YOLOv5 vs YOLOX#

L'évolution de la vision par ordinateur en temps réel a connu de nombreuses étapes marquantes, différentes architectures repoussant les limites de la vitesse et de la précision. Deux modèles très influents dans ce domaine sont YOLOv5 et YOLOX. Tous deux sont réputés pour leurs performances élevées en détection d'objets, mais reposent sur des approches architecturales fondamentalement différentes.

Ce guide propose une analyse technique approfondie de ces deux modèles, comparant leurs architectures, leurs métriques de performance, leurs méthodes d'entraînement et leurs scénarios de déploiement idéaux afin d'aider les développeurs et les chercheurs à choisir le bon outil pour leurs projets d'IA pour la vision.

Présentation des modèles et différences architecturales#

Ultralytics YOLOv5#

• Auteur : Glenn Jocher
• Organisation : Ultralytics
• Date : 2020-06-26
• GitHub : Dépôt Ultralytics YOLOv5
• Documentation : Documentation officielle de YOLOv5

Introduit par Ultralytics, YOLOv5 est rapidement devenu une référence du secteur grâce à son équilibre exceptionnel entre performances, facilité d'utilisation et efficacité mémoire. Construit nativement sur le framework PyTorch, YOLOv5 utilise une architecture basée sur des ancres. Il s'appuie sur des formes de boîtes englobantes prédéfinies pour prédire l'emplacement des objets, ce qui le rend très efficace pour les tâches classiques de détection d'objets.

L'un des principaux atouts de YOLOv5 est son écosystème bien entretenu. Il bénéficie d'une documentation complète, d'une API Python incroyablement simple et d'une intégration native à la plateforme Ultralytics. Les développeurs peuvent ainsi passer facilement de l'annotation des jeux de données à l'entraînement et à l'exportation vers des formats comme ONNX et TensorRT.

YOLOX de Megvii#

• Auteurs : Zheng Ge, Songtao Liu, Feng Wang, Zeming Li et Jian Sun
• Organisation : Megvii
• Date : 2021-07-18
• Arxiv : YOLOX : dépasser la série YOLO en 2021
• GitHub : Dépôt YOLOX de Megvii
• Documentation : Documentation YOLOX sur GitHub

Développé par des chercheurs de Megvii, YOLOX a emprunté une autre voie en introduisant une conception sans ancres dans la famille YOLO. En éliminant les boîtes d'ancrage, YOLOX simplifie la tête de détection et réduit considérablement le nombre de paramètres heuristiques qui doivent être réglés manuellement pendant l'entraînement.

YOLOX intègre également une tête découplée — qui sépare les tâches de classification et de régression en branches de réseau distinctes — et utilise la stratégie d'affectation des étiquettes SimOTA. Ces innovations rapprochent la recherche universitaire des applications industrielles, ce qui rend YOLOX particulièrement efficace dans les environnements où les échelles des objets varient beaucoup.

En savoir plus sur YOLOX

Performances et métriques#

Lors de l'évaluation de modèles de vision par ordinateur, le compromis entre la précision moyenne (mAP) et la vitesse d'inférence est essentiel. Les deux modèles proposent différentes tailles, de Nano à Extra-Large, pour répondre aux contraintes matérielles.

YOLOXx atteint une précision maximale légèrement supérieure (51,1 mAP), tandis que YOLOv5 offre un pipeline de déploiement beaucoup plus robuste et éprouvé sur les processeurs CPU et GPU. Les vitesses TensorRT de YOLOv5 témoignent de son optimisation poussée pour les appareils de calcul en périphérie, ce qui en fait un choix très fiable pour l'analyse vidéo en temps réel.

Méthodes d’entraînement et facilité d’utilisation#

L'expérience de développement varie considérablement entre ces deux architectures.

L'approche YOLOX#

L'entraînement de YOLOX nécessite généralement de cloner le dépôt d'origine, de gérer des dépendances spécifiques et d'exécuter des scripts complexes en ligne de commande. Bien qu'il prenne en charge des fonctionnalités avancées comme l'entraînement en précision mixte et les configurations multinœuds via MegEngine, sa prise en main peut être difficile pour les développeurs qui ont besoin de prototyper rapidement.

L’avantage Ultralytics#

À l'inverse, Ultralytics privilégie une expérience utilisateur particulièrement fluide. Avec le package Python ultralytics, les développeurs peuvent charger, entraîner et valider un modèle avec très peu de code passe-partout. Ultralytics gère automatiquement les augmentations de données complexes, l'évolution des hyperparamètres et la programmation du taux d'apprentissage.

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=100, imgsz=640)

# Valider les performances du modèle
metrics = model.val()

En outre, la polyvalence de YOLOv5 va au-delà de la détection d'objets classique : il prend aussi en charge la classification d'images et la segmentation d'instances dans cette même API unifiée.

Applications concrètes#

Le choix entre ces modèles dépend de ton environnement de déploiement et de tes exigences techniques :

• Commerce de détail et gestion des stocks : pour les applications qui nécessitent la reconnaissance de produits en temps réel sur des appareils de périphérie comme le NVIDIA Jetson, YOLOv5 est particulièrement adapté. Sa faible empreinte mémoire et ses vitesses d'inférence TensorRT élevées permettent le suivi par plusieurs caméras sans perte d'images.
• Recherche universitaire et architectures personnalisées : YOLOX est très apprécié dans la communauté de recherche. Sa tête découplée et sa conception sans ancres en font une excellente base pour les ingénieurs qui souhaitent tester de nouvelles stratégies d'affectation des étiquettes ou travailler sur des jeux de données pour lesquels les boîtes d'ancrage classiques ne se généralisent pas.
• IA agricole : pour des tâches d'agriculture de précision comme la détection de fruits ou l'identification des mauvaises herbes par drone, la simplicité d'entraînement et de déploiement des modèles YOLOv5 avec la plateforme Ultralytics permet aux spécialistes du domaine de mettre en œuvre des solutions d'IA sans expertise approfondie en ingénierie de l'apprentissage automatique.

Cas d’utilisation et recommandations#

Le choix entre YOLOv5 et YOLOX dépend des exigences spécifiques de ton projet, de tes 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 YOLOX#

YOLOX est recommandé pour :

• Recherche sur la détection sans ancres : recherche universitaire qui utilise l’architecture épurée sans ancres de YOLOX comme référence pour expérimenter de nouvelles têtes de détection ou fonctions de perte.
• Appareils périphériques ultralégers : déploiement sur des microcontrôleurs ou du matériel mobile ancien, où l’empreinte extrêmement réduite (0,91 M de paramètres) de la variante YOLOX-Nano est essentielle.
• Études sur l’assignation d’étiquettes SimOTA : projets de recherche qui étudient les stratégies d’assignation d’étiquettes basées sur le transport optimal et leur impact sur la convergence de l’entraînement.

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.

L’avenir de l’IA visuelle : voici YOLO26#

YOLOv5 et YOLOX ont tous deux marqué l'histoire de la vision par ordinateur, mais le domaine évolue rapidement. Pour les développeurs qui démarrent de nouveaux projets aujourd'hui, Ultralytics recommande vivement d'explorer son dernier modèle phare, YOLO26.

Sorti en janvier 2026, YOLO26 représente une avancée majeure en matière de performances et de facilité d'utilisation. Il introduit une conception de bout en bout sans NMS révolutionnaire, sélectionnée avec nms=False, qui élimine le post-traitement par suppression non maximale. Cela réduit considérablement la variabilité de la latence et simplifie la logique de déploiement sur les appareils à faible consommation.

En outre, YOLO26 utilise le nouvel optimiseur MuSGD — un hybride de SGD et de Muon inspiré des innovations en matière d'entraînement des LLM — pour une convergence incroyablement stable et rapide. Avec la suppression de DFL (Distribution Focal Loss supprimée pour simplifier l'exportation et améliorer la compatibilité avec les appareils de périphérie et à faible consommation), YOLO26 offre une inférence CPU jusqu'à 43 % plus rapide, ce qui confirme sa place de modèle de référence pour le calcul en périphérie moderne, la robotique et les applications IoT. De plus, ProgLoss + STAL fournit des fonctions de perte améliorées, avec des progrès notables dans la reconnaissance des petits objets, essentielle à l'IoT, à la robotique et à l'imagerie aérienne. Les utilisateurs intéressés par les générations précédentes peuvent également découvrir YOLO11, même si YOLO26 est incontestablement à la pointe de la technologie.

Conclusion#

YOLOv5 et YOLOX offrent tous deux d'excellentes capacités de détection d'objets. YOLOX a repoussé les limites de l'architecture en prouvant en 2021 que les conceptions sans ancres pouvaient rivaliser avec les méthodes classiques et même les dépasser. Cependant, YOLOv5 reste incontournable grâce à sa facilité d'utilisation inégalée, à son vaste écosystème et à ses besoins réduits en mémoire pendant l'entraînement.

Pour la grande majorité des applications commerciales, l'écosystème Ultralytics offre le moyen le plus rapide de passer d'un jeu de données brut à un modèle déployé en production. Qu'ils utilisent YOLOv5, éprouvé et fiable, ou passent au modèle de pointe YOLO26, les développeurs bénéficient d'un framework conçu pour rendre l'IA visuelle accessible, efficace et très performante.