Commencer

YOLOv5 vs YOLOv10

Le domaine de la vision par ordinateur en temps réel a connu une croissance rapide ces dernières années, différentes architectures repoussant les limites des possibilités offertes par le matériel moderne. Lorsqu’on évalue les architectures de pointe, la comparaison entre YOLOv5 et YOLOv10 met en évidence une étape évolutive importante dans la détection d’objets. Cette comparaison technique étudie leurs paradigmes architecturaux, leurs compromis de performance et la manière dont les développeurs peuvent exploiter ces outils en production.

Analyse approfondie de l’architecture#

Comprendre les différences structurelles entre ces modèles est important pour les déployer efficacement dans des conditions réelles.

Ultralytics YOLOv5 : la référence du secteur#

Introduit par Ultralytics, YOLOv5 est depuis longtemps reconnu pour son excellent équilibre entre vitesse, précision et accessibilité.

YOLOv5 repose sur un mécanisme de détection basé sur des ancres, associé à un backbone CSPDarknet fortement optimisé. Cette architecture s’appuie largement sur des opérations standard prises en charge par pratiquement tous les moteurs d’inférence, ce qui la rend très portable. Son principal atout réside dans le SDK Python Ultralytics, qui offre une expérience utilisateur simplifiée, une API simple et une documentation complète. De plus, les besoins mémoire réduits de YOLOv5 par rapport aux modèles basés sur Transformer lui permettent de s’entraîner rapidement sur des GPU grand public sans forte consommation de VRAM.

YOLOv10 : détection en temps réel sans NMS#

Développé par des chercheurs de l'université Tsinghua, YOLOv10 visait à résoudre certains problèmes de latence présents dans les architectures précédentes.

En savoir plus sur YOLOv10

La caractéristique déterminante de YOLOv10 est sa conception sans NMS (suppression non maximale). Grâce à des affectations doubles cohérentes pendant l’entraînement, sa tête un-à-un élimine le besoin de post-traitement NMS lors de l’inférence, ce qui réduit la latence du post-traitement et simplifie les pipelines de déploiement, notamment les moteurs NVIDIA TensorRT. Dans le package Ultralytics, YOLOv10 utilise par défaut sa tête un-à-plusieurs avec NMS ; définis nms=False pour utiliser la tête sans NMS.

Atout de l’écosystème

YOLOv10 propose des nouveautés architecturales intéressantes, mais les modèles Ultralytics comme YOLOv5 et le plus récent YOLO26 sont pris en charge nativement sur la plateforme Ultralytics, qui offre dès l’installation un entraînement efficace et de nombreuses options d’exportation.

Analyse des performances#

Pour comparer ces modèles, il faut trouver le bon équilibre entre précision (mAP) et coût de calcul (latence et nombre de paramètres) afin de déterminer le cas d'utilisation le plus adapté. Voici une comparaison technique des performances sur le jeu de données COCO.

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
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

YOLOv10 atteint clairement un mAPval50-95 supérieur à taille équivalente, grâce à une conception du modèle modernisée qui privilégie l'efficacité et la précision. Cependant, YOLOv5 conserve une latence GPU plus faible dans les catégories Nano et Small, ce qui en fait un choix pratique pour les environnements embarqués aux ressources limitées, comme la gamme NVIDIA Jetson ou les CPU standard avec OpenVINO.

Méthodes d’entraînement et écosystème#

La valeur d’un modèle dépend étroitement de l’écosystème qui l’entoure. Ultralytics maintient un écosystème en développement actif qui prend en charge un large éventail de tâches. Alors que YOLOv10 se concentre strictement sur la détection d’objets 2D, Ultralytics prend nativement en charge la segmentation d’instances, la classification d’images, l’estimation de pose et les boîtes englobantes orientées (OBB).

En outre, l'entraînement d'un modèle Ultralytics nécessite nettement moins de mémoire que les méthodes concurrentes basées sur des Transformers, ce qui accélère le cycle de développement et en réduit le coût.

Exemple de code#

L'entraînement, la validation et l'exportation des modèles sont réunis dans une seule API. Tu peux passer d'un modèle à un autre en modifiant simplement une chaîne de caractères.

from ultralytics import YOLO

# Charger un modèle YOLOv5 préentraîné pour les tests de référence
model_v5 = YOLO("yolov5su.pt")  # YOLOv5u : poids YOLOv5 sans ancres pour le package ultralytics

# Charger un modèle YOLOv10 pour comparaison
model_v10 = YOLO("yolov10s.pt")

# Entraîner efficacement le modèle sur le jeu de données COCO8
results = model_v5.train(
    data="coco8.yaml",
    epochs=100,
    imgsz=640,
    device="0",  # Utilise automatiquement l’accélération CUDA de PyTorch
    batch=16,
)

# Exporter vers ONNX pour un déploiement d'inférence sur CPU
model_v5.export(format="onnx", simplify=True)

Cas d’utilisation et recommandations#

Le choix entre YOLOv5 et YOLOv10 dépend des exigences propres à ton projet, des 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 YOLOv10#

YOLOv10 est recommandé 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 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.

L'avenir : Ultralytics YOLO26#

YOLOv5 a rendu la détection d’objets largement accessible et YOLOv10 a fait progresser les architectures sans NMS, mais l’état de l’art continue d’évoluer. Pour les nouveaux projets, Ultralytics recommande Ultralytics YOLO26, sorti en janvier 2026.

YOLO26 associe la fiabilité de l’écosystème Ultralytics à plusieurs avancées :

  • Conception de bout en bout sans NMS : En intégrant le paradigme sans NMS directement au framework Ultralytics sous la forme d'une tête un-à-un facultative (nms=False), YOLO26 simplifie le déploiement et réduit la latence.
  • Inférence CPU jusqu’à 43 % plus rapide : Sans la Distribution Focal Loss (DFL), YOLO26n s’exécute jusqu’à 43 % plus vite sur CPU que YOLO11n, ce qui est utile sur les appareils edge sans GPU.
  • Optimiseur MuSGD : Inspiré des innovations de Moonshot AI en matière d’entraînement des LLM, l’optimiseur MuSGD offre un entraînement plus stable et une convergence plus rapide.
  • ProgLoss + STAL : La perte progressive et l’assignation des étiquettes tenant compte des petites cibles améliorent la reconnaissance des petits objets, essentielle dans des domaines comme l’imagerie par drone et la robotique.

Tu peux gérer, entraîner et déployer YOLO26 directement depuis la plateforme Ultralytics.

Conclusion#

Le choix entre YOLOv5 et YOLOv10 dépend souvent des contraintes propres au projet. YOLOv10 offre un excellent mAP aux chercheurs et aux applications qui tirent parti de la puissance brute des GPU. À l'inverse, YOLOv5 reste un modèle robuste et très compatible pour les déploiements standard.

Cependant, le domaine de la vision par ordinateur évolue rapidement. Pour trouver le meilleur équilibre entre performances, polyvalence et facilité d’utilisation, les développeurs devraient se tourner vers Ultralytics YOLO26. Ce modèle combine une inférence sans NMS facultative et l’écosystème Ultralytics bien documenté. Pour des cas d’utilisation spécialisés, les développeurs peuvent aussi explorer YOLO11 pour sa robustesse générale, ou RT-DETR pour sa précision basée sur Transformer.

Commentaires

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