Commencer

YOLOv7 et YOLOv6-3.0

Le domaine de la vision par ordinateur évolue sans cesse, et les nouveaux modèles de détection d’objets améliorent régulièrement la vitesse et la précision. YOLOv7 et YOLOv6-3.0 sont deux jalons importants de cette évolution. Les deux modèles ont introduit des innovations architecturales distinctives visant à maximiser le débit et la précision dans des applications concrètes. Cette page propose une analyse technique approfondie des deux architectures et compare leurs performances, leurs méthodes d’entraînement et leurs cas d’utilisation idéaux afin de t’aider à prendre une décision éclairée pour ton prochain projet d’intelligence artificielle.

YOLOv7 : pionnier des « bag-of-freebies »#

Sorti mi-2022, YOLOv7 a introduit plusieurs stratégies novatrices pour optimiser l’architecture du réseau sans augmenter le coût de l’inférence. Il s’est fortement appuyé sur le « bag-of-freebies » entraînable pour améliorer la précision tout en préservant les performances en temps réel.

Points forts de l’architecture#

YOLOv7 se distingue par son réseau E-ELAN. Cette architecture permet au modèle d’apprendre des caractéristiques plus diverses en contrôlant les chemins de gradient les plus courts et les plus longs. De plus, YOLOv7 utilise des techniques de reparamétrisation structurelle pendant l’inférence pour fusionner les couches de convolution, réduisant ainsi le nombre de paramètres et le temps de calcul sans sacrifier les représentations apprises.

Le modèle dispose également d’une stratégie unique d’entraînement avec tête auxiliaire. En utilisant une « tête principale » pour les prédictions finales et une « tête auxiliaire » pour guider l’entraînement dans les couches intermédiaires, YOLOv7 améliore la convergence et l’extraction des caractéristiques, ce qui est particulièrement utile pour les tâches complexes de détection d’objets.

En savoir plus sur YOLOv7

YOLOv6-3.0 : un débit de niveau industriel#

Développé par le département Vision AI de Meituan, YOLOv6-3.0 a été conçu explicitement comme un « détecteur d’objets de nouvelle génération pour les applications industrielles ». Sorti début 2023, il vise avant tout à maximiser l’utilisation du matériel, en particulier des GPU NVIDIA.

Points forts de l’architecture#

YOLOv6-3.0 adopte un backbone EfficientRep optimisé pour le traitement parallèle sur GPU. Il est ainsi très efficace pour le traitement par lots à grande échelle. La version 3.0 a introduit un module de concaténation bidirectionnelle (BiC) dans le neck afin d’améliorer la fusion des caractéristiques à différentes échelles et la capacité du modèle à détecter des objets de tailles variées.

De plus, YOLOv6-3.0 utilise une stratégie d’entraînement assistée par ancres (AAT). Cette approche combine les avantages de l’entraînement avec ancres et de l’inférence sans ancres : elle conserve la stabilité des ancres pendant l’apprentissage, puis profite de la vitesse et de la simplicité d’une conception sans ancres au déploiement.

En savoir plus sur YOLOv6

Comparaison des performances#

Lors de l’évaluation de modèles destinés à la production, il est essentiel de trouver un équilibre entre la précision (mAP), la vitesse d’inférence et la charge de calcul (FLOPs). Voici une comparaison détaillée des variantes standard des deux modèles.

Modèletaille
(pixels)
mAPval50-95Vitesse
CPU ONNX
(ms)
Vitesse
T4 TensorRT10
(ms)
paramètres
(M)
FLOPs
(B)
YOLOv7l64051.4-6.8436.9104.7
YOLOv7x64053.1-11.5771.3189.9
YOLOv6-3.0n64037.5-1.174.711.4
YOLOv6-3.0s64045.0-2.6618.545.3
YOLOv6-3.0m64050.0-5.2834.985.8
YOLOv6-3.0l64052.8-8.9559.6150.7
Considérations matérielles

YOLOv6-3.0 convient bien aux environnements GPU à haut débit (comme TensorRT), tandis que YOLOv7 offre une option équilibrée pour les systèmes qui privilégient la conservation des caractéristiques.

L’avantage Ultralytics#

Les dépôts autonomes de YOLOv7 et YOLOv6-3.0 sont performants, mais l’écosystème Ultralytics simplifie l’expérience des développeurs. Le package Python ultralytics standardise diverses architectures dans un framework intuitif unique.

  • Facilité d’utilisation : L’API Ultralytics te permet de créer, d’entraîner et de déployer des modèles YOLOv6 (à partir de leurs configurations YAML) ou des modèles modernes comme YOLO26 avec très peu de code passe-partout. YOLOv7 n’est pas pris en charge nativement ; les points de contrôle YOLOv7 en amont doivent d’abord être exportés vers ONNX ou TensorRT. Tu peux passer d’une architecture prise en charge à une autre en modifiant le fichier du modèle.
  • Écosystème bien entretenu : Ultralytics offre un environnement activement entretenu et régulièrement mis à jour, garantissant la compatibilité native avec les dernières versions de PyTorch et de CUDA.
  • Efficacité de l’entraînement : Les pipelines d’entraînement sont optimisés pour exploiter efficacement les ressources GPU. De plus, les modèles Ultralytics YOLO nécessitent généralement moins de mémoire pendant l’entraînement que les modèles lourds basés sur Transformer, comme RT-DETR, ce qui permet d’utiliser des tailles de lot plus grandes sur du matériel grand public.
  • Polyvalence : Outre la détection classique par boîtes englobantes, le framework Ultralytics prend en charge des tâches comme la segmentation d’instances, la classification d’images, l’estimation de pose et les boîtes englobantes orientées dans les familles de modèles compatibles, une fonctionnalité souvent absente des dépôts de recherche isolés.

Exemple de code : entraînement et inférence#

L’intégration de ces modèles à ton pipeline Python est simple. Assure-toi que ton jeu de données utilise le format de détection YOLO, comme dans le jeu de données COCO, puis exécute ce qui suit :

from ultralytics import YOLO

# Créer un modèle YOLOv6n à partir de sa configuration YAML (aucun poids YOLOv6 préentraîné n’est fourni)
model = YOLO("yolov6n.yaml")

# Entraîner le modèle avec la gestion intégrée des hyperparamètres
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Exécuter l’inférence sur une URL d’image ou un chemin local
predictions = model("https://ultralytics.com/images/bus.jpg")

# Visualiser les résultats de détection
predictions[0].show()

Cas d’utilisation idéaux#

Quand choisir YOLOv7#

YOLOv7 excelle dans les scénarios qui exigent une grande précision et une extraction dense des caractéristiques.

  • Surveillance complexe : sa capacité à préserver les détails fins le rend adapté à la surveillance de scènes bondées ou à la détection de petites anomalies dans les infrastructures des villes intelligentes.
  • Évaluation comparative universitaire : souvent utilisé comme référence solide en recherche grâce à sa philosophie de conception exhaustive du « bag-of-freebies ».

Quand choisir YOLOv6-3.0#

YOLOv6-3.0 est le modèle de référence des pipelines à grand volume accélérés par GPU.

  • Automatisation industrielle : Convient bien aux lignes de production et à la détection de défauts de fabrication, lorsque des GPU de qualité serveur traitent simultanément plusieurs flux vidéo.
  • Analyse à haut débit : Utile pour traiter des archives vidéo hors ligne lorsque l’objectif principal est de maximiser le nombre d’images par seconde.

L’avenir : YOLO26#

YOLOv7 et YOLOv6-3.0 sont très performants, mais le rythme rapide de l’innovation en intelligence artificielle exige une efficacité encore meilleure. Lancé en janvier 2026, Ultralytics YOLO26 répond à plusieurs limites des anciennes architectures.

Si tu démarres un nouveau projet, YOLO26 est recommandé plutôt que les générations précédentes. Il introduit plusieurs fonctionnalités clés :

  • Conception de bout en bout sans NMS : S’appuyant sur les bases posées par YOLOv10, la tête un-à-un facultative de YOLO26 (nms=False) ignore la suppression non maximale (NMS). Cela réduit la surcharge de post-traitement, simplifie le déploiement dans les applications mobiles et maintient une latence d’inférence faible et constante.
  • Optimiseur MuSGD : Inspiré des techniques avancées d’entraînement des LLM, comme celles utilisées pour Kimi K2 de Moonshot AI, YOLO26 utilise un optimiseur hybride combinant SGD et Muon. Il offre un entraînement plus stable et une convergence plus rapide.
  • Inférence CPU jusqu’à 43 % plus rapide : En supprimant Distribution Focal Loss (DFL), YOLO26n s’exécute jusqu’à 43 % plus vite sur CPU que YOLO11n. YOLO26 convient ainsi parfaitement aux environnements périphériques comme le Raspberry Pi et aux capteurs IoT distants.
  • ProgLoss + STAL : Une fonction de perte progressive et une assignation d’étiquettes tenant compte des petites cibles, conçues pour améliorer la reconnaissance des petits objets, une faiblesse historique des détecteurs à un seul étage.

En combinant ces innovations à la Ultralytics Platform, YOLO26 offre aux ingénieurs en apprentissage automatique de solides performances, une grande polyvalence multitâche et un déploiement simple.

Contributeurs

Commentaires

Pose une question, partage tes résultats ou aide quelqu’un d’autre.