Sorti en janvier 2026, YOLO26 introduit plusieurs avancées conçues pour répondre aux besoins modernes de déploiement :

  • Conception de bout en bout sans NMS : s’appuyant sur l’entraînement sans NMS que YOLOv10 a introduit dans les modèles YOLO, YOLO26 prend en charge l’inférence native de bout en bout. Sa tête facultative à correspondance un-à-un (nms=False) élimine le besoin d’un post-traitement par suppression non maximale (NMS), simplifiant les pipelines de déploiement et réduisant la latence.
  • Optimiseur MuSGD : Inspiré des innovations en matière d’entraînement des LLM observées dans des modèles comme Kimi K2 de Moonshot AI, cet hybride de SGD et de Muon assure un entraînement plus stable et une convergence plus rapide.
  • Inférence plus rapide sur CPU : Avec la suppression de Distribution Focal Loss (DFL), YOLO26n fonctionne jusqu’à 43 % plus vite sur CPU que YOLO11n, ce qui rend YOLO26 bien adapté aux appareils périphériques et aux environnements sans GPU dédié.
  • Méthodes d’entraînement avancées : L’intégration de ProgLoss et de STAL améliore sensiblement la reconnaissance des petits objets, ce qui est essentiel pour l’analyse par drone, l’IoT et la robotique.
  • Améliorations spécifiques aux tâches : Le modèle introduit des optimisations spécialisées, comme l’estimation résiduelle de la log-vraisemblance (RLE) pour l’estimation de pose et une fonction de perte angulaire dédiée aux boîtes englobantes orientées, afin d’améliorer la précision pour les tâches prises en charge.

Si tu t’intéresses à des architectures spécialisées au-delà de la détection d’objets standard, tu peux aussi explorer des modèles comme RT-DETR pour la détection basée sur Transformer ou YOLO-World pour le suivi et la détection à vocabulaire ouvert. Ces outils bien maintenus contribuent à l’efficacité et à l’évolutivité de tes pipelines de vision par ordinateur.

Commentaires

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