YOLOv7 vs RTDETRv2
La vision par ordinateur continue d’évoluer rapidement, portée par la compétition entre les réseaux neuronaux convolutifs (CNNs) et les transformeurs de vision (ViTs). Cette comparaison technique examine deux architectures majeures : YOLOv7, un détecteur d’objets basé sur un CNN hautement optimisé, et RTDETRv2, un transformeur de détection en temps réel à la pointe de la technologie.
En analysant leurs différences architecturales, leurs indicateurs de performance et leurs scénarios de déploiement idéaux, les développeurs peuvent prendre des décisions éclairées lorsqu’ils intègrent ces modèles d’IA visuelle à leurs pipelines de production.
YOLOv7 : l’architecture CNN « bag of freebies »#
YOLOv7 a introduit plusieurs optimisations structurelles dans la famille YOLO traditionnelle, repoussant les limites de la détection d’objets en temps réel grâce à une série d’« atouts gratuits entraînables ».
Caractéristiques principales :
- Auteurs : Chien-Yao Wang, Alexey Bochkovskiy, Hong-Yuan Mark Liao
- Organisation : Institute of Information Science, Academia Sinica
- Date : 2022-07-06
- arXiv : https://arxiv.org/abs/2207.02696
- GitHub : WongKinYiu/yolov7
Architecture et points forts#
YOLOv7 repose sur l’architecture Extended Efficient Layer Aggregation Network (E-ELAN). Cette conception structurelle permet au modèle d’apprendre des caractéristiques plus diverses sans détruire le chemin de gradient d’origine. De plus, elle intègre des convolutions reparamétrées planifiées, qui optimisent la vitesse d’inférence sans dégrader la précision. Son approche fondée sur des atouts gratuits entraînables lui permet d’obtenir un compromis intéressant entre vitesse et précision, ce qui la rend particulièrement adaptée aux tâches de détection d’objets en temps réel sur des GPU de qualité serveur.
YOLOv7 est également très polyvalent. Au-delà de la détection standard par boîtes englobantes, le dépôt propose des branches pour la segmentation d’instances et l’estimation de pose, ce qui démontre sa capacité d’adaptation.
Limites#
Comme de nombreux anciens modèles CNN, YOLOv7 utilise la suppression des non-maxima (NMS) pour le post-traitement. La NMS entraîne une latence variable, en particulier dans les scènes encombrées, ce qui peut compliquer le respect de garanties strictes de temps réel sur les appareils périphériques.
RTDETRv2 : faire progresser les Transformers en temps réel#
RTDETRv2 s’appuie sur le cadre original RT-DETR, démontrant davantage que les transformeurs peuvent rivaliser avec les architectures YOLO en matière de latence en temps réel tout en conservant une grande précision spatiale.
Caractéristiques principales :
- Auteurs : Wenyu Lv, Yian Zhao, Qinyao Chang, Kui Huang, Guanzhong Wang, Yi Liu
- Organisation : Baidu
- Date : 2024-07-24
- arXiv : https://arxiv.org/abs/2407.17140
- GitHub : lyuwenyu/RT-DETR
Architecture et points forts#
RTDETRv2 représente une avancée importante pour les transformeurs de vision. Il utilise un processus flexible de sélection des requêtes et un encodeur hybride efficace pour traiter rapidement les caractéristiques multi-échelles. En introduisant de nouveaux « atouts gratuits » conçus spécialement pour les transformeurs de détection (DETRs), il améliore la précision sans augmenter le coût de l’inférence. Comme il ne nécessite pas de NMS, il offre des temps d’inférence plus prévisibles, un avantage pour les applications de ville intelligente et la conduite autonome.
Limites#
Malgré ses avancées, RTDETRv2 présente les contraintes traditionnelles des architectures basées sur des transformeurs. Il nécessite beaucoup plus de mémoire CUDA pendant l’entraînement et l’inférence que les CNN. De plus, sa convergence à l’entraînement est nettement plus lente et exige de grandes quantités de données annotées de haute qualité, comme le jeu de données COCO, ainsi que d’importantes ressources de calcul.
Comparaison des performances#
Pour comparer ces modèles, il est utile d’examiner conjointement la précision, la vitesse brute d’inférence et l’empreinte de calcul. Tu trouveras ci-dessous un tableau comparatif direct.
| Modèle | taille (pixels) | mAPval50-95 | Vitesse CPU ONNX (ms) | Vitesse T4 TensorRT10 (ms) | paramètres (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv7l | 640 | 51.4 | - | 6.84 | 36.9 | 104.7 |
| YOLOv7x | 640 | 53.1 | - | 11.57 | 71.3 | 189.9 |
| RTDETRv2-s | 640 | 48.1 | - | 5.03 | 20 | 60 |
| RTDETRv2-m | 640 | 51.9 | - | 7.51 | 36 | 100 |
| RTDETRv2-l | 640 | 53.4 | - | 9.76 | 42 | 136 |
| RTDETRv2-x | 640 | 54.3 | - | 15.03 | 76 | 259 |
RTDETRv2-x atteint le mAPval50-95 le plus élevé, à 54,3 %, mais nécessite 259 milliards de FLOPs. À l'inverse, les architectures YOLOv7 offrent une base solide, mais ajoutent une surcharge liée à la NMS, qui n'est pas prise en compte dans les métriques de latence pure du réseau.
L’avantage d’Ultralytics : écosystème et évolution#
YOLOv7 et RTDETRv2 offrent tous deux des capacités robustes, mais leur déploiement en production révèle souvent des frictions logistiques. L’écosystème Ultralytics est conçu pour réduire ces frictions en fournissant aux développeurs une API unifiée qui abstrait les complexités habituelles des pipelines de vision par ordinateur.
Polyvalence et efficacité mémoire#
Contrairement aux modèles transformeurs qui nécessitent beaucoup de VRAM, les modèles Ultralytics YOLO sont économes en mémoire. Ils permettent ainsi un entraînement rapide des modèles sur du matériel accessible. L’écosystème prend nativement en charge plusieurs tâches de vision par ordinateur à partir d’une seule base de code, notamment la classification d’images et la détection par boîtes englobantes orientées (OBB), offrant une flexibilité qui fait actuellement défaut à RTDETRv2.
Déploiement#
Passer de la recherche à la production nécessite des options de déploiement robustes. L’API Ultralytics gère l’exportation des modèles vers des formats conformes aux normes du secteur en un seul appel. Que tu vises ONNX pour la compatibilité multiplateforme ou TensorRT pour une accélération maximale sur GPU, la conversion est automatisée.
Passer à Ultralytics YOLO26#
Pour les développeurs qui hésitent entre YOLOv7 et RTDETRv2, l’option recommandée est Ultralytics YOLO26. Lancé en janvier 2026, YOLO26 combine la vitesse des CNN et l’inférence de bout en bout des transformeurs, tout en corrigeant bon nombre de leurs faiblesses respectives.
YOLO26 apporte plusieurs innovations pour les déploiements sur serveurs et appareils périphériques :
- Conception de bout en bout sans NMS : s’appuyant sur l’entraînement sans NMS que YOLOv10 a introduit dans les modèles YOLO, YOLO26 propose une tête sans NMS facultative (
nms=False) qui ignore le post-traitement NMS. La latence prévisible de RTDETRv2 est ainsi obtenue sans la surcharge de calcul d’un Transformer. - Optimiseur MuSGD : Inspiré des techniques d’entraînement des grands modèles de langage, comme Kimi K2 de Moonshot AI, YOLO26 utilise une combinaison hybride de SGD et de Muon. Cela améliore la stabilité de l’entraînement et la vitesse de convergence par rapport aux configurations AdamW standard utilisées par de nombreux ViTs.
- ProgLoss + STAL : La perte progressive et l’assignation d’étiquettes adaptée aux petits objets améliorent leur reconnaissance, rivalisant directement avec les avantages multi-échelles des caractéristiques de RTDETRv2. C’est essentiel pour l’automatisation robotique.
- Optimisation pour les appareils périphériques et suppression de la DFL : En supprimant la perte focale de distribution (DFL), YOLO26 simplifie la tête de sortie. YOLO26n fonctionne jusqu’à 43 % plus vite sur CPU que YOLO11n, ce qui facilite considérablement le déploiement de YOLO26 sur des appareils périphériques par rapport aux modèles transformeurs lourds.
Exemple d’entraînement avec Ultralytics#
La simplicité de l’API Python Ultralytics te permet d’entraîner un modèle YOLO26s en seulement quelques lignes de code :
from ultralytics import YOLO
# Charger le petit modèle YOLO26
model = YOLO("yolo26s.pt")
# Entraîner le modèle sur le jeu de données COCO8
# Le framework gère automatiquement l’augmentation des données et le choix de l’optimiseur
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device="0")
# Exporter vers TensorRT pour le déploiement
model.export(format="engine", dynamic=True)Cas d’utilisation idéaux#
Le choix de la bonne architecture dépend fortement des contraintes de déploiement et du matériel disponible :
Quand envisager YOLOv7 :
- Projets de recherche existants où YOLOv7 sert de référence établie.
- Environnements disposant d’une grande puissance d’accélération GPU brute et où une variation de la latence NMS est acceptable.
Quand envisager RTDETRv2 :
- Déploiements sur des serveurs haut de gamme nécessitant le mAP le plus élevé.
- Scénarios exigeant strictement une latence d’inférence prévisible et sans NMS, à condition de disposer de suffisamment de VRAM pour prendre en charge son architecture de transformeur.
Quand choisir Ultralytics YOLO26 :
- La plupart des nouveaux projets. Il propose une inférence facultative sans NMS, comme RTDETRv2, dépasse YOLOv7 en vitesse et en précision, utilise moins de VRAM et est entièrement intégré à la plateforme Ultralytics pour la gestion des jeux de données, l’entraînement et le déploiement.
Commentaires
Pose une question, partage tes résultats ou aide quelqu’un d’autre.