YOLOv5 vs YOLOX#

L’évolution de la vision par ordinateur en temps réel a connu de nombreuses étapes marquantes, avec différentes architectures qui repoussent les limites de la vitesse et de la précision. Deux modèles très influents dans ce domaine sont YOLOv5 et YOLOX. Bien que tous deux soient réputés pour leurs performances élevées en détection d’objets, ils adoptent des approches architecturales fondamentalement différentes.

Ce guide propose une analyse technique approfondie de ces deux modèles, en comparant leurs architectures, leurs métriques de performance, leurs méthodologies d’entraînement et leurs scénarios de déploiement idéaux, afin de t’aider, ainsi que les chercheurs, à choisir l’outil adapté à vos 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 la position des objets, ce qui le rend particulièrement efficace pour les tâches classiques de détection d’objets.

L’un des principaux atouts de YOLOv5 est son écosystème bien entretenu. Il offre une documentation complète, une API Python extrêmement simple et une intégration native avec l’Ultralytics Platform. Les développeurs peuvent ainsi passer facilement de l’annotation des jeux de données à l’entraînement, puis exporter leurs modèles dans des formats tels que ONNX et TensorRT.

Megvii YOLOX#

• 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 Megvii YOLOX
• Documentation : Documentation YOLOX sur GitHub

Développé par des chercheurs de Megvii, YOLOX a suivi une voie différente en introduisant une conception sans ancres dans la famille YOLO. En supprimant les boîtes d’ancrage, YOLOX simplifie la tête de détection et réduit considérablement le nombre de paramètres heuristiques à régler manuellement pendant l’entraînement.

YOLOX intègre également une tête découplée — qui sépare les tâches de classification et de régression dans différentes branches du réseau — et utilise la stratégie d’attribution des labels SimOTA. Ces innovations comblent l’écart entre la recherche universitaire et les applications industrielles, ce qui rend YOLOX particulièrement efficace dans les environnements où les échelles des objets varient fortement.

En apprends plus sur YOLOX

Performances et métriques#

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

Bien que YOLOXx atteigne une précision maximale légèrement supérieure (51.1 mAP), YOLOv5 offre un pipeline de déploiement beaucoup plus robuste et largement testé sur du matériel CPU et GPU. Les vitesses TensorRT de YOLOv5 mettent en évidence son optimisation poussée pour les appareils d’edge computing, ce qui en fait un choix très fiable pour l’analyse vidéo en temps réel.

Méthodes d’entraînement et facilité d’utilisation#

L’expérience développeur 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 multi-nœuds via MegEngine, sa courbe d’apprentissage peut être abrupte pour les développeurs qui ont besoin de prototyper rapidement.

L'avantage Ultralytics#

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

from ultralytics import YOLO

# Load a pretrained YOLOv5 small model
model = YOLO("yolov5s.pt")

# Train the model on the COCO8 dataset
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Validate the model's performance
metrics = model.val()

De plus, la polyvalence de YOLOv5 s’étend au-delà de la détection d’objets classique, avec une prise en charge robuste de la classification d’images et de la segmentation d’instances au sein de la même API cohérente.

Applications concrètes#

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

• Commerce et gestion des stocks : pour les applications nécessitant la reconnaissance de produits en temps réel sur des appareils edge comme le NVIDIA Jetson, YOLOv5 est particulièrement adapté. Sa faible empreinte mémoire et ses vitesses d’inférence TensorRT élevées permettent le suivi de plusieurs caméras sans perte d’images.
• Recherche universitaire et architectures personnalisées : YOLOX est très apprécié dans la communauté de la recherche. Sa tête découplée et sa conception sans ancres en font une excellente base pour les ingénieurs qui souhaitent expérimenter de nouvelles stratégies d’attribution des labels ou qui travaillent sur des jeux de données où les boîtes d’ancrage traditionnelles ne se généralisent pas correctement.
• IA agricole : pour des tâches d’agriculture de précision comme la détection de fruits ou l’identification des mauvaises herbes par drone, la facilité d’entraînement et de déploiement des modèles YOLOv5 avec l’Ultralytics Platform permet aux experts du domaine d’implémenter des solutions d’IA sans disposer de connaissances approfondies en ingénierie du machine learning.

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 éprouvés en production : les déploiements existants qui accordent de l'importance à la longue expérience de YOLOv5 en matière de stabilité, à sa documentation étendue et au soutien massif de sa communauté.
• 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 constituent des avantages.
• Prise en charge étendue des formats d'exportation : les projets nécessitant un déploiement dans de nombreux formats, notamment ONNX, TensorRT, CoreML et TFLite.

Quand choisir YOLOX#

YOLOX est recommandé pour :

• Recherche sur la détection sans ancres : La recherche universitaire utilisant l’architecture sans ancres claire de YOLOX comme référence pour expérimenter de nouvelles têtes de détection ou fonctions de perte.
• Appareils edge ultralégers : Le déploiement sur des microcontrôleurs ou du matériel mobile ancien, lorsque l’empreinte extrêmement réduite de la variante YOLOX-Nano (0.91M paramètres) est essentielle.
• Études sur l’attribution des labels SimOTA : Les projets de recherche qui étudient les stratégies d’attribution de labels fondées 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 compromis entre performance et expérience développeur :

• Déploiement edge sans NMS : les applications nécessitant une inférence cohérente à faible latence, 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 scénarios difficiles comme les images aériennes prises par drone ou l'analyse de capteurs IoT, où ProgLoss et STAL améliorent considérablement la précision sur les objets minuscules.

L’avenir de l’IA pour la vision : voici YOLO26#

Bien que YOLOv5 et YOLOX aient tous deux marqué l’histoire de la vision par ordinateur, le domaine évolue rapidement. Pour les développeurs qui commencent 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 d’ergonomie. Il introduit une conception révolutionnaire de bout en bout et sans NMS, qui élimine complètement le post-traitement de suppression des non-maxima. Cela réduit considérablement la variabilité de la latence et simplifie la logique de déploiement sur les appareils basse consommation.

De plus, YOLO26 utilise le nouvel optimiseur MuSGD — un hybride de SGD et de Muon inspiré des innovations de l’entraînement des LLM — pour une convergence extrêmement stable et rapide. Grâce à la suppression de DFL (Distribution Focal Loss supprimée pour simplifier l’exportation et améliorer la compatibilité avec les appareils edge et basse consommation), YOLO26 atteint jusqu’à 43 % d’inférence CPU plus rapide, consolidant sa position de modèle ultime pour l’edge computing 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, un aspect essentiel pour l’IoT, la robotique et l’imagerie aérienne. Les utilisateurs intéressés par les générations précédentes peuvent également consulter YOLO11, même si YOLO26 constitue indiscutablement le choix 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 architecturales en démontrant en 2021 que les conceptions sans ancres pouvaient rivaliser avec les méthodes traditionnelles et même les dépasser. Cependant, YOLOv5 reste une référence majeure grâce à sa facilité d’utilisation inégalée, à son vaste écosystème et à ses besoins mémoire réduits pendant l’entraînement.

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