Commencer

YOLOv6-3.0 vs YOLOv5

L’évolution de la détection d’objets en temps réel a vu apparaître de nombreuses architectures optimisées pour différents scénarios de déploiement. Cette comparaison porte sur deux modèles importants : YOLOv6-3.0, axé sur l’industrie, et Ultralytics YOLOv5, un modèle fondateur très polyvalent. Comprendre les choix architecturaux, les indicateurs de performance et la prise en charge de l’écosystème de chacun t’aidera à choisir le framework de vision par ordinateur optimal pour tes applications concrètes.

YOLOv6-3.0 : débit industriel et optimisation matérielle#

Développé par le département Vision AI de Meituan, YOLOv6-3.0 est conçu pour les environnements industriels à haut débit. Il vise à maximiser la fréquence d’images sur les accélérateurs matériels, comme les GPU NVIDIA dédiés.

  • Auteurs : Chuyi Li, Lulu Li, Yifei Geng, Hongliang Jiang, Meng Cheng, Bo Zhang, Zaidan Ke, Xiaoming Xu et Xiangxiang Chu
  • Organisation : Meituan
  • Date : 2023-01-13
  • arXiv : 2301.05586
  • GitHub : meituan/YOLOv6
  • Docs : Documentation de YOLOv6

Atouts architecturaux#

YOLOv6-3.0 introduit plusieurs optimisations structurelles conçues pour accélérer le traitement. Le modèle utilise un backbone EfficientRep, spécialement conçu pour être compatible avec le matériel lors de l’inférence sur GPU. Cette architecture convient donc bien aux tâches de traitement par lots hors ligne.

Pendant l’entraînement, le modèle intègre une stratégie d’entraînement assisté par ancres (AAT). Cette approche combine la stabilité de l’entraînement avec ancres et la vitesse de l’inférence sans ancres. De plus, son architecture de neck utilise un module de concaténation bidirectionnelle (BiC) pour améliorer la fusion des caractéristiques à différentes échelles. Bien que fortement optimisée pour les GPU de serveur haut de gamme avec TensorRT, cette spécialisation peut parfois entraîner une latence accrue sur les appareils uniquement équipés d’un CPU ou les appareils en périphérie à faible consommation.

En savoir plus sur YOLOv6

Ultralytics YOLOv5 : le pionnier de l’IA visuelle accessible#

Sorti par Ultralytics en 2020, YOLOv5 a été largement adopté pour sa facilité d’utilisation, son efficacité d’entraînement et ses options de déploiement. Il a rendu la détection d’objets hautes performances accessible grâce à son intégration étroite aux workflows modernes d’apprentissage profond.

Écosystème et polyvalence#

La caractéristique phare de YOLOv5 est sa facilité d’utilisation. Construit nativement sur le framework PyTorch, le dépôt fournit une API Python unifiée qui simplifie le cycle de vie de l’apprentissage automatique. De la configuration du jeu de données au déploiement final, l’écosystème intégré permet aux développeurs de consacrer moins de temps au débogage des environnements et davantage à la création d’applications.

YOLOv5 ne se limite pas à la détection d’objets. Il offre une grande polyvalence, avec une prise en charge native de la segmentation d’instances et de la classification d’images, ainsi qu’une efficacité d’entraînement élevée grâce à la mise en cache intelligente, aux chargeurs de données automatisés et à la prise en charge intégrée de l’entraînement distribué sur plusieurs GPU.

Efficacité mémoire des modèles Ultralytics

Lors de la comparaison des architectures de modèles, la consommation mémoire est un facteur crucial. Les modèles YOLO d’Ultralytics nécessitent moins de mémoire VRAM pendant l’entraînement et l’inférence que les modèles Transformer volumineux, ce qui les rend accessibles aux développeurs utilisant du matériel grand public ou des notebooks cloud comme Google Colab.

Comparaison des performances et des architectures#

Le tableau ci-dessous présente les métriques de performance des deux architectures évaluées sur le jeu de données COCO standard. Observe comment les modèles équilibrent le compromis entre précision moyenne et vitesse d’inférence dans différents environnements.

Modèletaille
(pixels)
mAPval50-95Vitesse
CPU ONNX
(ms)
Vitesse
T4 TensorRT10
(ms)
paramètres
(M)
FLOPs
(B)
YOLOv6-3.0n64037.5-1.174.711.4
YOLOv6-3.0s64045.0-2.6618.545.3
YOLOv6-3.0m64050.0-5.2834.985.8
YOLOv6-3.0l64052.8-8.9559.6150.7
YOLOv5n64028.0-1.121.94.5
YOLOv5s64037.4-1.927.216.5
YOLOv5m64045.4-4.0321.249.0
YOLOv5l64049.0-6.6146.5109.1
YOLOv5x64050.7-11.8986.7205.7

Analyse#

YOLOv6-3.0 atteint un mAP plus élevé à taille comparable et est fortement optimisé pour les pipelines TensorRT sur GPU T4. YOLOv5 offre toutefois un écosystème bien entretenu qui prend en charge l’exportation directe vers plusieurs formats, dont ONNX, CoreML et LiteRT. Cet équilibre des performances permet à YOLOv5 de fonctionner de manière fiable non seulement sur des serveurs dédiés, mais aussi sur des appareils mobiles et dans des environnements d’informatique en périphérie comme le Raspberry Pi.

Exemple de code : entraînement avec Ultralytics#

L’un des principaux avantages de l’écosystème Ultralytics est son expérience utilisateur simplifiée. Entraîner un modèle, l’évaluer et l’exporter ne nécessite que quelques lignes de Python.

from ultralytics import YOLO

# Charge 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
# L’API gère automatiquement le téléchargement des jeux de données et la configuration des hyperparamètres
results = model.train(data="coco8.yaml", epochs=50, imgsz=640)

# Effectuer une inférence sur une image
predictions = model("https://ultralytics.com/images/bus.jpg")

# Exporte le modèle au format ONNX pour un déploiement flexible
model.export(format="onnx")

Cas d’utilisation idéaux et scénarios de déploiement#

Le choix entre ces architectures dépend souvent des contraintes de ton infrastructure :

  • Quand déployer YOLOv6-3.0 : idéal pour les lignes de production automatisées et l’analyse de données sur serveur à haut débit, lorsque des GPU NVIDIA dédiés sont disponibles et que la latence doit être minimale. Son architecture excelle dans les environnements où les optimisations TensorRT peuvent être pleinement exploitées.
  • Quand déployer YOLOv5 : C’est un excellent choix pour le prototypage rapide, le déploiement multiplateforme et les équipes qui recherchent un pipeline unifié. Ses capacités d’exportation variées le rendent bien adapté à l’analyse commerciale sur les appareils en périphérie et à la surveillance agricole par drone.

L’avenir de la détection d’objets : place à YOLO26#

Bien que YOLOv5 et YOLOv6 représentent des étapes importantes, le domaine de la vision par ordinateur évolue rapidement. Pour les développeurs qui démarrent de nouveaux projets ou recherchent des performances de pointe, Ultralytics recommande de passer à Ultralytics YOLO26 (sorti en janvier 2026).

YOLO26 est conçu pour l’IA visuelle privilégiant le traitement en périphérie et introduit une conception optionnelle de bout en bout sans NMS. Lorsque tu sélectionnes sa tête sans NMS avec nms=False, le post-traitement par suppression des prédictions non maximales est ignoré, ce qui simplifie la logique de déploiement et réduit la variabilité de la latence.

Principales innovations de YOLO26 :

  • Optimiseur MuSGD : Hybride de SGD et de Muon, il transpose à la vision par ordinateur la stabilité de l’entraînement des grands modèles de langage (LLM) pour une convergence plus rapide et plus fiable.
  • Inférence CPU jusqu’à 43 % plus rapide : YOLO26n fonctionne jusqu’à 43 % plus rapidement sur CPU que YOLO11n, ce qui est utile dans les environnements sans accélérateurs dédiés.
  • Suppression de DFL : la suppression de la perte focale de distribution simplifie le processus d’exportation et améliore la compatibilité avec les appareils edge à faible consommation.
  • ProgLoss + STAL : La fonction de perte progressive et l’assignation d’étiquettes adaptée aux petites cibles améliorent la reconnaissance des petits objets, un point essentiel pour les images aériennes et les capteurs IoT des villes intelligentes.

Pour les tâches générales, YOLO11 reste également un modèle entièrement pris en charge au sein de la gamme Ultralytics.

Conclusion#

YOLOv6-3.0 et YOLOv5 ont tous deux joué un rôle important dans l’évolution de la détection en temps réel. YOLOv6-3.0 offre une architecture très spécialisée pour le débit accéléré par GPU, tandis que YOLOv5 propose une excellente expérience développeur grâce à sa documentation complète, sa facilité d’utilisation et ses capacités multitâches.

Pour les applications modernes, l’écosystème intégré Ultralytics offre un workflow activement maintenu. En adoptant les architectures les plus récentes comme YOLO26, tes pipelines de déploiement bénéficient des dernières améliorations en matière de vitesse, de précision et de simplicité.

Commentaires

Pose une question, partage tes résultats ou aide quelqu’un d’autre.