YOLOv7 vs YOLOv5
Lors de la création de pipelines modernes de vision par ordinateur, le choix de la bonne architecture de détection d’objets est essentiel pour équilibrer précision, vitesse d’inférence et utilisation des ressources. Cette comparaison examine deux modèles influents dans le domaine de la vision par ordinateur : YOLOv7 et Ultralytics YOLOv5.
En analysant leurs différences architecturales, leurs indicateurs de performance et leurs scénarios de déploiement idéaux, ce guide aide les développeurs et les chercheurs à choisir le meilleur modèle selon leurs besoins.
Contexte et origines des modèles#
Comprendre les origines de ces modèles permet de mieux saisir leurs philosophies de conception et leurs cas d’usage ciblés.
YOLOv5#
Publié par Glenn Jocher et l’équipe d’Ultralytics le 26 juin 2020, YOLOv5 proposait une implémentation native PyTorch qui privilégiait la facilité d’utilisation sans sacrifier les performances. Il est rapidement devenu une référence du secteur grâce à son écosystème simplifié et à la fiabilité de sa dynamique d’entraînement. Tu peux consulter le code source dans le dépôt GitHub de YOLOv5 ou accéder directement au modèle sur la Ultralytics Platform.
YOLOv7#
Présenté le 6 juillet 2022 par Chien-Yao Wang, Alexey Bochkovskiy et Hong-Yuan Mark Liao de l’Institute of Information Science, Academia Sinica, à Taïwan, YOLOv7 a mis l’accent sur les innovations architecturales, comme les réseaux étendus d’agrégation efficace des couches (E-ELAN) et un « sac d’astuces » entraînable, afin de repousser l’état de l’art en matière de précision. Tu trouveras plus de détails dans leur article arXiv officiel et le dépôt GitHub de YOLOv7. Pour exécuter des modèles YOLOv7 exportés avec Ultralytics, consulte la documentation Ultralytics YOLOv7.
YOLOv5 est entièrement intégré au package Python Ultralytics. YOLOv7 n’est pas pris en charge nativement pour l’entraînement ni pour l’inférence PyTorch, mais les points de contrôle YOLOv7 en amont exportés vers ONNX ou TensorRT peuvent être exécutés avec Ultralytics, comme décrit dans la documentation YOLOv7.
Innovations architecturales#
Conception d’Ultralytics YOLOv5#
YOLOv5 utilise un backbone CSPDarknet53 modifié associé à un neck Path Aggregation Network (PANet). Cette conception est très optimisée pour l’extraction de caractéristiques rapide et l’efficacité mémoire. Contrairement aux architectures plus anciennes ou aux modèles Transformer lourds, YOLOv5 nécessite beaucoup moins de mémoire CUDA pendant l’entraînement, ce qui permet d’utiliser des tailles de lot plus grandes sur des GPU grand public classiques. En plus des boîtes englobantes classiques, le dépôt YOLOv5 a également ajouté la segmentation d’instances (v7.0) et la classification d’images (v6.2).
Conception de YOLOv7#
YOLOv7 a introduit plusieurs reparamétrisations structurelles et l’architecture E-ELAN, qui permet au réseau d’apprendre des caractéristiques plus diverses sans détruire le chemin de gradient d’origine. Il met également en œuvre une tête auxiliaire pour la supervision intermédiaire pendant l’entraînement. Si ces avancées permettent d’obtenir une précision moyenne (mAP) élevée, elles introduisent souvent des structures de tenseurs complexes qui peuvent rendre l’exportation vers des formats de périphérie comme ONNX ou TensorRT légèrement plus difficile que les exportations rationalisées natives des modèles Ultralytics.
Analyse des performances#
Pour comparer ces modèles, les développeurs doivent trouver un équilibre entre le mAPval50-95, la vitesse d'inférence et la complexité computationnelle (FLOPs). Le tableau ci-dessous présente les performances des deux architectures évaluées sur le jeu de données COCO.
| 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 |
| YOLOv5n | 640 | 28.0 | - | 1.12 | 1.9 | 4.5 |
| YOLOv5s | 640 | 37.4 | - | 1.92 | 7.2 | 16.5 |
| YOLOv5m | 640 | 45.4 | - | 4.03 | 21.2 | 49.0 |
| YOLOv5l | 640 | 49.0 | - | 6.61 | 46.5 | 109.1 |
| YOLOv5x | 640 | 50.7 | - | 11.89 | 86.7 | 205.7 |
Points essentiels à retenir#
- Précision maximale : YOLOv7x atteint la précision globale la plus élevée, avec un mAPval50-95 de 53,1, ce qui le rend très compétitif dans les cas où maximiser les performances de détection est l'objectif principal.
- Vitesse et efficacité : Ultralytics YOLOv5n est très efficace, avec une latence d’inférence de 1,12 ms sur T4 avec TensorRT et seulement 1,9 M de paramètres. C’est donc un excellent choix pour les déploiements périphériques soumis à de fortes contraintes.
- Équilibre des performances : La série YOLOv5 propose une grande variété de tailles de modèles. YOLOv5l offre un bon compromis : sa précision est légèrement inférieure à celle de YOLOv7l, mais son pipeline de déploiement est très mature.
Les avantages de l’écosystème Ultralytics#
L’architecture d’un modèle ne représente que la moitié de l’équation : l’écosystème qui l’entoure détermine sa viabilité dans le monde réel, et les modèles Ultralytics sont conçus dans cette optique.
Facilité d’utilisation : Ultralytics fournit une API Python unifiée et intuitive. Tu peux entraîner, valider et déployer des modèles avec très peu de code passe-partout, en t’appuyant sur une documentation officielle complète. Écosystème bien entretenu : Le développement actif apporte des mises à jour régulières, des corrections de bogues et des intégrations avec des outils de suivi modernes comme Weights & Biases. Efficacité de l’entraînement : Grâce aux chargeurs de données optimisés et à la mise en cache intelligente, YOLOv5 réduit les temps d’entraînement. De plus, les poids préentraînés prêts à l’emploi accélèrent l’apprentissage par transfert dans différents domaines.
Exemple de code : entraînement simplifié#
Avec le package Ultralytics, le lancement d’un entraînement suit la même procédure pour chaque architecture prise en charge.
from ultralytics import YOLO
# Charger un modèle YOLOv5 préentraîné
model = YOLO("yolov5su.pt") # YOLOv5u : poids YOLOv5 sans ancres pour le package ultralytics
# Entraîner le modèle sur le jeu de données d’exemple COCO8
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# Exporte le modèle entraîné au format ONNX pour le déploiement
success = model.export(format="onnx")Cas d’utilisation idéaux#
Quand choisir YOLOv7#
- Évaluation comparative universitaire : Utile pour les chercheurs qui doivent comparer de nouvelles techniques à une référence de 2022 bien documentée.
- Traitement cloud sur GPU haut de gamme : Pour les déploiements sur du matériel serveur puissant, lorsque l’obtention du mAP le plus élevé dans des scènes denses prime sur la simplicité de l’exportation.
Quand choisir YOLOv5#
- Déploiements en production : Idéal pour les applications commerciales qui exigent une grande stabilité, des options de déploiement de modèles simples et une large compatibilité multiplateforme.
- Appareils périphériques : Les variantes plus petites (YOLOv5n et YOLOv5s) fonctionnent bien sur les téléphones mobiles et les systèmes embarqués.
- Besoins multitâches : Si ton projet doit évoluer de la détection simple vers la segmentation d’instances ou la classification au sein d’un framework unifié.
Tu cherches des versions plus récentes ? Découvre Ultralytics YOLOv8 ou Ultralytics YOLO11, qui apportent de nouvelles avancées en détection sans ancres et en apprentissage multi-tâches.
La prochaine génération : Ultralytics YOLO26#
Bien que YOLOv5 et YOLOv7 occupent une place importante dans l’histoire de l’IA pour la vision, le domaine évolue constamment. Lancé en janvier 2026, Ultralytics YOLO26 est le dernier modèle d’Ultralytics et améliore les générations précédentes en matière de précision, de vitesse sur CPU et de simplicité de déploiement.
YOLO26 introduit plusieurs fonctionnalités clés :
- 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 de bout en bout facultative (
nms=False) qui ignore le post-traitement par suppression non maximale (NMS), réduisant ainsi la latence et simplifiant la logique de déploiement. - Optimiseur MuSGD : Inspiré par Kimi K2 de Moonshot AI, cet optimiseur hybride combine le SGD standard avec Muon, intégrant des idées de l’entraînement des LLM à la vision par ordinateur pour un entraînement plus stable et une convergence plus rapide.
- Vitesse CPU améliorée : En supprimant la perte focale de distribution (DFL), YOLO26n offre une inférence sur CPU jusqu’à 43 % plus rapide que YOLO11n. YOLO26 convient ainsi parfaitement à l’IA de périphérie et au déploiement sur des appareils IoT à faible consommation.
- ProgLoss + STAL : La perte progressive et l’assignation d’étiquettes adaptée aux petits objets améliorent leur reconnaissance, un point essentiel pour l’imagerie aérienne et la robotique de précision.
- Améliorations propres aux tâches : Le modèle intègre une fonction de perte de segmentation sémantique pour la génération de masques, l’estimation du log-vraisemblance résiduel (RLE) pour l’estimation de pose et une fonction de perte d’angle spécialisée pour résoudre les problèmes de limites des boîtes englobantes orientées (OBB).
Conclusion#
YOLOv5 et YOLOv7 proposent tous deux des solutions robustes pour la détection d’objets en temps réel. YOLOv7 reste un excellent choix pour obtenir une précision brute sur du matériel doté d’une grande puissance de calcul, tandis que YOLOv5 se distingue comme un outil convivial pour les développeurs, offrant un bon équilibre entre vitesse et efficacité ainsi qu’un écosystème mature.
Cependant, pour les développeurs qui souhaitent pérenniser leurs pipelines en choisissant la meilleure combinaison de vitesse, de simplicité et de précision, la solution recommandée consiste à migrer vers Ultralytics YOLO26. Ce modèle conserve la facilité d’utilisation de l’écosystème Ultralytics tout en apportant les améliorations architecturales décrites ci-dessus.
Commentaires
Pose une question, partage tes résultats ou aide quelqu’un d’autre.