Comparaison de modèles : YOLOv8 vs YOLOv10 pour la détection d’objets
Choisir le bon modèle de détection d'objets est crucial pour le succès de tout projet de vision par ordinateur. Cette page fournit une comparaison technique détaillée entre Ultralytics YOLOv8 et YOLOv10, deux modèles à la pointe de la technologie dans le domaine. Nous analyserons leurs nuances architecturales, leurs mesures de performance, leurs méthodologies d'entraînement et leurs applications idéales pour vous guider dans la prise d'une décision éclairée en fonction de vos besoins spécifiques.
Ultralytics YOLOv8 : Polyvalence et maturité
Auteurs : Glenn Jocher, Ayush Chaurasia et Jing Qiu
Organisation : Ultralytics
Date : 2023-01-10
GitHub : https://github.com/ultralytics/ultralytics
Docs : https://docs.ultralytics.com/models/yolov8/
Ultralytics YOLOv8, lancé en janvier 2023 par Ultralytics, est un modèle mature et très polyvalent qui s’appuie sur les forces de ses prédécesseurs YOLO. Il est conçu pour la vitesse, la précision et la facilité d’utilisation dans un large éventail de tâches d’IA de vision, notamment la détection d’objets, la segmentation d’instances, la classification d’images, l’estimation de pose et les boîtes englobantes orientées (OBB).
Architecture et principales fonctionnalités
YOLOv8 représente une évolution significative dans la série YOLO, avec une approche de détection sans ancrage qui simplifie l'architecture du modèle et améliore la généralisation sur différents ensembles de données. Son réseau dorsal flexible et ses fonctions de perte optimisées contribuent à améliorer la précision et à stabiliser l'entraînement. Un avantage clé de YOLOv8 est son évolutivité, offrant une gamme de tailles de modèles allant de Nano (n) à Extra-large (x) pour répondre à divers besoins de calcul et de précision. Cette polyvalence en fait un choix de prédilection pour les projets qui peuvent nécessiter plus que la simple détection d'objets, car il prend en charge plusieurs tâches dans un cadre unique et unifié.
Performances et points forts
YOLOv8 offre un solide équilibre de performance, atteignant des scores mAP élevés tout en maintenant des vitesses d'inférence rapides, adaptées aux applications en temps réel. Par exemple, YOLOv8x atteint 53,9 % mAPval 50-95 sur le jeu de données COCO. Sa conception efficace garantit des besoins en mémoire plus faibles pendant l'entraînement et l'inférence par rapport à de nombreuses autres architectures, en particulier les modèles basés sur des transformateurs comme RT-DETR.
- Mature et bien documenté : YOLOv8 bénéficie d'une documentation complète, d'une grande communauté et de ressources facilement disponibles, ce qui le rend exceptionnellement convivial et facile à implémenter via des interfaces Python et CLI simples.
- Polyvalent et multi-tâches : Sa prise en charge d'un large éventail de tâches de vision est un avantage clé par rapport aux modèles plus spécialisés, offrant une flexibilité inégalée pour les exigences complexes des projets.
- Écosystème bien maintenu : Le modèle est intégré de manière transparente à Ultralytics HUB, une plateforme qui rationalise les flux de travail de l'entraînement au déploiement. Il est soutenu par un développement actif et des mises à jour fréquentes d'Ultralytics.
- Équilibre des performances : Il offre un excellent compromis entre la vitesse, la précision et la taille du modèle, ce qui le rend adapté à un large éventail de scénarios de déploiement réels.
- Efficacité de l'entraînement : YOLOv8 offre des processus d'entraînement efficaces et des poids pré-entraînés facilement disponibles, ce qui accélère considérablement les cycles de développement.
Faiblesses
Bien que très efficace, YOLOv8 peut être marginalement surpassé dans des benchmarks spécifiques et très contraints par des modèles plus récents comme YOLOv10, qui privilégient la vitesse brute ou le nombre de paramètres avant tout. Cependant, YOLOv8 offre souvent un meilleur ensemble global en termes de convivialité, de polyvalence et de support.
Cas d'utilisation idéaux
La polyvalence et la facilité d'utilisation de YOLOv8 le rendent idéal pour un large éventail d'applications :
- Systèmes de sécurité : Excellent pour la détection d’objets en temps réel dans les systèmes d’alarme de sécurité.
- Analyse de vente au détail : Utile dans le commerce de détail intelligent pour comprendre le comportement des clients et la gestion des stocks.
- Contrôle qualité industriel : Applicable dans la fabrication pour l'inspection visuelle automatisée.
- Projets multi-tâches : Idéal pour les projets nécessitant la détection, la segmentation et l'estimation de pose simultanément à partir d'un seul modèle.
YOLOv10 : Repousser les limites de l'efficacité
Auteurs : Ao Wang, Hui Chen, Lihao Liu, et al.
Organisation : Université Tsinghua
Date : 2024-05-23
Arxiv : https://arxiv.org/abs/2405.14458
GitHub : https://github.com/THU-MIG/yolov10
Docs : https://docs.ultralytics.com/models/yolov10/
YOLOv10, introduit en mai 2024, se concentre sur la maximisation de l'efficacité et de la vitesse tout en maintenant une précision compétitive. Il est particulièrement destiné aux applications en temps réel et en périphérie. Une innovation clé est son approche d'entraînement qui élimine le besoin de suppression non maximale (NMS), ce qui contribue à réduire la latence de post-traitement et permet une véritable détection d'objets de bout en bout.
Architecture et principales fonctionnalités
YOLOv10 présente une conception de modèle holistique axée sur l'efficacité et la précision. Il optimise divers composants pour réduire la redondance de calcul et améliorer les capacités de détection. En utilisant des affectations doubles cohérentes pour l'entraînement, il supprime l'étape NMS, simplifiant ainsi le pipeline de déploiement. Bien qu'il s'agisse d'une avancée significative, il est important de noter que YOLOv10 se concentre principalement sur la détection d'objets et manque de la polyvalence multitâche intégrée de YOLOv8.
Analyse des performances
YOLOv10 démontre une efficacité de pointe, offrant des vitesses d'inférence plus rapides et des tailles de modèle plus petites par rapport à de nombreuses versions précédentes de YOLO. Par exemple, YOLOv10-S atteint 46,7 % mAPval 50-95 avec seulement 7,2 millions de paramètres. Le tableau ci-dessous montre que, pour un niveau de précision donné, les modèles YOLOv10 ont souvent moins de paramètres et des FLOP inférieurs à ceux de leurs homologues YOLOv8. Cependant, YOLOv8 maintient des vitesses très compétitives, en particulier sur le CPU, où il a été fortement optimisé.
| Modèle | Taille (pixels) |
mAPval 50-95 |
Vitesse CPU ONNX (ms) |
Vitesse T4 TensorRT10 (ms) |
paramètres (M) |
FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv8n | 640 | 37.3 | 80.4 | 1.47 | 3.2 | 8.7 |
| YOLOv8s | 640 | 44.9 | 128.4 | 2.66 | 11.2 | 28.6 |
| YOLOv8m | 640 | 50.2 | 234.7 | 5.86 | 25.9 | 78.9 |
| YOLOv8l | 640 | 52.9 | 375.2 | 9.06 | 43.7 | 165.2 |
| YOLOv8x | 640 | 53.9 | 479.1 | 14.37 | 68.2 | 257.8 |
| YOLOv10n | 640 | 39.5 | - | 1.56 | 2.3 | 6.7 |
| YOLOv10s | 640 | 46.7 | - | 2.66 | 7.2 | 21.6 |
| YOLOv10m | 640 | 51.3 | - | 5.48 | 15.4 | 59.1 |
| YOLOv10b | 640 | 52.7 | - | 6.54 | 24.4 | 92.0 |
| YOLOv10l | 640 | 53.3 | - | 8.33 | 29.5 | 120.3 |
| YOLOv10x | 640 | 54.4 | - | 12.2 | 56.9 | 160.4 |
Points forts et faiblesses
- Efficacité améliorée : Offre des vitesses d’inférence plus rapides et des tailles de modèle plus petites dans de nombreuses comparaisons, ce qui est avantageux pour les environnements aux ressources limitées.
- Formation sans NMS : Simplifie le pipeline de déploiement en supprimant l’étape de post-traitement NMS, réduisant ainsi la latence.
- Performance de pointe : Atteint d’excellentes performances, en particulier dans les benchmarks axés sur la latence.
Cependant, YOLOv10 présente également certaines limites :
- Nouveau modèle : En tant que modèle plus récent, sa communauté est plus petite et il dispose de moins de ressources ou d'intégrations de tiers facilement disponibles que le YOLOv8 bien établi.
- Intégration de l'écosystème : Bien qu'intégré à la bibliothèque Ultralytics, il peut nécessiter plus d'efforts pour s'intégrer dans les flux de travail MLOps établis par rapport aux modèles comme YOLOv8 qui sont natifs de l'écosystème complet Ultralytics.
- Spécialisation de tâche : Il est principalement axé sur la détection d’objets et ne possède pas la polyvalence intégrée pour la segmentation, la classification et l’estimation de pose offertes par YOLOv8.
Cas d'utilisation idéaux
YOLOv10 est particulièrement bien adapté aux applications où les performances en temps réel et l'efficacité des ressources sont les priorités absolues :
- Appareils périphériques (Edge Devices) : Idéal pour le déploiement sur des appareils avec une puissance de calcul limitée comme les téléphones mobiles et les systèmes embarqués.
- Traitement à haute vitesse : Convient aux applications nécessitant une très faible latence, telles que les drones autonomes et la robotique.
- Analyse en temps réel : Parfait pour les environnements dynamiques nécessitant une détection d’objets immédiate, comme la gestion du trafic.
Conclusion
Ultralytics YOLOv8 et YOLOv10 sont tous deux des modèles de détection d'objets puissants et efficaces. Le choix entre les deux dépend fortement des priorités spécifiques du projet.
Ultralytics YOLOv8 est le choix recommandé pour la plupart des développeurs et des chercheurs. Il se distingue par sa polyvalence exceptionnelle, sa facilité d’utilisation, son écosystème robuste et un excellent équilibre entre vitesse et précision. Ses capacités multitâches en font une solution évolutive pour les projets susceptibles d’évoluer et d’inclure la segmentation, l’estimation de pose ou d’autres tâches de vision.
YOLOv10 offre des gains d'efficacité convaincants pour les applications spécialisées et critiques en termes de latence. Si la contrainte principale de votre projet est le déploiement sur des appareils périphériques à faible consommation d'énergie ou l'obtention du temps d'inférence le plus faible possible pour une tâche unique, YOLOv10 est un concurrent sérieux.
Pour les utilisateurs intéressés par l'exploration d'autres modèles de pointe, Ultralytics propose une gamme d'options, notamment le très réputé YOLOv5, l'innovant YOLOv9 et le dernier YOLO11. D'autres comparaisons, telles que YOLOv9 vs YOLOv8 et YOLOv5 vs YOLOv8, sont disponibles pour vous aider à sélectionner le meilleur modèle pour vos besoins.
