Commencer

YOLOv7 vs YOLOv9

Le domaine de la détection d’objets en temps réel a rapidement évolué, chaque nouvelle version améliorant les performances aussi bien sur les appareils périphériques que sur les serveurs cloud. Lorsqu’ils évaluent des architectures pour des projets de vision par ordinateur, les développeurs comparent souvent les références établies aux nouvelles conceptions. Ce guide compare deux jalons importants de la famille YOLO : YOLOv7 et YOLOv9.

Il présente leurs architectures, leurs indicateurs de performance et leurs scénarios de déploiement idéaux pour t’aider à choisir le modèle adapté à ton application. Il montre aussi comment la Ultralytics Platform et l’API Python facilitent l’entraînement, la validation et le déploiement des modèles pris en charge, comme YOLOv9.

Lignée des modèles et spécifications techniques#

Comprendre les origines et les philosophies de conception de ces modèles permet de mieux situer leurs capacités. Les deux modèles partagent une même lignée de recherche, mais ciblent des goulots d’étranglement architecturaux différents.

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

Lancé à la mi-2022, YOLOv7 est devenu une architecture très utilisée et bien optimisée. Il a introduit la reparamétrisation structurelle et une approche de « sac de gratuités entraînable » pour maintenir des vitesses d’inférence élevées sans compromettre la précision moyenne (mAP).

Innovations architecturales : YOLOv7 intègre le réseau étendu d’agrégation efficace des couches (E-ELAN), qui permet au modèle d’apprendre des caractéristiques plus variées en augmentant, mélangeant et fusionnant la cardinalité. Cette conception assure une excellente utilisation du GPU et une faible latence d’inférence. Cependant, par rapport aux versions modernes, elle peut nécessiter beaucoup de mémoire pendant les entraînements complexes.

En savoir plus sur YOLOv7

YOLOv9 : résoudre le goulot d’étranglement de l’information#

Présenté au début de 2024 par la même équipe de recherche, YOLOv9 s’attaque au « goulot d’étranglement de l’information » inhérent aux réseaux neuronaux profonds. Lorsque les données traversent des couches profondes, des détails cruciaux sont souvent perdus. YOLOv9 atténue ce problème grâce à de nouveaux composants architecturaux.

Innovations architecturales : YOLOv9 introduit l’information de gradient programmable (PGI) et le réseau généralisé d’agrégation efficace des couches (GELAN). PGI garantit la préservation des gradients fiables et leur rétropropagation pour mettre à jour les poids avec précision. GELAN maximise l’efficacité des paramètres, permettant à YOLOv9 d’atteindre une grande précision avec nettement moins de FLOPs que ses prédécesseurs.

En savoir plus sur YOLOv9

Analyse des performances#

Lorsqu’ils choisissent entre différentes architectures, les ingénieurs en IA doivent trouver un équilibre entre la précision, la vitesse d’inférence et le coût de calcul. Le tableau ci-dessous met en évidence les différences de performance entre ces modèles sur le jeu de données COCO standard.

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
YOLOv9t64038.3-2.32.07.7
YOLOv9s64046.8-3.547.226.7
YOLOv9m64051.4-6.4320.176.8
YOLOv9c64053.0-7.1625.5102.8
YOLOv9e64055.6-16.7758.1192.5

Points essentiels à retenir#

  • Efficacité des paramètres : YOLOv9m atteint la même précision que YOLOv7l (51,4 % mAP) tout en utilisant environ 45 % de paramètres en moins (20,1 M contre 36,9 M). Cette réduction facilite le déploiement de YOLOv9m sur des appareils d’IA en périphérie aux ressources mémoire limitées.
  • Déploiements compacts : La variante YOLOv9t (tiny) s’exécute en 2,3 ms sur un GPU T4 avec TensorRT, ce qui convient aux environnements soumis à des contraintes strictes de temps réel.
  • Précision maximale : Pour les applications où la précision est primordiale, YOLOv9e atteint 55,6 % mAP, soit 2,5 points de plus que YOLOv7x.
Pérenniser tes projets de vision par ordinateur

YOLOv7 et YOLOv9 sont des modèles performants, mais YOLO26 est actuellement le modèle Ultralytics recommandé pour les nouveaux projets. Il introduit une conception native de bout en bout sans NMS (facultative via nms=False), qui ignore le post-traitement par suppression non maximale (NMS) et offre une inférence CPU jusqu’à 43 % plus rapide (YOLO26n par rapport à YOLO11n). L’optimiseur MuSGD améliore la stabilité de l’entraînement, tandis que ProgLoss + STAL (fonction de perte progressive et assignation d’étiquettes tenant compte des petites cibles) améliore la détection des petits objets.

L’avantage Ultralytics#

Choisir une architecture de modèle n’est que la première étape. L’écosystème logiciel qui l’entoure détermine la rapidité avec laquelle tu peux passer du prototype à la production. L’intégration de modèles pris en charge, comme YOLOv9, via l’API Python d’Ultralytics offre des avantages considérables aux développeurs et aux chercheurs.

Facilité d’utilisation et efficacité de l’entraînement#

Auparavant, l’entraînement de YOLOv7 nécessitait une préparation complexe des données et des scripts fortement personnalisés. Le framework Ultralytics gère ces détails : les développeurs peuvent ainsi passer d’une architecture à l’autre, expérimenter le réglage des hyperparamètres et utiliser des pipelines intégrés d’augmentation des données avec un minimum de code.

Ultralytics optimise également l’utilisation de la mémoire pendant l’entraînement et l’inférence. Par rapport aux modèles Transformer plus lourds, comme RT-DETR, les architectures Ultralytics YOLO s’entraînent généralement plus vite et nécessitent moins de mémoire CUDA, ce qui les rend pratiques sur des GPU grand public.

Exemple de code : entraînement simplifié#

L’exemple exécutable suivant entraîne, valide et exporte un modèle YOLOv9 avec l’API Python d’Ultralytics :

from ultralytics import YOLO

# Initialiser le modèle (tu peux remplacer 'yolov9c.pt' par 'yolo26n.pt')
model = YOLO("yolov9c.pt")

# Entraîner le modèle sur le jeu de données d’exemple COCO8
train_results = model.train(
    data="coco8.yaml",
    epochs=50,
    imgsz=640,
    device="0",  # Utiliser le GPU 0 s’il est disponible
    batch=16,  # Taille de lot optimisée pour économiser la mémoire
)

# Valider les performances du modèle sur l’ensemble de validation
metrics = model.val()

# Exporte le modèle entraîné au format ONNX pour le déploiement
model.export(format="onnx")

Polyvalence entre les tâches#

Un écosystème bien entretenu donne également accès à davantage de tâches de vision par ordinateur. YOLOv7 a été conçu principalement pour la détection d’objets (avec, par la suite, des branches expérimentales pour d’autres tâches), tandis que les modèles Ultralytics modernes prennent nativement en charge plusieurs tâches. Dès l’installation, tu peux effectuer la segmentation d’instances, la classification d’images, l’estimation de pose et la détection par boîtes englobantes orientées (OBB).

Cas d’utilisation et applications idéaux#

Le choix entre YOLOv7 et YOLOv9 dépend souvent des contraintes propres à ton secteur et du matériel disponible.

Quand utiliser YOLOv7#

  • Déploiements périphériques hérités : Pour les environnements matériels déjà optimisés pour l’architecture E-ELAN de YOLOv7, ce modèle reste un choix solide pour l’IoT industriel.
  • Surveillance de la circulation : Les fréquences d’images élevées et la stabilité éprouvée de YOLOv7 en font un bon choix pour les infrastructures de villes intelligentes et la gestion du trafic en temps réel.
  • Intégration robotique : la navigation dans des environnements dynamiques exige un traitement à faible latence, un scénario dans lequel les variantes de YOLOv7 ont été largement testées.

Quand utiliser YOLOv9#

  • Imagerie médicale : PGI aide YOLOv9 à préserver les détails fins dans les couches profondes, un atout pour des tâches d’analyse d’images médicales comme la détection de tumeurs.
  • Analyse du commerce de détail en environnement dense : Pour suivre et compter des articles entassés sur les rayons, l’intégration des caractéristiques de YOLOv9 peut améliorer la précision et réduire les faux négatifs.
  • Images aériennes et prises par drone : l’efficacité de YOLOv9m en nombre de paramètres permet le traitement d’images haute résolution sur des drones, contribuant à la conservation de la faune et à la surveillance agricole sans épuiser la batterie.

Conclusion#

YOLOv7 et YOLOv9 sont tous deux des jalons importants de la famille YOLO. YOLOv7 a introduit des optimisations essentielles au traitement en temps réel, tandis que YOLOv9 a répondu aux pertes d’information dans les réseaux profonds afin d’améliorer l’efficacité des paramètres.

Pour les nouveaux projets, cependant, les modèles Ultralytics plus récents, comme YOLO11 et YOLO26, offrent un meilleur équilibre entre vitesse, précision et expérience de développement. Grâce à l’optimiseur MuSGD et à la suppression de Distribution Focal Loss (DFL) pour une meilleure compatibilité matérielle, YOLO26 est le modèle recommandé pour démarrer.

Commentaires

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