YOLOv5 et YOLOv7#

Le domaine de la vision par ordinateur a évolué rapidement ces dernières années, sous l’impulsion du besoin de détecter des objets en temps réel plus vite et avec davantage de précision. Pour choisir la bonne architecture pour ton projet de vision par ordinateur, il est essentiel de comprendre les différences entre des modèles populaires comme Ultralytics YOLOv5 et YOLOv7. Cette comparaison technique complète 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

En savoir plus sur YOLOv7

Innovations et différences architecturales#

YOLOv5 : la référence en matière d’accessibilité#

Lancé par Ultralytics en 2020, YOLOv5 a marqué un changement de paradigme en utilisant nativement le framework PyTorch, ce qui a considérablement facilité l’accès aux chercheurs et aux développeurs. Son architecture repose sur un backbone Modified CSPDarknet53, qui intègre des réseaux à connexions partielles entre étapes (CSP) pour réduire le nombre de paramètres tout en préservant la circulation des gradients.

L’un de ses principaux atouts réside dans ses besoins en mémoire. Comparé aux anciens détecteurs à deux étapes ou aux modèles Transformer gourmands en ressources comme RT-DETR, YOLOv5 nécessite beaucoup moins de mémoire CUDA pendant l’entraînement, ce qui permet d’utiliser des tailles de lot plus importantes sur des GPU grand public. De plus, sa polyvalence intégrée nativement prend en charge de manière fluide la classification d’images, la détection d’objets et la segmentation d’images.

YOLOv7 : repousser les limites de la précision en temps réel#

Lancé au milieu de l’année 2022, YOLOv7 visait à repousser les limites de l’état de l’art en matière de détection en temps réel sur les benchmarks MS COCO. Ses auteurs ont introduit le réseau d’agrégation de couches efficace étendu (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 augmentent ainsi la vitesse 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#

Pour évaluer ces modèles, l’équilibre des performances entre vitesse, précision et coût de calcul est primordial. Voici une comparaison détaillée de leurs métriques de performance sur le jeu de données MS COCO val2017.

YOLOv7 obtient des scores mAP absolus plus élevés avec ses variantes de grande taille, mais YOLOv5 offre une gamme de modèles inégalée : du Nano ultraléger (YOLOv5n) pour les appareils en périphérie soumis à de fortes contraintes aux modèles 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 : Ultralytics Platform et son API Python unifiée offrent une expérience fluide, une syntaxe simple et une documentation complète. L’entraînement sur un jeu de données personnalisé ne nécessite aucun code passe-partout.
• Un écosystème bien entretenu : Ultralytics bénéficie d’un développement actif, de mises à jour fréquentes et d’un solide soutien communautaire. Les intégrations avec des outils comme Comet ML et Weights & Biases sont directement intégrées.
• Efficacité de l’entraînement : Les chargeurs de données, la mise en cache intelligente et la prise en charge du multi-GPU rendent les modèles Ultralytics particulièrement efficaces à entraîner. Les poids préentraînés disponibles accélèrent considérablement 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 très apprécié dans les environnements de production en raison de sa stabilité exceptionnelle. 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 de cycles d’itération rapides bénéficient de l’intégration fluide d’Ultralytics Platform pour gérer les jeux de données et entraîner les modèles dans le cloud.
• Environnements multitâches : systèmes nécessitant simultanément la détection d’objets, la classification et la segmentation.

L’avenir : passer à YOLO26#

Comparer YOLOv5 et YOLOv7 est un excellent moyen de comprendre l’évolution de l’IA appliquée à la vision, mais l’état de l’art a continué de progresser. Lancé en janvier 2026, Ultralytics YOLO26 représente un bond en avant monumental, rendant les architectures plus anciennes largement obsolètes pour les nouveaux projets.

Pour les développeurs qui recherchent des performances optimales, YOLO26 offre plusieurs avantages révolutionnaires par rapport à YOLOv5 et YOLOv7 :

• Conception de bout en bout sans NMS : en pouvant ignorer le post-traitement par suppression non maximale (nms=False), YOLO26 simplifie considérablement le déploiement et offre une latence plus rapide et constante.
• Optimiseur MuSGD : inspiré des innovations de Moonshot AI dans le domaine des LLM, cet optimiseur hybride offre un entraînement très stable et une convergence rapide.
• Vitesse inégalée en périphérie : spécialement optimisée pour les environnements en périphérie, la variante Nano offre une inférence sur CPU jusqu’à 43 % plus rapide grâce à la suppression de la perte focale de distribution (DFL).
• Précision supérieure : de nouvelles fonctions de perte comme ProgLoss + STAL améliorent considérablement la reconnaissance des petits objets, ce qui rend YOLO26 idéal pour les séquences de drone et la robotique.

Que tu entretiennes un pipeline YOLOv5 existant ou que tu souhaites mettre en œuvre la toute dernière version de YOLO26, Ultralytics Platform fournit tous les outils nécessaires pour réussir dans le domaine moderne de la vision par ordinateur.