Commencer

YOLOv6-3.0 vs YOLOv7

L’évolution de la détection d’objets en temps réel a été marquée par des progrès rapides en efficacité architecturale et en méthodologies d’entraînement. Deux modèles importants ayant influencé le domaine sont YOLOv6-3.0 et YOLOv7. Les deux frameworks ont introduit de nouvelles techniques pour équilibrer vitesse d’inférence et précision de détection, ciblant des déploiements allant des GPU de serveur haut de gamme aux appareils en périphérie.

Cette comparaison technique examine leurs architectures, leurs indicateurs de performance et leurs cas d’utilisation idéaux, tout en montrant comment la plateforme Ultralytics et le dernier modèle YOLO26 s’appuient sur ces concepts pour offrir une expérience développeur plus simple.

YOLOv6-3.0 : optimisation du débit industriel#

Développé par le département Vision AI de Meituan, YOLOv6-3.0 a été conçu spécifiquement pour les applications industrielles à haut débit. Il vise à maximiser les performances sur les accélérateurs matériels, ce qui en fait un excellent choix pour les environnements où le traitement par lots sur des GPU dédiés est possible.

  • 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

Innovations architecturales#

YOLOv6-3.0 repose sur un backbone EfficientRep, une architecture adaptée au matériel et conçue pour optimiser les coûts d’accès à la mémoire sur les GPU. Pour améliorer la fusion des caractéristiques à différentes échelles, le modèle intègre un module de concaténation bidirectionnelle (BiC) dans son neck. Le réseau peut ainsi capturer les hiérarchies spatiales complexes plus efficacement que les versions précédentes.

De plus, YOLOv6-3.0 met en œuvre une stratégie d’entraînement assisté par ancres (AAT). Cette approche combine les signaux de gradient riches de l’entraînement avec ancres aux avantages d’un déploiement simplifié grâce à l’inférence sans ancres. Elle aide le modèle à converger de manière plus stable sans sacrifier la vitesse de post-traitement.

En savoir plus sur YOLOv6

Considérations matérielles

YOLOv6-3.0 excelle sur les GPU de classe serveur, comme la NVIDIA T4, mais sa forte dépendance à une reparamétrisation structurelle spécifique peut parfois entraîner une latence sous-optimale sur les appareils edge strictement limités au CPU par rapport aux architectures plus récentes.

YOLOv7 : pionnier des « bag-of-freebies »#

Publié par des chercheurs de l’Academia Sinica, YOLOv7 adopte une approche différente en mettant l’accent sur l’analyse des chemins de gradient et les optimisations à l’entraînement qui n’augmentent pas le coût d’inférence — un concept que les auteurs appellent « trainable bag-of-freebies ».

  • Auteurs : Chien-Yao Wang, Alexey Bochkovskiy et Hong-Yuan Mark Liao
  • Organisation : Institute of Information Science, Academia Sinica, Taïwan
  • Date : 2022-07-06
  • arXiv : 2207.02696
  • GitHub : WongKinYiu/yolov7

Innovations architecturales#

Le cœur de YOLOv7 est son réseau d’agrégation de couches efficace étendu (E-ELAN). E-ELAN optimise le chemin du gradient en permettant à différentes couches d’apprendre des caractéristiques plus diverses sans perturber la topologie d’origine du réseau. Il en résulte un modèle très expressif, capable d’atteindre une précision moyenne (mAP) élevée.

YOLOv7 utilise également largement la reparamétrisation du modèle, qui consiste à fusionner les couches de convolution et la normalisation par lots pendant l’inférence. Cela réduit le nombre de paramètres et accélère la passe avant lorsque le modèle est déployé avec des frameworks comme NVIDIA TensorRT ou ONNX.

En savoir plus sur YOLOv7

Comparaison des performances#

Lors de l’évaluation de ces modèles sur le jeu de données MS COCO, les résultats montrent un compromis entre les variantes légères de YOLOv6 et les modèles YOLOv7 plus grands, axés sur la précision.

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
YOLOv7l64051.4-6.8436.9104.7
YOLOv7x64053.1-11.5771.3189.9

Les données montrent que YOLOv6-3.0n offre l’inférence la plus rapide, ce qui le rend adapté à l’analyse vidéo à haute fréquence. À l’inverse, YOLOv7x obtient le mAP le plus élevé et se démarque dans les tâches où la précision de détection prime sur la fréquence brute des images.

Cas d’utilisation et recommandations#

Le choix entre YOLOv6 et YOLOv7 dépend des exigences de ton projet, de tes contraintes de déploiement et de tes préférences en matière d’écosystème.

Quand choisir YOLOv6#

YOLOv6 est un excellent choix pour :

  • Déploiement adapté au matériel industriel : les scénarios où la conception de YOLOv6, adaptée au matériel, et son reparamétrage efficace optimisent les performances sur un matériel cible spécifique.
  • Détection rapide à un seul étage : les applications qui privilégient la vitesse d’inférence brute sur GPU pour le traitement vidéo en temps réel dans des environnements contrôlés.
  • Intégration à l’écosystème Meituan : les équipes qui travaillent déjà dans la pile technologique et l’infrastructure de déploiement de Meituan.

Quand choisir YOLOv7#

YOLOv7 est recommandé pour :

  • Évaluation comparative universitaire : reproduire les résultats de pointe de 2022 ou étudier les effets d’E-ELAN et des techniques d’ensemble de techniques gratuites entraînables.
  • Recherche sur la reparamétrisation : étudier les convolutions reparamétrisées planifiées et les stratégies de mise à l’échelle composée des modèles.
  • Pipelines personnalisés existants : projets dotés de pipelines fortement personnalisés autour de l’architecture spécifique de YOLOv7, difficiles à refactoriser.

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 : appareils sans accélération GPU dédiée, sur lesquels YOLO26n est jusqu’à 43 % plus rapide que YOLO11n sur CPU.
  • Détection de petits objets : scénarios difficiles comme les images aériennes capturées par drone ou l’analyse de capteurs IoT, où ProgLoss et STAL améliorent la précision sur les objets minuscules.

Les atouts d’Ultralytics : cap sur l’avenir#

Bien que YOLOv6-3.0 et YOLOv7 soient des jalons importants, l’intégration de dépôts distincts dans des pipelines de production pose souvent des difficultés liées au déploiement des modèles et au réglage des hyperparamètres. L’écosystème Ultralytics résout ces problèmes grâce à une interface unifiée et simplifiée.

Pourquoi choisir Ultralytics ?#

  • Facilité d’utilisation : L’API Python Ultralytics permet aux développeurs de charger, d’entraîner et d’exporter des modèles en quelques lignes de code seulement. Pour passer d’un ancien modèle à la dernière architecture, il suffit de changer une seule chaîne de caractères.
  • Un écosystème bien maintenu : Ultralytics fournit des mises à jour fréquentes, un soutien actif de la communauté et une documentation complète.
  • Polyvalence : Contrairement aux modèles antérieurs axés principalement sur les boîtes englobantes, les modèles Ultralytics prennent nativement en charge l’apprentissage multitâche, notamment la segmentation d’instances, la classification d’images, l’estimation de pose et les boîtes englobantes orientées (OBB).
  • Besoins en mémoire : À l’entraînement, les modèles Ultralytics YOLO utilisent moins de mémoire que les architectures fondées sur les Transformer, comme RT-DETR, ce qui permet aux chercheurs de les entraîner efficacement sur du matériel grand public.

Passer à YOLO26#

Pour les développeurs qui recherchent les meilleures performances actuelles, YOLO26 (sorti en janvier 2026) est la mise à niveau recommandée pour la détection d’objets. Il introduit une conception optionnelle de bout en bout sans NMS (nms=False) qui ignore le post-traitement par suppression des prédictions non maximales (NMS) et réduit la variabilité de la latence sur les appareils en périphérie.

Principales innovations de YOLO26 :

  • Optimiseur MuSGD : Hybride de SGD et de Muon, inspiré de l’entraînement des grands modèles de langage (LLM), il assure une dynamique d’entraînement stable et une convergence plus rapide.
  • Suppression de DFL : En supprimant Distribution Focal Loss, YOLO26 simplifie la compatibilité des exportations et améliore les performances sur les appareils à faible consommation.
  • ProgLoss + STAL : Une fonction de perte progressive et une stratégie d’assignation d’étiquettes adaptée aux petites cibles améliorent la reconnaissance des petits objets.
  • Vitesse CPU : YOLO26n offre une inférence CPU jusqu’à 43 % plus rapide que YOLO11n, ce qui rend YOLO26 bien adapté aux systèmes embarqués comme le Raspberry Pi ou aux déploiements Apple CoreML.

Parmi les autres modèles performants de l’écosystème figurent YOLO11 et YOLOv8, qui restent tous deux bien adaptés aux intégrations matérielles existantes.

Pérennise ton pipeline

En développant tes applications de vision par ordinateur sur la plateforme Ultralytics, tu peux adopter de nouveaux modèles Ultralytics sans réécrire tes chargeurs de jeux de données ni tes scripts de déploiement.

Exemple de code : entraînement simplifié#

L’extrait suivant montre comment entraîner un modèle YOLO26 de pointe à l’aide de l’API Ultralytics. Le même processus s’applique à YOLO11 ou YOLOv8, en faisant abstraction du code passe-partout généralement nécessaire dans les anciens dépôts.

from ultralytics import YOLO

# Charger le modèle YOLO26 nano pour un entraînement rapide
model = YOLO("yolo26n.pt")

# Entraîner le modèle sur le jeu de données COCO8
# L’API gère le téléchargement du jeu de données, l’augmentation des données et la configuration des hyperparamètres
results = model.train(
    data="coco8.yaml",
    epochs=100,
    imgsz=640,
    device="cuda:0",  # Utilise automatiquement l’accélération GPU de PyTorch
)

# Exécute une inférence de bout en bout, sans NMS, sur une image de test
predictions = model.predict("https://ultralytics.com/images/bus.jpg", nms=False)

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

Conclusion#

YOLOv6-3.0 et YOLOv7 ont relevé avec succès différents aspects du défi de la détection en temps réel. YOLOv6-3.0 convient bien aux environnements GPU industriels spécialisés, tandis que YOLOv7 offre une grande précision grâce à une optimisation rigoureuse du chemin du gradient.

Cependant, pour les applications modernes qui exigent polyvalence, déploiement sans friction et performances de pointe, Ultralytics YOLO26 est le choix recommandé. Sa tête optionnelle sans NMS, son optimiseur MuSGD et son intégration à la plateforme Ultralytics aident les développeurs à déployer plus rapidement des solutions d’IA visuelle évolutives.

Commentaires

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