YOLOv5 vs YOLOv8
Pour créer des applications de vision par ordinateur évolutives et efficaces, il est essentiel de choisir la bonne architecture. L’écosystème Ultralytics améliore régulièrement la vitesse et la précision, et fournit aux développeurs des outils robustes pour les déploiements en conditions réelles. Cette comparaison technique examine les différences entre YOLOv5 et YOLOv8, notamment leurs architectures, les compromis en matière de performances et les cas d’utilisation adaptés, afin de t’aider à prendre une décision éclairée pour ton prochain projet d’IA.
Ces deux modèles constituent des jalons importants dans l’histoire de la détection d’objets en temps réel et bénéficient tous deux des faibles besoins en mémoire et de la facilité d’utilisation propres à l’écosystème Ultralytics.
YOLOv5 : la référence fiable du secteur#
Lancé en 2020, YOLOv5 est rapidement devenu une référence largement adoptée pour la détection d’objets rapide, accessible et fiable. Grâce à son implémentation native en PyTorch, il a simplifié le cycle de vie de l’entraînement et du déploiement pour les ingénieurs du monde entier.
- Auteurs : Glenn Jocher
- Organisation : Ultralytics
- Date : 2020-06-26
- GitHub : ultralytics/yolov5
- Docs : Documentation de YOLOv5
Atouts architecturaux#
YOLOv5 repose sur un paradigme de détection basé sur des ancres, qui utilise des boîtes d’ancrage prédéfinies pour prédire les limites des objets. Son architecture comprend un backbone de réseau Cross-Stage Partial (CSP), qui optimise le flux de gradients et réduit la redondance des calculs. Il en résulte une faible empreinte mémoire, ce qui permet un entraînement rapide même sur des GPU grand public standard.
Cas d’utilisation idéaux#
YOLOv5 convient aux projets où le débit maximal et la consommation minimale de ressources sont prioritaires. Il excelle dans les environnements d’IA edge, par exemple sur Raspberry Pi ou sur des appareils mobiles. Sa maturité, éprouvée dans des milliers de déploiements commerciaux, garantit un comportement stable pour les workflows classiques de détection d’objets.
YOLOv8 : le framework de vision unifié#
Lancé en janvier 2023, YOLOv8 a marqué une évolution architecturale majeure, passant d’un détecteur d’objets dédié à un framework de vision polyvalent et multitâche.
- Auteurs : Glenn Jocher, Ayush Chaurasia et Jing Qiu
- Organisation : Ultralytics
- Date : 2023-01-10
- GitHub : ultralytics/ultralytics
- Documentation : Documentation de YOLOv8
Innovations architecturales#
Contrairement à son prédécesseur, YOLOv8 introduit une tête de détection sans ancres. Cela élimine la nécessité de régler manuellement les configurations d’ancres en fonction des distributions des jeux de données, améliorant ainsi la capacité de généralisation à différents jeux de données, du célèbre jeu de données COCO aux données personnalisées variées.
L’architecture améliore également le backbone avec un module C2f (goulot d’étranglement Cross-Stage Partial à deux convolutions), qui remplace l’ancien module C3. Cette amélioration renforce la représentation des caractéristiques sans trop solliciter la mémoire. De plus, une tête découplée, qui sépare les tâches de classification et de régression, améliore la convergence pendant l’entraînement du modèle.
Polyvalence et API Python#
YOLOv8 a introduit l’API Python moderne ultralytics, qui standardise le workflow pour différentes tâches de vision par ordinateur. Que tu effectues de la segmentation d’instances, de la classification d’images ou de l’estimation de pose, l’API unifiée ne nécessite que de légers changements de configuration.
from ultralytics import YOLO
# Charger un modèle YOLOv8 préentraîné
model = YOLO("yolov8n.pt")
# Entraîner le modèle sur un jeu de données personnalisé en profitant de l'efficacité mémoire intégrée
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# Effectuer l'inférence et analyser facilement les résultats
predictions = model("https://ultralytics.com/images/bus.jpg")
predictions[0].show()Comparaison détaillée des performances#
La comparaison des deux générations révèle un compromis classique : YOLOv8 obtient un meilleur score de précision moyenne (mAP) dans l’ensemble, tandis que YOLOv5 conserve un avantage en vitesse d’inférence brute et en nombre de paramètres pour ses plus petites variantes.
Voici une comparaison détaillée de leurs indicateurs de performance sur le jeu de données COCO, avec des images de 640 pixels.
| 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 |
| YOLOv8n | 640 | 37.3 | 80.4 | 1.47 | 3.2 | 8.7 |
| YOLOv8s | 640 | 44.9 | 128.4 | 2.66 | 11.2 | 28.6 |
| YOLOv8m | 640 | 50.2 | 234.7 | 5.86 | 25.9 | 78.9 |
| YOLOv8l | 640 | 52.9 | 375.2 | 9.06 | 43.7 | 165.1 |
| YOLOv8x | 640 | 53.9 | 479.1 | 14.37 | 68.2 | 257.8 |
Les données montrent que YOLOv8 améliore considérablement la précision. Par exemple, YOLOv8s atteint un mAP de 44,9, contre 37,4 pour YOLOv5s, soit un gain de 7,5 points utile dans les scènes denses et pour les petits objets. Toutefois, dans les environnements très contraints, YOLOv5n reste l’option la plus efficace, avec le nombre de paramètres et le nombre de FLOPs les plus faibles.
Comparés aux architectures plus lourdes comme les modèles Transformer, les deux modèles sont hautement optimisés pour réduire l'utilisation de mémoire CUDA pendant l'entraînement. Cela permet aux utilisateurs d'employer des lots plus importants sur des GPU standard et d'accélérer ainsi le cycle de recherche.
L'avantage de l'écosystème#
Avec YOLOv5 comme avec YOLOv8, les développeurs ont accès à la plateforme Ultralytics, bien entretenue. Cet environnement intégré propose des outils simples pour annoter les jeux de données, entraîner les modèles dans le cloud et les surveiller, tandis que le paquet ultralytics ajoute le réglage des hyperparamètres intégré. Le développement actif et le soutien solide de la communauté aident les développeurs à résoudre rapidement les problèmes et à intégrer des outils externes comme Weights & Biases et ClearML.
D’autres frameworks peuvent présenter une courbe d’apprentissage plus abrupte, mais Ultralytics privilégie une expérience utilisateur simplifiée, offrant un compromis avantageux entre vitesse et précision pour divers scénarios de déploiement en conditions réelles.
Au-delà de v8 : découvrir YOLO11 et YOLO26#
YOLOv8 est un framework très performant, mais le domaine de l’intelligence artificielle évolue rapidement. Les développeurs qui recherchent des performances de pointe devraient aussi explorer YOLO11, qui s’appuie sur v8 avec une meilleure précision et une vitesse accrue.
Pour les nouveaux projets, Ultralytics recommande Ultralytics YOLO26. Lancé en janvier 2026, YOLO26 apporte plusieurs améliorations :
- Conception de bout en bout sans NMS : s’appuyant sur l’entraînement sans NMS que YOLOv10 a introduit dans les modèles YOLO, la tête facultative à correspondance un-à-un de YOLO26 (
nms=False) supprime le post-traitement par suppression non maximale, ce qui permet des pipelines de déploiement plus simples et plus rapides. - Optimiseur MuSGD : Inspiré des innovations en matière d’entraînement des LLM observées dans des modèles comme Kimi K2, YOLO26 utilise un optimiseur hybride pour un entraînement plus stable et une convergence plus rapide.
- Informatique edge : YOLO26n s’exécute jusqu’à 43 % plus vite sur CPU que YOLO11n, ce qui rend YOLO26 particulièrement adapté aux appareils sans GPU dédié.
- Précision améliorée : Grâce à la nouvelle perte progressive et à l’assignation des étiquettes tenant compte des petites cibles (ProgLoss + STAL), la reconnaissance des petits objets s’améliore, ce qui est essentiel pour la robotique et l’imagerie aérienne par drone.
Que tu maintiennes un système existant avec YOLOv5, que tu développes une application polyvalente avec YOLOv8 ou que tu adoptes YOLO26 pour de nouveaux projets, l’écosystème Ultralytics fournit les outils nécessaires pour entraîner, déployer et maintenir une IA de vision moderne.
Commentaires1
Pose une question, partage tes résultats ou aide quelqu’un d’autre.
EllaSophia(modifié)
Excellent breakdown of YOLOv5 vs. YOLOv8! It's clear how YOLOv8 introduces major improvements in model architecture, task flexibility, and training pipeline. This YOLOv8 comparison really helps in understanding how far the framework has evolved, especially for those upgrading from YOLOv5.