YOLOv5 et YOLOv6-3.0
Le domaine de la vision par ordinateur évolue constamment, avec de nouvelles architectures qui repoussent les limites de la vitesse et de la précision. Lorsqu’ils choisissent un modèle pour leur prochain projet d’IA de vision, les développeurs comparent souvent des frameworks polyvalents et bien établis à des détecteurs industriels très spécialisés. Cette comparaison examine les différences techniques entre Ultralytics YOLOv5 et YOLOv6-3.0 de Meituan pour 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 un choix largement adopté pour la détection d’objets accessible et performante. Il est réputé pour sa facilité 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 de développement simple dans l’écosystème PyTorch. Il offre un bon équilibre de performances : il atteint une précision moyenne (mAP) élevée tout en conservant une vitesse d’inférence adaptée à divers scénarios de déploiement en conditions réelles, des appareils edge 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 dédiées et des backbones spécialisés pour atteindre ses performances, ce qui en fait un candidat de choix pour le traitement sur des serveurs backend où l’inférence par lots est très utilisée.
Différences architecturales#
Il est important de comprendre les choix architecturaux de ces modèles pour déterminer les cas d’utilisation auxquels ils conviennent le mieux.
L’architecture de YOLOv5#
YOLOv5 utilise un backbone CSPDarknet fortement optimisé, associé à un neck Path Aggregation Network (PANet). Cette structure est soigneusement réglée pour réduire au minimum les besoins en mémoire pendant l’entraînement et l’inférence. Contrairement aux grands modèles Transformer, qui demandent beaucoup de mémoire CUDA et de longues durées d’entraînement, YOLOv5 fonctionne efficacement sur du matériel grand public standard.
Les modèles Ultralytics sont spécialement conçus pour optimiser l’efficacité de l’entraînement. Tu peux souvent entraîner un modèle YOLOv5 sur un seul GPU de milieu de gamme, ce qui le rend très accessible aux chercheurs comme aux startups.
YOLOv5 ne se limite pas à la détection d’objets : le dépôt YOLOv5 d’origine étend son architecture à la segmentation d’instances et à 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.
| 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 |
| YOLOv6-3.0n | 640 | 37.5 | - | 1.17 | 4.7 | 11.4 |
| YOLOv6-3.0s | 640 | 45.0 | - | 2.66 | 18.5 | 45.3 |
| YOLOv6-3.0m | 640 | 50.0 | - | 5.28 | 34.9 | 85.8 |
| YOLOv6-3.0l | 640 | 52.8 | - | 8.95 | 59.6 | 150.7 |
YOLOv6-3.0 atteint un mAP supérieur à chaque taille équivalente, mais YOLOv5 conserve une empreinte plus légère. Par exemple, YOLOv5n nécessite nettement moins de paramètres et de FLOPs 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 performant, mais son déploiement dans différents formats demande davantage de travail manuel. À l’inverse, Ultralytics propose un écosystème activement maintenu, caractérisé par une expérience utilisateur simplifiée. Grâce à l’API Python unifiée et à l’intuitive plateforme Ultralytics, les développeurs ont accès à la gestion des jeux de données, à l’entraînement en un clic et à l’exportation directe 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 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 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 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 : 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.
Pour aller plus loin : les avantages de YOLO26#
YOLOv5 reste un modèle fiable 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, Ultralytics YOLO26 est la voie recommandée.
Lancé en janvier 2026, YOLO26 représente une avancée importante. Il hérite de la polyvalence de l’écosystème Ultralytics tout en introduisant plusieurs améliorations architecturales :
- Conception de bout en bout sans NMS : La tête sans NMS facultative de YOLO26 (
nms=False) supprime le post-traitement par suppression non maximale, réduisant les variations de latence et simplifiant la logique de déploiement. - Inférence CPU jusqu’à 43 % plus rapide : Grâce à la suppression de DFL et à une tête plus légère, YOLO26n s’exécute jusqu’à 43 % plus vite sur CPU que YOLO11n, ce qui est avantageux pour les appareils edge et basse consommation.
- Optimiseur MuSGD : En s’appuyant sur les innovations liées à l’entraînement des LLM, le nouvel optimiseur MuSGD offre un entraînement stable et une convergence plus rapide.
- Polyvalence avancée : YOLO26 prend en charge la segmentation d’instances et sémantique, l’estimation de profondeur, la classification, l’estimation de pose et les boîtes englobantes orientées (OBB) grâce à des têtes et des pertes propres à chaque tâche, tandis que ProgLoss et STAL améliorent la reconnaissance des petits objets.
Si tu explores d’autres options de l’écosystème Ultralytics, tu peux aussi envisager le modèle polyvalent YOLO11 ou YOLO-World pour les tâches de détection à vocabulaire ouvert.
Conclusion#
YOLOv5 et YOLOv6-3.0 ont tous deux profondément marqué le domaine de la vision par ordinateur. YOLOv6-3.0 offre un excellent débit sur du matériel serveur haut de gamme, ce qui le rend adapté à l’analytique hors ligne spécialisée. Toutefois, YOLOv5 reste un excellent choix pour les développeurs qui ont besoin d’un modèle robuste, polyvalent et facile à utiliser, soutenu par l’écosystème Ultralytics.
Pour bénéficier du meilleur équilibre entre précision, déploiement facultatif sans NMS et expérience de développement, la voie recommandée pour les solutions modernes d’IA de vision consiste à passer à YOLO26 via la plateforme Ultralytics.
Commentaires
Pose une question, partage tes résultats ou aide quelqu’un d’autre.