YOLOv7 vs DAMO-YOLO#

La détection d’objets en temps réel continue d’évoluer, les chercheurs et les ingénieurs cherchant le meilleur équilibre entre vitesse et précision. Cette comparaison technique examine deux architectures notables de 2022 : YOLOv7 et DAMO-YOLO. Les deux modèles ont apporté de nouveaux concepts à la communauté de la vision par ordinateur et abordent différents défis liés à l’entraînement des modèles, à la conception architecturale et au déploiement.

Présentation des modèles et détails techniques#

Les deux modèles ont été développés par des groupes de recherche de premier plan et ont introduit de nouvelles méthodes pour améliorer la détection d’objets en temps réel.

Détails sur YOLOv7#

Conçu comme une évolution de la famille YOLO, YOLOv7 a introduit le concept de « bag-of-freebies entraînable » afin d’améliorer considérablement la précision sans augmenter le coût de l’inférence.

• Auteurs : Chien-Yao Wang, Alexey Bochkovskiy et Hong-Yuan Mark Liao
• Organisation : Institute of Information Science, Academia Sinica, Taïwan
• Date : 2022-07-06
• arXiv : https://arxiv.org/abs/2207.02696
• GitHub : https://github.com/WongKinYiu/yolov7
• Documentation : https://docs.ultralytics.com/models/yolov7

En savoir plus sur YOLOv7

Détails sur DAMO-YOLO#

Créé par des chercheurs du groupe Alibaba, DAMO-YOLO met particulièrement l’accent sur la recherche d’architectures neuronales (NAS) et la distillation des connaissances pour créer des modèles efficaces sur différents types de matériel.

• Auteurs : Xianzhe Xu, Yiqi Jiang, Weihua Chen, Yilun Huang, Yuan Zhang et Xiuyu Sun
• Organisation : groupe Alibaba
• Date : 2022-11-23
• arXiv : https://arxiv.org/abs/2211.15444v2
• GitHub : https://github.com/tinyvision/DAMO-YOLO

En savoir plus sur DAMO-YOLO

Innovations architecturales#

YOLOv7 : analyse des chemins de gradient et reparamétrisation#

YOLOv7 met fortement l’accent sur les réseaux Extended Efficient Layer Aggregation Networks (E-ELAN). Les auteurs ont conçu E-ELAN en analysant les chemins de gradient du réseau afin de garantir que celui-ci puisse continuer à apprendre sans dégrader le chemin de gradient d’origine. De plus, YOLOv7 utilise la reparamétrisation du modèle au moment de l’inférence, en fusionnant des couches pour réduire les FLOPs et accélérer l’exécution. Il est ainsi très performant pour l’inférence en temps réel sur les GPU modernes.

DAMO-YOLO : recherche d’architecture neuronale et RepGFPN#

DAMO-YOLO se distingue en s’appuyant largement sur la recherche d’architecture neuronale (NAS) sous contraintes de latence. Il utilise un framework appelé MAE-NAS pour découvrir des backbones optimaux adaptés à du matériel spécifique, comme les appareils mobiles ou certains accélérateurs en périphérie. Pour son neck, il introduit RepGFPN (réseau pyramidal de caractéristiques généralisé reparamétré), efficace, et utilise une conception ZeroHead pour réduire au minimum la charge de calcul des têtes de prédiction.

Comparaison des performances et des métriques#

Pour comparer ces modèles, il est essentiel d’examiner le mAP (précision moyenne), la vitesse d’inférence et la complexité du modèle.

Le tableau ci-dessus montre que YOLOv7 s’adapte bien aux domaines exigeant une haute précision (YOLOv7x), tandis que DAMO-YOLO propose des modèles minuscules très optimisés pour les environnements contraints.

Efficacité de l'entraînement et besoins en mémoire#

Une différence majeure entre ces deux architectures réside dans leurs méthodes d’entraînement. La dépendance de DAMO-YOLO à la distillation signifie que l’entraînement d’un nouveau modèle à partir de zéro ou l’affinage sur un jeu de données personnalisé de vision par ordinateur exige souvent beaucoup plus de VRAM et de temps de calcul GPU.

À l’inverse, les modèles pris en charge nativement par l’écosystème Ultralytics, comme YOLOv8 et les versions ultérieures, sont optimisés pour réduire l’utilisation de mémoire pendant l’entraînement. Ils permettent aux développeurs d’utiliser des tailles de lot plus importantes sur du matériel grand public sans rencontrer d’erreurs de mémoire insuffisante, simplifiant le suivi des expériences et le processus d’itération.

L’avantage Ultralytics#

YOLOv7 et DAMO-YOLO offrent tous deux des fonctionnalités intéressantes, mais le déploiement de modèles dans l’écosystème Ultralytics offre une expérience plus simple aux développeurs.

• Facilité d’utilisation : le package Python Ultralytics propose une API unifiée et simple. Tu peux rapidement passer d’une architecture de modèle à une autre, lancer des boucles d’entraînement ou exécuter l’inférence en quelques lignes de code.
• Écosystème bien entretenu : Ultralytics publie fréquemment des mises à jour, garantissant une compatibilité native avec les versions récentes de PyTorch et les pilotes CUDA. La plateforme simplifie également l’exportation des modèles vers des formats tels que ONNX, TensorRT et OpenVINO.
• Polyvalence : Contrairement à DAMO-YOLO, qui est exclusivement un détecteur d’objets, l’écosystème Ultralytics prend nativement en charge diverses tâches. Les modèles de la famille Ultralytics peuvent effectuer la détection standard par boîtes englobantes, la segmentation d’instances, la classification d’images, l’estimation de pose et la détection par boîtes englobantes orientées (OBB). YOLO26 ajoute la segmentation sémantique et l’estimation de profondeur.

Exemple de code : démarrer rapidement#

Voici comment charger, entraîner et exécuter l’inférence avec les modèles Ultralytics :

from ultralytics import YOLO

# Charger un modèle YOLO26 préentraîné (les poids YOLOv7 natifs ne sont pas pris en charge par Ultralytics)
model = YOLO("yolo26n.pt")

# Entraîner le modèle sur le jeu de données COCO8 avec une gestion automatisée 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")

# Exporter au format ONNX pour le déploiement
model.export(format="onnx")

La nouvelle génération : YOLO26#

YOLOv7 reste une architecture historique solide, mais le domaine a rapidement progressé. Pour les nouveaux déploiements, Ultralytics YOLO26, lancé en janvier 2026, est le choix recommandé et améliore les générations précédentes tant en précision qu’en vitesse sur CPU.

• Conception de bout en bout sans NMS : s’appuyant sur l’entraînement sans NMS que YOLOv10 a introduit dans les modèles YOLO, la tête facultative à correspondance un-à-un de YOLO26 (nms=False) ignore le post-traitement par suppression non maximale (NMS). Cela réduit les variations de latence et simplifie le déploiement dans les systèmes robotiques et de conduite autonome.
• Optimiseur MuSGD : Inspiré des techniques avancées d’entraînement des LLM, comme Kimi K2 de Moonshot AI, cet optimiseur hybride combine SGD et Muon pour un entraînement plus stable et une convergence plus rapide.
• Inférence sur CPU jusqu’à 43 % plus rapide : En supprimant la perte focale de distribution (DFL), YOLO26 simplifie l’exportation et accélère l’inférence sur les appareils périphériques et les CPU. YOLO26n fonctionne jusqu’à 43 % plus vite sur CPU que YOLO11n.
• ProgLoss + STAL : Une perte progressive et une stratégie d’assignation d’étiquettes adaptée aux petits objets améliorent leur détection. YOLO26 convient ainsi parfaitement à l’imagerie aérienne et à la surveillance détaillée.

Cas d’utilisation idéaux#

Quand choisir DAMO-YOLO#

• Recherche universitaire en NAS : si ton organisation consacre d’importantes ressources à l’étude des méthodes de recherche d’architecture neuronale.
• Latence soumise à des contraintes extrêmes sur du matériel spécifique : si tu disposes des ressources nécessaires pour effectuer des recherches NAS exhaustives afin de trouver un backbone adapté à une puce accélératrice d’IA personnalisée.

Quand choisir YOLOv7#

• Pipelines GPU existants : pour les équipes qui maintiennent des pipelines de production hérités, fortement optimisés autour de l’architecture E-ELAN spécifique de YOLOv7 sur du matériel NVIDIA haut de gamme.

Pourquoi migrer vers les modèles Ultralytics modernes (YOLO11 / YOLO26)#

Pour la grande majorité des applications d’entreprise, de l’analyse du commerce de détail à la fabrication intelligente, en passant par les soins de santé, les modèles Ultralytics modernes constituent le choix pratique par défaut. L’intégration à la plateforme Ultralytics fournit un pipeline de ML complet, avec une API simple, une documentation détaillée, une communauté active et la prise en charge de plusieurs tâches. Qu’il s’agisse de suivre les stocks sur un Raspberry Pi ou d’exécuter des analyses lourdes dans le cloud, des modèles comme YOLO26 offrent un excellent équilibre entre vitesse et précision.