Link to this sectionYOLOv7 vs YOLOv5#

Lors de la création de pipelines modernes de computer vision, il est crucial de sélectionner la bonne architecture de détection d'objets pour équilibrer précision, vitesse d'inférence et utilisation des ressources. Cette comparaison complète examine deux modèles très influents dans le domaine de la vision par ordinateur : YOLOv7 et Ultralytics YOLOv5.

En analysant leurs différences architecturales, leurs métriques de performance et leurs scénarios de déploiement idéaux, nous visons à aider les développeurs et les chercheurs à choisir le meilleur modèle pour leurs besoins spécifiques.

Link to this sectionContexte et origines des modèles#

Comprendre les origines de ces modèles fournit un contexte sur leurs philosophies de conception et leurs cas d'utilisation ciblés.

Link to this sectionYOLOv5#

Publié par Glenn Jocher et l'équipe d'Ultralytics le 26 juin 2020, YOLOv5 a révolutionné le domaine en fournissant une implémentation native PyTorch qui privilégie la facilité d'utilisation sans sacrifier les performances. Il est rapidement devenu une norme industrielle grâce à son écosystème incroyablement rationalisé et à ses dynamiques d'entraînement fiables. Tu peux explorer le code source sur le dépôt GitHub YOLOv5 ou accéder directement au modèle via la plateforme Ultralytics.

En savoir plus sur YOLOv5

Link to this sectionYOLOv7#

Introduit par Chien-Yao Wang, Alexey Bochkovskiy et Hong-Yuan Mark Liao de l'Institute of Information Science, Academia Sinica, Taiwan, le 6 juillet 2022. YOLOv7 s'est fortement concentré sur des innovations architecturales telles que les Extended Efficient Layer Aggregation Networks (E-ELAN) et un « bag-of-freebies » entraînable pour repousser les limites de l'état de l'art en matière de précision. Les détails se trouvent dans leur article officiel Arxiv et le dépôt GitHub YOLOv7. Pour une intégration transparente, consulte la documentation Ultralytics YOLOv7.

En savoir plus sur YOLOv7

Link to this sectionInnovations architecturales#

Link to this sectionConception d'Ultralytics YOLOv5#

YOLOv5 utilise une backbone CSPDarknet53 modifiée couplée à un cou Path Aggregation Network (PANet). Cette conception est hautement optimisée pour une feature extraction rapide et une efficacité mémoire. Contrairement aux anciennes architectures ou aux modèles lourds de type Transformer, YOLOv5 nécessite nettement moins de mémoire CUDA pendant l'entraînement, permettant des batch sizes plus grands sur des GPU grand public standard. De plus, le framework Ultralytics prend nativement en charge une grande variété de tâches au-delà des bounding boxes standards, y compris image segmentation et image classification.

Link to this sectionConception de YOLOv7#

YOLOv7 a introduit plusieurs re-paramétrages structurels et l'architecture E-ELAN, qui permet au réseau d'apprendre des caractéristiques plus diversifiées sans détruire le chemin de gradient original. Il implémente également une tête auxiliaire pour la supervision intermédiaire pendant l'entraînement. Bien que ces avancées produisent une mAP élevée, elles introduisent souvent des structures de tenseurs complexes qui peuvent rendre l'exportation vers des formats edge comme ONNX ou TensorRT légèrement plus difficile par rapport aux exportations rationalisées natives des modèles Ultralytics.

Link to this sectionAnalyse des performances#

Lors de la comparaison de ces modèles, les développeurs doivent équilibrer mAP^val, vitesse d'inférence et complexité computationnelle (FLOPs). Le tableau ci-dessous démontre les performances des deux architectures évaluées sur le dataset COCO.

Link to this sectionPoints clés à retenir#

• Plafond de précision : YOLOv7x atteint la précision globale la plus élevée avec un impressionnant 53.1 mAP^val, ce qui le rend très compétitif pour les scénarios où maximiser les performances de détection est l'objectif principal.
• Vitesse et efficacité : Ultralytics YOLOv5n est une merveille d'efficacité, offrant une inference latency ultra-rapide (1.12 ms sur T4 TensorRT) avec une empreinte mémoire minuscule de seulement 2.6M paramètres. Cela en fait un choix inégalé pour les déploiements edge hautement contraints.
• Équilibre des performances : La série YOLOv5 fournit un gradient exceptionnel de modèles. YOLOv5l offre un fantastique juste milieu, suivant YOLOv7l de près avec une petite marge de précision tout en offrant un pipeline de déploiement hautement mature.

Link to this sectionL'avantage de l'écosystème Ultralytics#

L'architecture d'un modèle n'est que la moitié de l'équation ; l'écosystème qui l'entoure dicte sa viabilité dans le monde réel. C'est là que les modèles Ultralytics brillent vraiment.

Facilité d'utilisation : Ultralytics fournit une API Python unifiée et très intuitive. Tu peux entraîner, valider et déployer des modèles avec un minimum de code répétitif, soutenu par une documentation officielle étendue. Écosystème bien entretenu : Un développement actif garantit des mises à jour constantes, des correctifs de bugs et une intégration transparente avec des outils de suivi modernes comme Weights & Biases. Efficacité de l'entraînement : En utilisant des chargeurs de données optimisés et du smart caching, YOLOv5 réduit considérablement les temps d'entraînement. De plus, des poids pré-entraînés prêts à l'emploi accélèrent le transfert d'apprentissage dans divers domaines.

Link to this sectionExemple de code : Entraînement simplifié#

Avec le package Ultralytics, le lancement d'un entraînement est pratiquement identique, quelle que soit l'architecture que tu choisis.

from ultralytics import YOLO

# Load a pre-trained YOLOv5 model (can easily swap to "yolov7.pt")
model = YOLO("yolov5s.pt")

# Train the model on the COCO8 example dataset
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Export the trained model to ONNX format for deployment
success = model.export(format="onnx")

Link to this sectionCas d'utilisation idéaux#

Link to this sectionQuand choisir YOLOv7#

• Benchmarking académique : Parfait pour les chercheurs ayant besoin de comparer des techniques novatrices par rapport à une base de référence bien documentée de 2022.
• Traitement Cloud GPU haut de gamme : Lors du déploiement sur du matériel serveur puissant où atteindre la mAP la plus élevée possible sur des scènes denses l'emporte sur la simplicité d'exportation.

Link to this sectionQuand choisir YOLOv5#

• Déploiements en production : Idéal pour les applications commerciales nécessitant une grande stabilité, des model deployment options directes et une large compatibilité multiplateforme.
• Appareils Edge : Les variantes plus petites (YOLOv5n et YOLOv5s) fonctionnent exceptionnellement bien sur les téléphones mobiles et les systèmes embarqués.
• Exigences multi-tâches : Si ton projet a besoin d'évoluer d'une simple détection vers une pose estimation ou une segmentation en utilisant un framework unifié.

Link to this sectionLa nouvelle génération : Ultralytics YOLO26#

Bien que YOLOv5 et YOLOv7 occupent des places essentielles dans l'histoire de la vision par ordinateur, le paysage est en constante évolution. Publié en janvier 2026, Ultralytics YOLO26 représente la pointe absolue de la technologie de détection d'objets, remplaçant les générations précédentes sur toutes les métriques.

En savoir plus sur YOLO26

YOLO26 introduit plusieurs fonctionnalités qui changent la donne :

• Conception End-to-End NMS-Free : S'appuyant sur des concepts introduits dans les itérations précédentes, YOLO26 est nativement end-to-end. Cela élimine complètement le post-traitement Non-Maximum Suppression (NMS), réduisant les goulots d'étranglement de latence et simplifiant radicalement la logique de déploiement.
• Optimiseur MuSGD : Inspiré par le Kimi K2 de Moonshot AI, cet optimiseur révolutionnaire fusionne la stabilité du SGD standard avec le momentum accéléré de Muon, intégrant des innovations d'entraînement LLM avancées directement dans la vision par ordinateur.
• Vitesse CPU améliorée : En supprimant stratégiquement la Distribution Focal Loss (DFL), YOLO26 atteint jusqu'à 43% d'inférence CPU plus rapide, ce qui en fait le champion incontesté pour le déploiement sur les appareils IoT edge et à faible consommation.
• ProgLoss + STAL : Ces fonctions de perte avancées apportent des améliorations massives dans la reconnaissance des petits objets, ce qui est critique pour l'imagerie aérienne et la robotique de précision.
• Améliorations spécifiques aux tâches : Incluant une perte de segmentation sémantique pour la génération de masques, une estimation de log-vraisemblance résiduelle (RLE) pour le suivi de pose, et une perte d'angle spécialisée pour résoudre les problèmes complexes de limites d'Oriented Bounding Box (OBB).

Link to this sectionConclusion#

YOLOv5 et YOLOv7 offrent tous deux des solutions robustes pour la détection d'objets en temps réel. YOLOv7 reste un choix fort pour la précision brute sur du matériel à haute puissance de calcul, tandis que YOLOv5 s'impose comme l'outil ultime convivial pour les développeurs, offrant un équilibre exceptionnel entre vitesse, efficacité et un écosystème de classe mondiale.

Cependant, pour les développeurs cherchant à pérenniser leurs pipelines et à atteindre la combinaison ultime de vitesse, simplicité et précision de pointe, nous recommandons fortement de migrer vers Ultralytics YOLO26. Il encapsule la légendaire facilité d'utilisation de la plateforme Ultralytics tout en offrant des innovations architecturales révolutionnaires.