YOLOv5 et YOLOv7
Le domaine de la vision par ordinateur a rapidement évolué ces dernières années, sous l’impulsion du besoin de détecter les objets en temps réel plus rapidement et avec plus de précision. Pour choisir la bonne architecture pour ton projet, il est important de comprendre les différences entre des modèles populaires comme Ultralytics YOLOv5 et YOLOv7. Cette comparaison technique examine leurs architectures, leurs méthodes d’entraînement, leurs métriques de performance et leurs scénarios de déploiement idéaux afin de t’aider à prendre une décision éclairée.
En bref : origines des modèles#
Comprendre les origines et les philosophies de conception de ces modèles permet de mieux contextualiser leurs choix architecturaux.
Détails sur YOLOv5 :
- Auteurs : Glenn Jocher
- Organisation : Ultralytics
- Date : 2020-06-26
- GitHub : Dépôt YOLOv5
- Docs : Documentation de YOLOv5
Détails de YOLOv7 :
- Auteurs : Chien-Yao Wang, Alexey Bochkovskiy et Hong-Yuan Mark Liao
- Organisation : Institute of Information Science, Academia Sinica, Taïwan
- Date : 2022-07-06
- arXiv : Article sur YOLOv7
- GitHub : Dépôt YOLOv7
- Documentation : Documentation de YOLOv7
Tu veux savoir comment ces modèles se comparent aux autres ? Consulte des comparaisons comme YOLOv5 vs YOLO11 ou YOLOv7 vs EfficientDet pour approfondir ta compréhension de l’écosystème de la détection d’objets.
Innovations et différences architecturales#
YOLOv5 : la référence en matière d’accessibilité#
Lancé par Ultralytics en 2020, YOLOv5 a été conçu nativement avec le framework PyTorch, ce qui a considérablement facilité l’accès des chercheurs et des développeurs à cette technologie. Son architecture repose sur un backbone Modified CSPDarknet53 qui intègre les réseaux Cross Stage Partial (CSP) afin de réduire le nombre de paramètres tout en préservant le flux de gradients.
L’un de ses principaux atouts est sa faible consommation mémoire. Par rapport aux anciens détecteurs à deux étapes ou aux modèles Transformer volumineux comme RT-DETR, YOLOv5 nécessite nettement moins de mémoire CUDA pendant l’entraînement, ce qui permet d’utiliser des lots plus grands sur des GPU grand public standard. Il offre également une grande polyvalence : le dépôt YOLOv5 d’origine prend en charge la détection d’objets, la segmentation d’instances et la classification d’images.
YOLOv7 : repousser les limites de la précision en temps réel#
Lancé à la mi-2022, YOLOv7 visait à faire progresser la précision de pointe en détection en temps réel sur les benchmarks MS COCO. Ses auteurs ont introduit l’Extended Efficient Layer Aggregation Network (E-ELAN), qui améliore la capacité d’apprentissage du réseau sans altérer le chemin de gradient d’origine.
YOLOv7 est également connu pour son « trainable bag-of-freebies », notamment ses techniques de reparamétrisation pendant l’entraînement, qui convertissent plusieurs modules en une seule couche convolutionnelle pour l’inférence et accélèrent ainsi le modèle sans sacrifier la précision. Cependant, cette méthode d’entraînement complexe entraîne souvent une courbe d’apprentissage plus abrupte et des pipelines d’exportation moins simples que ceux de l’écosystème natif Ultralytics.
Comparaison des performances#
Lors de l’évaluation de ces modèles, l’équilibre des performances entre vitesse, précision et coût de calcul est essentiel. Tu trouveras ci-dessous une comparaison détaillée de leurs métriques de performance sur le jeu de données MS COCO val2017.
| 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 |
| YOLOv7l | 640 | 51.4 | - | 6.84 | 36.9 | 104.7 |
| YOLOv7x | 640 | 53.1 | - | 11.57 | 71.3 | 189.9 |
YOLOv7 obtient un mAP brut plus élevé avec ses variantes les plus grandes, mais YOLOv5 propose un éventail plus large de tailles de modèles, du Nano léger (YOLOv5n) pour les appareils edge à l’Extra-Large (YOLOv5x) pour l’inférence dans le cloud.
Les avantages de l’écosystème Ultralytics#
L’utilité d’un modèle ne se limite pas à son architecture brute : l’écosystème qui l’entoure détermine la rapidité de son déploiement en production. C’est là que les modèles Ultralytics se distinguent.
- Facilité d’utilisation : La plateforme Ultralytics et son API Python unifiée offrent une expérience utilisateur simplifiée, une syntaxe simple et une documentation complète. L’entraînement sur un jeu de données personnalisé nécessite très peu de code passe-partout.
- Écosystème activement maintenu : Ultralytics bénéficie d’un développement actif, de mises à jour fréquentes et d’un solide soutien communautaire. L’intégration d’outils comme Comet et Weights & Biases est incluse.
- Efficacité de l’entraînement : Les chargeurs de données, la mise en cache intelligente et la prise en charge de plusieurs GPU rendent les modèles Ultralytics efficaces à entraîner. Les poids préentraînés disponibles accélèrent l’apprentissage par transfert.
Exemple de code : pour commencer#
Avec Ultralytics, le déploiement d’un modèle ne nécessite que quelques lignes de code. L’extrait Python suivant montre à quel point il est simple de charger un modèle, de l’entraîner et de lancer une inférence avec le package recommandé ultralytics.
from ultralytics import YOLO
# Charger un modèle YOLOv5s préentraîné
model = YOLO("yolov5su.pt") # YOLOv5u : poids YOLOv5 sans ancres pour le package ultralytics
# Entraîner le modèle sur le jeu de données d’exemple COCO8
# Ultralytics gère automatiquement le téléchargement et l’augmentation des données
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# Lancer l’inférence sur une image d’exemple
predictions = model("https://ultralytics.com/images/bus.jpg")
# Afficher les prédictions
predictions[0].show()En revanche, l’utilisation du dépôt YOLOv7 d’origine implique généralement de cloner des dépôts complexes, de gérer manuellement les dépendances et d’utiliser de longs arguments de ligne de commande.
Applications concrètes et cas d'usage idéaux#
Quand choisir YOLOv7#
YOLOv7 reste un bon choix pour les évaluations comparatives universitaires ou certains pipelines GPU existants, lorsque l’objectif unique est d’obtenir un mAP maximal et que le système est déjà adapté à ses tenseurs de sortie basés sur des ancres. Les chercheurs qui étudient l’analyse des chemins de gradient utilisent souvent YOLOv7 comme référence.
Quand choisir YOLOv5#
YOLOv5 est largement utilisé en production en raison de sa stabilité. C’est le choix privilégié pour :
- Informatique mobile et en périphérie : déployer YOLOv5n sur iOS via CoreML ou sur Android via LiteRT.
- Startups agiles : Les équipes qui ont besoin d’itérer rapidement profitent de l’intégration de la plateforme Ultralytics pour gérer les jeux de données et effectuer l’entraînement dans le cloud.
- Environnements multitâches : Systèmes qui combinent détection d’objets, segmentation et classification.
L’avenir : passer à YOLO26#
Comparer YOLOv5 et YOLOv7 est un excellent moyen de comprendre l’évolution de l’IA de vision, mais l’état de l’art a continué de progresser. Lancé en janvier 2026, Ultralytics YOLO26 est le point de départ recommandé pour les nouveaux projets.
YOLO26 présente plusieurs avantages par rapport à YOLOv5 et YOLOv7 :
- Conception de bout en bout sans NMS : En ignorant facultativement le post-traitement par suppression non maximale (
nms=False), YOLO26 simplifie le déploiement et offre une latence plus constante. - Optimiseur MuSGD : Inspiré des innovations de Moonshot AI en matière de LLM, cet optimiseur hybride assure un entraînement stable et une convergence plus rapide.
- Inférence edge plus rapide : Optimisé pour les environnements edge, YOLO26n s’exécute jusqu’à 43 % plus vite sur CPU que YOLO11n, notamment grâce à la suppression de Distribution Focal Loss (DFL).
- Précision accrue : De nouvelles techniques d’entraînement comme ProgLoss + STAL améliorent la reconnaissance des petits objets, ce qui est utile pour les images de drones et la robotique.
Que tu maintiennes un pipeline YOLOv5 existant ou que tu adoptes YOLO26, la plateforme Ultralytics fournit des outils d’annotation, d’entraînement et de déploiement.
Commentaires
Pose une question, partage tes résultats ou aide quelqu’un d’autre.