YOLOv5 et YOLOv6-3.0#

Le domaine de la vision par ordinateur évolue constamment, et de nouvelles architectures repoussent les limites de la vitesse et de la précision. Pour choisir un modèle pour ton prochain projet d’IA appliquée à la vision, tu peux être amené à comparer des frameworks polyvalents bien établis à des détecteurs industriels très spécialisés. Cette analyse approfondie examine les nuances techniques entre Ultralytics YOLOv5 et YOLOv6-3.0 de Meituan afin de t’aider à choisir l’outil le mieux adapté à tes besoins de déploiement.

Présentation des modèles#

Ultralytics YOLOv5 : la référence polyvalente#

Lancé en 2020, Ultralytics YOLOv5 est rapidement devenu la référence en matière de détection d’objets accessible et performante. Il est réputé pour sa grande simplicité d’utilisation, ses pipelines d’entraînement robustes et ses nombreuses intégrations de déploiement.

• Auteur : Glenn Jocher
• Organisation : Ultralytics
• Date : 2020-06-26
• GitHub : ultralytics/yolov5

YOLOv5 a été conçu dès le départ pour offrir une expérience développeur fluide au sein de l’écosystème PyTorch. Il offre un équilibre favorable entre les performances, avec une excellente précision moyenne (mAP) et une vitesse d’inférence élevée, adaptée à divers scénarios de déploiement dans le monde réel, des appareils en périphérie aux serveurs cloud.

YOLOv6-3.0 : débit industriel#

Développé par le département d’IA appliquée à la vision de Meituan, YOLOv6-3.0 est conçu spécifiquement pour les applications industrielles et privilégie fortement le débit brut sur les accélérateurs matériels dédiés.

• Auteurs : Chuyi Li, Lulu Li, Yifei Geng, et al.
• Organisation : Meituan
• Date : 2023-01-13
• Arxiv : 2301.05586
• GitHub : meituan/YOLOv6

YOLOv6 vise à maximiser la vitesse de traitement sur des GPU comme le NVIDIA T4. Il utilise des méthodes de quantification personnalisées et des backbones spécialisés pour atteindre ses performances, ce qui en fait un bon candidat pour le traitement sur des serveurs backend, où l’inférence par lots est très utilisée.

En savoir plus sur YOLOv6

Différences architecturales#

Comprendre les choix architecturaux de ces modèles est essentiel pour déterminer leurs cas d’utilisation idéaux.

L’architecture de YOLOv5#

YOLOv5 utilise un backbone CSPDarknet hautement optimisé associé à un réseau d’agrégation de chemins (PANet) comme neck. Cette structure est finement ajustée afin de minimiser les besoins en mémoire pendant l’entraînement et l’inférence. Contrairement aux grands modèles Transformer, qui nécessitent beaucoup de mémoire CUDA et des durées d’entraînement importantes, YOLOv5 fonctionne efficacement sur du matériel grand public standard.

De plus, YOLOv5 ne se limite pas à la détection d’objets. Son architecture s’étend facilement à d’autres tâches et prend nativement en charge la segmentation d’images et la classification d’images.

L’architecture YOLOv6-3.0#

YOLOv6-3.0 est doté d’un backbone EfficientRep conçu pour être compatible avec le matériel, en particulier pour l’exécution sur GPU. Son neck utilise un module de concaténation bidirectionnelle (BiC) pour améliorer la fusion des caractéristiques.

Pendant l’entraînement, YOLOv6 utilise une stratégie d’entraînement assistée par ancres (AAT) pour stabiliser la convergence, mais reste un détecteur sans ancres lors de l’inférence. Bien que cette architecture soit performante pour les tâches accélérées par GPU, il peut parfois être plus complexe de l’adapter à divers appareils en périphérie qu’avec le framework YOLOv5, très portable.

Analyse des performances#

Pour évaluer ces modèles, les métriques de vitesse brute et de précision sont essentielles. Voici un tableau comparatif des performances de différentes tailles de modèles sur le jeu de données COCO.

YOLOv6-3.0 obtient des scores mAP plus élevés avec ses variantes de grande taille, mais YOLOv5 conserve une empreinte particulièrement réduite. Par exemple, YOLOv5n nécessite beaucoup moins de paramètres et de FLOP que son équivalent YOLOv6, ce qui le rend particulièrement adapté aux déploiements mobiles ou limités par le CPU.

Écosystème et facilité d'utilisation#

Pour de nombreuses équipes d’ingénierie, l’écosystème qui entoure le modèle est le véritable facteur déterminant.

YOLOv6 est un dépôt de recherche impressionnant, mais son déploiement dans différents formats nécessite une quantité importante de code passe-partout. À l’inverse, Ultralytics propose un écosystème bien entretenu et une expérience utilisateur fluide. Grâce à l’API Python unifiée et à l’intuitive Ultralytics Platform, les développeurs peuvent gérer facilement les jeux de données, lancer des entraînements en un clic et exporter directement vers des formats comme ONNX et TensorRT.

Exemple de code : API Ultralytics unifiée#

Le package pip Ultralytics ultralytics permet de charger, d’entraîner et de déployer des modèles en seulement quelques lignes de code.

from ultralytics import YOLO

# Charger un petit modèle YOLOv5 préentraîné
model = YOLO("yolov5su.pt")  # YOLOv5u : poids YOLOv5 sans ancres pour le package ultralytics

# Entraîner facilement le modèle sur le jeu de données COCO8
results = model.train(data="coco8.yaml", epochs=50, imgsz=640)

# Lancer une inférence rapide sur une image
predictions = model("https://ultralytics.com/images/bus.jpg")

# Exporter vers ONNX pour le déploiement en périphérie
model.export(format="onnx")

Cas d’utilisation et recommandations#

Le choix entre YOLOv5 et YOLOv6 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 de production éprouvés : les déploiements existants où la longue expérience de stabilité de YOLOv5, sa documentation exhaustive et le soutien important de sa communauté sont appréciés.
• 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 YOLOv6#

YOLOv6 est recommandé pour :

• Déploiement adapté au matériel industriel : les scénarios où la conception de YOLOv6, adaptée au matériel, et son reparamétrage efficace optimisent les performances sur un matériel cible spécifique.
• Détection rapide à un seul étage : les applications qui privilégient la vitesse d’inférence brute sur GPU pour le traitement vidéo en temps réel dans des environnements contrôlés.
• Intégration à l’écosystème Meituan : les équipes qui travaillent déjà dans la pile technologique et l’infrastructure de déploiement de Meituan.

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 : les appareils dépourvus d’accélération GPU dédiée, où l’inférence CPU jusqu’à 43 % plus rapide de YOLO26 constitue un avantage décisif.
• Détection de petits objets : les situations difficiles, comme l’imagerie aérienne par drone ou l’analyse de capteurs IoT, où ProgLoss et STAL améliorent considérablement la précision pour les objets minuscules.

Pour aller plus loin : les avantages de YOLO26#

YOLOv5 reste un modèle fiable et éprouvé, et YOLOv6-3.0 offre un débit élevé sur les GPU industriels, mais l’état de l’art a évolué. Pour les développeurs qui lancent de nouveaux projets aujourd’hui, la solution recommandée est Ultralytics YOLO26.

Lancé en janvier 2026, YOLO26 représente un bond en avant considérable. Il hérite de la polyvalence inégalée de l’écosystème Ultralytics et y ajoute des améliorations architecturales révolutionnaires :

• Conception de bout en bout sans NMS : la tête optionnelle sans NMS de YOLO26 (nms=False) élimine le post-traitement par suppression non maximale, réduisant considérablement les variations de latence et simplifiant la logique de déploiement.
• Inférence sur CPU jusqu’à 43 % plus rapide : grâce à la suppression de la DFL et à une tête optimisée, YOLO26 surpasse nettement les générations précédentes sur les appareils en périphérie et à faible consommation.
• Optimiseur MuSGD : en tirant parti des innovations liées à l’entraînement des LLM, le nouvel optimiseur MuSGD assure un entraînement très stable et une convergence remarquablement rapide.
• Polyvalence avancée : YOLO26 prend aisément en charge les boîtes englobantes orientées (OBB), l’estimation de pose et la segmentation, avec des fonctions de perte spécialisées comme ProgLoss et STAL pour une reconnaissance inégalée des petits objets.

Si tu explores d’autres options de l’écosystème Ultralytics, tu peux aussi envisager le modèle généraliste YOLO11 ou l’innovant YOLO-World pour les tâches de détection à vocabulaire ouvert.

Conclusion#

YOLOv5 et YOLOv6-3.0 ont tous deux eu un impact important sur le domaine de la vision par ordinateur. YOLOv6-3.0 offre un excellent débit sur les serveurs haut de gamme, ce qui le rend adapté à l’analyse hors ligne spécialisée. Cependant, YOLOv5 reste le meilleur choix pour les développeurs qui ont besoin d’un modèle robuste, facile à utiliser et très polyvalent, soutenu par une plateforme de premier ordre.

Pour bénéficier du meilleur équilibre entre précision de nouvelle génération, déploiement natif sans NMS et expérience développeur parmi les meilleures du secteur, passer à YOLO26 via Ultralytics Platform est le choix incontournable pour les solutions modernes d’IA appliquée à la vision.