YOLOv6-3.0 et YOLOv9
La détection d’objets en temps réel continue d’évoluer sous l’effet des besoins en précision accrue, en latence réduite et en meilleure utilisation du matériel. Cette comparaison porte sur deux jalons importants du domaine : YOLOv6-3.0, conçu pour le débit industriel, et YOLOv9, qui a introduit de nouvelles architectures pour surmonter les goulets d’étranglement informationnels de l’apprentissage profond.
Les deux modèles proposent des innovations architecturales uniques, mais les développeurs qui recherchent le meilleur équilibre entre performances et simplicité de déploiement adoptent souvent des écosystèmes modernes. Pour les nouveaux projets, Ultralytics YOLO26, avec sa tête facultative de bout en bout sans NMS, est le modèle recommandé : il offre une précision de pointe et une expérience de développement plus simple.
YOLOv6-3.0 : optimisation du débit industriel#
Développé par le département Vision AI de Meituan, YOLOv6-3.0 a été conçu avec soin pour maximiser le débit des applications industrielles, en particulier sur le matériel GPU.
- Auteurs : Chuyi Li, Lulu Li, Yifei Geng, Hongliang Jiang, Meng Cheng, Bo Zhang, Zaidan Ke, Xiaoming Xu et Xiangxiang Chu
- Organisation : Meituan
- Date : 13 janvier 2023
- arXiv : 2301.05586
- GitHub : meituan/YOLOv6
Innovations architecturales#
YOLOv6-3.0 a introduit plusieurs modifications clés pour améliorer la fusion des caractéristiques et l’efficacité matérielle. Son architecture intègre un module Bi-directional Concatenation (BiC) dans le cou, qui fournit des signaux de localisation plus précis. Elle utilise également une stratégie Anchor-Aided Training (AAT). Cette approche associe les indications riches de l’entraînement fondé sur des ancres à la vitesse d’inférence d’une approche sans ancres, pour obtenir de meilleures performances sans ralentir le déploiement.
Le backbone repose sur une conception EfficientRep, optimisée pour être adaptée au matériel et à l’inférence sur GPU. Il est ainsi particulièrement performant dans les scénarios de fabrication industrielle, où le traitement par lots à grande échelle est la norme.
Points forts et points faibles#
Le principal atout de YOLOv6-3.0 réside dans sa fréquence d’images élevée sur les GPU comme le NVIDIA T4, ce qui le rend adapté aux flux denses d’analyse vidéo. Cependant, sa forte dépendance à des optimisations matérielles spécifiques peut entraîner une latence sous-optimale sur les appareils périphériques uniquement équipés d’un CPU. De plus, la configuration de son pipeline d’entraînement peut être complexe par rapport à celle de cadres plus unifiés.
YOLOv9 : informations de gradient programmables#
Sorti un an plus tard, YOLOv9 vise à résoudre le problème du goulet d’étranglement informationnel inhérent aux réseaux neuronaux convolutifs profonds (CNN).
- Auteurs : Chien-Yao Wang et Hong-Yuan Mark Liao
- Organisation : Institute of Information Science, Academia Sinica
- Date : 21 février 2024
- arXiv : 2402.13616
- GitHub : WongKinYiu/yolov9
Innovations architecturales#
La principale contribution de YOLOv9 est le Programmable Gradient Information (PGI), qui aide à préserver les informations essentielles au fil des couches du réseau et permet des mises à jour de poids plus fiables. En plus de PGI, le modèle intègre le Generalized Efficient Layer Aggregation Network (GELAN). GELAN maximise l’efficacité en nombre de paramètres, ce qui permet à YOLOv9 d’atteindre une précision supérieure avec moins de FLOPs que de nombreux modèles antérieurs.
Points forts et points faibles#
YOLOv9 atteint une précision moyenne moyenne (mAP) élevée sur des jeux de données de référence comme COCO, ce qui en fait un choix privilégié des chercheurs qui donnent la priorité à la précision brute. Toutefois, comme YOLOv6, il s’appuie toujours sur la suppression non maximale (NMS) traditionnelle pour le post-traitement. Cela ajoute de la latence et complique le pipeline de déploiement du modèle, en particulier lors du portage vers des appareils périphériques utilisant des formats comme ONNX ou TensorRT.
Comparaison des performances#
Pour comparer ces modèles, il est essentiel d’examiner l’équilibre entre précision, nombre de paramètres et vitesse d’inférence.
| Modèle | taille (pixels) | mAPval50-95 | Vitesse CPU ONNX (ms) | Vitesse T4 TensorRT10 (ms) | paramètres (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv6-3.0n | 640 | 37.5 | - | 1.17 | 4.7 | 11.4 |
| YOLOv6-3.0s | 640 | 45.0 | - | 2.66 | 18.5 | 45.3 |
| YOLOv6-3.0m | 640 | 50.0 | - | 5.28 | 34.9 | 85.8 |
| YOLOv6-3.0l | 640 | 52.8 | - | 8.95 | 59.6 | 150.7 |
| YOLOv9t | 640 | 38.3 | - | 2.3 | 2.0 | 7.7 |
| YOLOv9s | 640 | 46.8 | - | 3.54 | 7.2 | 26.7 |
| YOLOv9m | 640 | 51.4 | - | 6.43 | 20.1 | 76.8 |
| YOLOv9c | 640 | 53.0 | - | 7.16 | 25.5 | 102.8 |
| YOLOv9e | 640 | 55.6 | - | 16.77 | 58.1 | 192.5 |
L’avantage Ultralytics : présentation de YOLO26#
YOLOv6-3.0 et YOLOv9 proposent des architectures robustes, mais les environnements de production exigent un écosystème bien entretenu, des besoins en mémoire réduits et une grande facilité d’utilisation. La plateforme Ultralytics et des modèles comme YOLO11 et le plus récent YOLO26 sont conçus pour répondre à ces besoins.
Sorti en janvier 2026, YOLO26 améliore l’efficacité du déploiement en éliminant plusieurs goulets d’étranglement hérités.
YOLO26 propose une conception de bout en bout sans NMS : sa tête one-to-one facultative (nms=False) élimine le besoin de post-traitement par suppression non maximale. Cela réduit les variations de latence d’inférence et simplifie la logique de déploiement en périphérie.
Principales innovations de YOLO26#
- Optimiseur MuSGD : Inspiré de l’entraînement des grands modèles de langage (LLM), comme Kimi K2 de Moonshot AI, YOLO26 utilise un hybride de SGD et de Muon. Celui-ci apporte aux tâches de vision par ordinateur un entraînement stable et une convergence plus rapide.
- Inférence CPU jusqu’à 43 % plus rapide : Contrairement à YOLOv6, fortement axé sur le GPU, YOLO26 est optimisé pour les appareils périphériques : YOLO26n s’exécute jusqu’à 43 % plus rapidement sur CPU que YOLO11n. La suppression de la perte focale de distribution (DFL) simplifie la tête et la rend compatible avec les CPU à faible consommation et le matériel de calcul en périphérie.
- ProgLoss + STAL : La perte progressive et l’affectation des étiquettes tenant compte des petites cibles améliorent la détection des petits objets, un aspect essentiel pour les images aériennes et la robotique.
- Polyvalence : Alors que YOLOv6 se limite à la détection, YOLO26 prend aussi en charge la segmentation d’instances, la segmentation sémantique, l’estimation de profondeur, la classification, l’estimation de pose et la détection par boîtes englobantes orientées (OBB).
Entraînement avec Ultralytics#
L’entraînement de modèles de pointe ne devrait pas nécessiter de scripts bash complexes. L’API Python Ultralytics offre une expérience simplifiée grâce au chargement automatique des données, à une consommation de mémoire CUDA minimale et au suivi intégré.
from ultralytics import YOLO
# Charge le modèle YOLO26 nano
model = YOLO("yolo26n.pt")
# Entraîner sur le jeu de données COCO8 (optimizer='auto' sélectionne MuSGD pour les entraînements plus longs)
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# Exporter le modèle entraîné au format ONNX en une seule commande
model.export(format="onnx")Cas d’utilisation idéaux#
Le choix de l’architecture adaptée dépend entièrement de ton environnement de déploiement cible :
- Utilise YOLOv6-3.0 pour : l’automatisation d’usine et la détection de défauts, lorsque les GPU de classe serveur (par exemple, les A100) sont disponibles en abondance et que le traitement par lots maximise le débit.
- Utilise YOLOv9 pour : la recherche universitaire ou les compétitions où l’objectif principal est d’obtenir la mAP la plus élevée possible sur des jeux de données normalisés comme COCO.
- Utilise YOLO26 pour : presque toutes les applications commerciales modernes. Son inférence facultative sans NMS, son faible encombrement mémoire et son inférence CPU à grande vitesse le rendent adapté aux systèmes d’alarme de sécurité, au commerce de détail intelligent et au suivi d’objets en temps réel sur les appareils embarqués.
En tirant parti de l’écosystème complet Ultralytics, les développeurs peuvent facilement tester YOLOv8, YOLO11 et YOLO26 afin de trouver le bon équilibre de performances pour leurs défis concrets.
Commentaires
Pose une question, partage tes résultats ou aide quelqu’un d’autre.