Commencer

YOLOv7 et YOLOv8

L’évolution rapide de la vision par ordinateur a fourni aux développeurs et aux chercheurs de nombreux outils performants. Pour choisir une architecture de détection d’objets, il est essentiel de comparer les modèles établis. Ce guide examine les architectures, les indicateurs de performance et les cas d’utilisation idéaux de deux modèles influents : YOLOv7 et Ultralytics YOLOv8.

Présentation des architectures#

Les deux modèles ont nettement amélioré les performances, mais adoptent des approches de conception différentes pour optimiser les réseaux neuronaux profonds.

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

Présenté mi-2022, YOLOv7 s’est fortement concentré sur l’optimisation des chemins de gradient de l’architecture et sur le concept de « bag-of-freebies entraînable » afin de repousser les limites de la détection en temps réel sur du matériel haut de gamme.

Points clés de l’architecture : YOLOv7 utilise principalement une tête de détection avec ancres (bien qu’il ait aussi expérimenté des branches sans ancres) et introduit les réseaux d’agrégation de couches efficaces étendus (E-ELAN). Cette conception améliore la capacité d’apprentissage du réseau sans détruire le chemin de gradient d’origine. Le modèle fonctionne bien sur des GPU de qualité serveur, ce qui le rend adapté à l’analyse vidéo intensive.

Points forts et points faibles : YOLOv7 offre une faible latence sur du matériel dédié, mais ses outils sont moins intégrés. L’entraînement exige de cloner le dépôt, de gérer manuellement les dépendances PyTorch et de fournir de nombreux arguments en ligne de commande. Les besoins en mémoire pendant l’entraînement peuvent également être élevés pour du matériel grand public.

En savoir plus sur YOLOv7

Ultralytics YOLOv8 : la référence polyvalente#

Lancé au début de 2023, YOLOv8 a associé une grande précision à un framework unifié, prêt pour la production, couvrant l’entraînement, la validation et le déploiement.

Points clés de l’architecture : YOLOv8 a introduit une tête de détection native sans ancres, qui élimine la nécessité de configurer manuellement les boîtes d’ancrage à partir du jeu de données MS COCO ou de distributions de données personnalisées. Il intègre le module C2f pour améliorer la circulation des gradients et utilise une tête découplée qui sépare les tâches de classification et de régression, accélérant ainsi la convergence et améliorant la précision.

Points forts et points faibles : YOLOv8 utilise efficacement la mémoire : il nécessite généralement moins de mémoire CUDA pendant l’entraînement que YOLOv7 ou les modèles Transformer plus lourds, ce qui permet d’utiliser des tailles de lot plus grandes. Son principal atout est sa polyvalence, avec la prise en charge native de la segmentation d’instances, de la classification d’images, de l’estimation de pose et des boîtes englobantes orientées (OBB). Son principal inconvénient : les anciens pipelines conçus autour des tenseurs de sortie de YOLOv7 peuvent nécessiter une refonte.

Atout de l’écosystème

Ultralytics YOLOv8 fait partie d’un écosystème activement entretenu. Comparativement aux dépôts de recherche autonomes, son API Python, ses versions régulières et le soutien de la communauté raccourcissent le passage des essais locaux au déploiement en production.

Comparaison détaillée des performances#

Le tableau suivant détaille les indicateurs de performance pour les principales tailles de modèles. YOLOv8 propose un large éventail de compromis entre vitesse et précision, des modèles compacts pour les appareils périphériques aux modèles plus grands offrant la meilleure précision de cette comparaison.

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
YOLOv8n64037.380.41.473.28.7
YOLOv8s64044.9128.42.6611.228.6
YOLOv8m64050.2234.75.8625.978.9
YOLOv8l64052.9375.29.0643.7165.1
YOLOv8x64053.9479.114.3768.2257.8

Remarque : YOLOv8x obtient le mAP le plus élevé de ce groupe, tandis que YOLOv8n compte le moins de paramètres et offre l’inférence la plus rapide, ce qui en fait un excellent choix pour déployer la vision par ordinateur sur des appareils d’IA en périphérie.

Facilité d’utilisation et efficacité de l’entraînement#

Ultralytics YOLOv8 est conçu pour être facile à utiliser. Les anciennes architectures, comme YOLOv7, exigent de cloner des dépôts spécifiques et d’exécuter de longs scripts en ligne de commande pour configurer les jeux de données et les chemins d’accès.

En revanche, le package YOLOv8 ultralytics propose un flux de travail simplifié, avec le téléchargement automatique des jeux de données, des poids préentraînés prêts à l’emploi et une prise en charge intégrée de l’exportation vers des formats comme ONNX et TensorRT.

L’exemple suivant charge un modèle, l’entraîne et exécute l’inférence avec l’API Python d’Ultralytics :

from ultralytics import YOLO

# Charger un modèle YOLOv8 nano préentraîné
model = YOLO("yolov8n.pt")

# Entraîner efficacement le modèle sur le jeu de données COCO8
results = model.train(data="coco8.yaml", epochs=50, imgsz=640)

# Exécuter rapidement une inférence sur une image de test
predictions = model("https://ultralytics.com/images/bus.jpg")

# Afficher les prédictions
predictions[0].show()
Suivi des expériences

YOLOv8 s’intègre aux outils MLOps populaires comme Weights & Biases et ClearML, ce qui te permet de suivre en temps réel le réglage des hyperparamètres et les indicateurs d’entraînement.

Cas d’utilisation idéaux#

Le choix entre ces architectures dépend souvent des contraintes spécifiques de ton environnement de déploiement.

Quand choisir YOLOv7#

  • Évaluation comparative avec des modèles anciens : convient aux chercheurs qui ont besoin d’une référence fixe pour comparer leurs résultats aux standards architecturaux de 2022.
  • Infrastructure lourde préexistante : Environnements construits autour de GPU NVIDIA V100 ou A100, où les tenseurs de sortie de YOLOv7 sont intégrés à un ancien pipeline C++.

Quand choisir YOLOv8#

  • Production multiplateforme : Idéal pour les équipes qui doivent déployer sur des GPU cloud, des appareils mobiles et des navigateurs.
  • Besoins multitâches : Si ton projet nécessite des masques de segmentation d’instances ou des points clés de pose, en plus des boîtes englobantes.
  • Périphérie aux ressources limitées : YOLOv8 Nano (yolov8n) offre un excellent rapport précision-vitesse pour la robotique, les drones et les appareils IoT.

Perspectives : le saut générationnel vers YOLO26#

YOLOv8 reste un choix fiable, mais de nouveaux modèles Ultralytics sont disponibles pour les nouveaux projets : YOLO11 et YOLO26, le modèle actuellement recommandé.

Lancé en janvier 2026, YOLO26 est conçu pour un déploiement efficace sur les appareils périphériques :

  • Conception de bout en bout sans NMS : YOLO26 prend en charge l’inférence native de bout en bout et ignore le post-traitement par suppression non maximale (NMS) grâce à sa tête un-à-un facultative (nms=False). Cela simplifie les pipelines de déploiement et élimine la latence d’une étape NMS distincte.
  • Suppression de DFL : La suppression de Distribution Focal Loss simplifie la tête de détection, élargit les options de déploiement du modèle et améliore la compatibilité avec les appareils périphériques.
  • Inférence CPU jusqu’à 43 % plus rapide : YOLO26n s’exécute jusqu’à 43 % plus vite que YOLO11n lors de l’inférence ONNX sur CPU, ce qui convient aux appareils à ressources limitées comme Raspberry Pi et à d’autres systèmes embarqués.
  • Optimiseur MuSGD : Inspiré de l’entraînement des grands modèles de langage (LLM), YOLO26 utilise une combinaison hybride de SGD et Muon pour un entraînement plus stable et une convergence plus rapide.
  • ProgLoss + STAL : La fonction de perte progressive et l’assignation d’étiquettes tenant compte des petites cibles (STAL) améliorent la détection des petits objets, un atout pour l’imagerie aérienne, l’agriculture et la robotique.

Que tu déploies YOLOv8 sur de grands clusters d’analyse vidéo ou YOLO26 sur de petits appareils périphériques, la Ultralytics Platform fournit des outils pour annoter les données, entraîner les modèles et les déployer tout au long du cycle de vie de l’IA.

Contributeurs

Commentaires1

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

  1. rosin7596GitHub(modifié)

    Well-explained comparison! YOLOv7 continues to perform impressively in terms of speed and accuracy, especially for real-time detection tasks on limited hardware. However, this YOLOv8 comparison shows how v8 introduces improvements like a more modular architecture, better support for multi-task learning, and streamlined training. Both models serve different needs, making the choice highly use-case dependent.