YOLOv8 vs YOLOv5
Choisir la bonne architecture de vision par ordinateur est une étape essentielle pour créer des pipelines d’apprentissage automatique robustes. Cette comparaison technique examine les différences entre deux des modèles les plus populaires de l’écosystème de l’IA visuelle : YOLOv8 et YOLOv5. Tous deux ont été développés par Ultralytics et ont profondément marqué la détection d’objets en temps réel, établissant des références en matière de vitesse, de précision et de facilité d’utilisation.
Que tu déploies tes modèles sur des appareils périphériques ou que tu développes l’inférence dans le cloud, comprendre les évolutions architecturales, les métriques de performance et les méthodologies d’entraînement de ces modèles t’aidera à prendre une décision éclairée pour tes projets de vision par ordinateur.
Ultralytics YOLOv8 : la référence polyvalente#
Lancé au début de 2023, YOLOv8 a marqué une évolution architecturale majeure par rapport à ses prédécesseurs. Conçu dès le départ comme un framework unifié capable de gérer nativement plusieurs tâches de vision, il prend notamment en charge la segmentation d’instances, la classification d’images et l’estimation de pose.
- Auteurs : Glenn Jocher, Ayush Chaurasia et Jing Qiu
- Organisation : Ultralytics
- Date : 2023-01-10
- GitHub : ultralytics/ultralytics
- Documentation : Documentation de YOLOv8
Architecture et méthodes#
YOLOv8 a introduit une tête de détection sans ancres, qui simplifie l’entraînement en éliminant la nécessité de configurer manuellement les boîtes d’ancrage en fonction de la distribution du jeu de données. Le modèle se généralise ainsi plus efficacement aux jeux de données personnalisés et génère moins de prédictions de boîtes, ce qui accélère la suppression non maximale (NMS).
L’architecture comprend un module C2f (goulot d’étranglement à séparation partielle inter-étages avec deux convolutions), qui remplace le module C3 de YOLOv5. Le module C2f améliore la propagation du gradient et permet au modèle d’apprendre des représentations de caractéristiques plus riches sans forte hausse du coût de calcul. De plus, YOLOv8 utilise une structure à tête découplée, qui sépare les tâches de classification et de régression, ce qui améliore la vitesse de convergence et la précision.
Les modèles Ultralytics YOLO, dont YOLOv8, sont optimisés pour réduire l’utilisation de mémoire CUDA à l’entraînement par rapport à de nombreuses solutions basées sur Transformer, comme RT-DETR. Les développeurs peuvent ainsi utiliser des tailles de lot plus importantes sur des GPU grand public standard, comme ceux de la série NVIDIA RTX.
Points forts et points faibles#
Points forts :
- Polyvalence pour plusieurs tâches au-delà de la simple détection de boîtes englobantes.
- API Python simplifiée via le package
ultralytics, qui rend l’entraînement et l’export intuitifs. - Une précision moyenne (mAP) supérieure pour toutes les variantes de taille par rapport à YOLOv5.
Points faibles :
- Par rapport à leurs équivalents YOLOv5, la tête découplée et le module C2f augmentent le nombre de paramètres et les FLOPs des variantes les plus petites.
Ultralytics YOLOv5 : un pionnier agile#
Lancé en 2020, YOLOv5 a intégré YOLO à l’écosystème PyTorch, le rendant beaucoup plus accessible aux développeurs. Il est rapidement devenu l’un des modèles les plus utilisés pour la détection d’objets rapide, fiable et facile à déployer.
- Auteur : Glenn Jocher
- Organisation : Ultralytics
- Date : 2020-06-26
- GitHub : ultralytics/yolov5
- Docs : Documentation de YOLOv5
Architecture et méthodes#
YOLOv5 repose sur une architecture basée sur des ancres et utilise un backbone CSPDarknet53 modifié. Les approches basées sur des ancres nécessitent des ancres correspondant à la distribution des boîtes englobantes du jeu de données (YOLOv5 les vérifie et les recalcule automatiquement avec AutoAnchor) et fonctionnent bien sur des jeux de données bien définis.
YOLOv5 intègre le module C3, qui extrait efficacement les caractéristiques tout en maintenant un faible nombre de paramètres. Sa fonction de perte combine la perte d’objectivité avec les pertes de classification et de régression des boîtes englobantes afin d’orienter le réseau vers des prédictions précises.
Points forts et points faibles#
Points forts :
- Léger, YOLOv5 convient bien aux déploiements d’IA en périphérie aux ressources limitées, notamment avec ses variantes Nano (YOLOv5n) et Small (YOLOv5s).
- Inférence rapide sur les CPU comme sur les GPU.
- Un écosystème bien établi, avec de nombreux tutoriels communautaires et des intégrations tierces.
Points faibles :
- Le modèle repose sur des boîtes d’ancrage, dont les a priori peuvent limiter la généralisation sur des jeux de données très variés ou personnalisés.
- Une précision globale (mAP) inférieure à celle des architectures modernes sans ancres comme YOLOv8 et YOLO26.
Comparaison des performances#
Lors de l’évaluation de ces modèles, il est essentiel d’obtenir un compromis avantageux entre vitesse et précision. Le tableau ci-dessous présente les indicateurs de performance des deux architectures évaluées sur le jeu de données COCO. Les vitesses CPU ont été mesurées avec ONNX, tandis que les vitesses GPU ont été testées avec TensorRT.
| Modèle | taille (pixels) | mAPval50-95 | 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 | 165.1 |
| YOLOv8x | 640 | 53.9 | 479.1 | 14.37 | 68.2 | 257.8 |
| 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 |
Bien que YOLOv5 affiche une latence GPU plus faible et moins de FLOPs pour toutes les tailles présentées dans ce tableau, YOLOv8 offre un mAP nettement supérieur dans tous les cas (par exemple, 37,3 contre 28,0 pour les modèles Nano), ce qui fournit un meilleur équilibre entre précision et vitesse pour les déploiements exigeants en conditions réelles.
Simplicité d’utilisation et écosystème Ultralytics#
L’écosystème bien maintenu qui entoure les modèles Ultralytics modernes constitue l’une de leurs caractéristiques distinctives. Le passage de YOLOv5 à YOLOv8 a marqué l’arrivée du package pip unifié ultralytics, qui simplifie l’expérience utilisateur.
Les développeurs peuvent gérer l’entraînement de modèles, la validation, la prédiction et l’export avec seulement quelques lignes de code Python, sans les scripts complexes et passe-partout historiquement nécessaires aux projets d’apprentissage profond.
from ultralytics import YOLO
# Charger un modèle YOLOv8 préentraîné
model = YOLO("yolov8n.pt")
# Entraîner efficacement le modèle sur des données personnalisées
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=0)
# Exporter le modèle vers ONNX pour un déploiement en production
path = model.export(format="onnx")Ultralytics Platform simplifie encore davantage la gestion des jeux de données, l’entraînement dans le cloud et le déploiement.
Cas d’utilisation idéaux#
Quand choisir YOLOv5 : Si tu gères des systèmes hérités, exécutes l’inférence sur des CPU très limités comme celui d’un Raspberry Pi, ou travailles sur un projet où chaque fraction de mégaoctet économisée sur la taille du modèle compte, YOLOv5 reste une solution fiable et éprouvée.
Quand choisir YOLOv8 : Des deux modèles, YOLOv8 est le meilleur choix pour les nouveaux projets. Son architecture prend en charge le suivi, la segmentation et les boîtes englobantes orientées (OBB), et convient aux applications modernes allant de la robotique autonome à l’analyse d’images médicales et aux infrastructures de villes intelligentes.
YOLOv8 est performant, mais Ultralytics recommande YOLO26 pour les nouveaux projets. Lancé en janvier 2026, il apporte plusieurs améliorations :
- Conception de bout en bout sans NMS : une tête one-to-one facultative (
nms=False) élimine le post-traitement par NMS pour un déploiement plus rapide et plus simple. Cette approche a été introduite dans les modèles YOLO par YOLOv10. - Optimiseur MuSGD : un hybride de SGD et de Muon qui transpose à la vision par ordinateur les innovations issues de l’entraînement des LLM, pour un entraînement plus stable et une convergence plus rapide.
- Inférence CPU jusqu’à 43 % plus rapide : YOLO26n s’exécute jusqu’à 43 % plus vite que YOLO11n sur CPU, ce qui le rend adapté aux environnements d’informatique en périphérie sans GPU dédié.
- Suppression de DFL : Distribution Focal Loss a été supprimée pour simplifier l’exportation et améliorer la compatibilité avec les appareils périphériques.
- ProgLoss + STAL : la perte progressive et l’attribution des étiquettes tenant compte des petites cibles améliorent nettement la reconnaissance des petits objets, un aspect essentiel pour les images aériennes et l’IoT.
Avec la documentation et les outils Ultralytics, tu peux déployer YOLOv8 ou adopter YOLO26 pour des applications de vision exigeantes. Pour approfondir, consulte les guides sur le réglage des hyperparamètres et les pratiques de déploiement des modèles.
Commentaires1
Pose une question, partage tes résultats ou aide quelqu’un d’autre.
rancherdesktopp23(modifié)
Very well explained! The YOLOv8 vs YOLOv5 comparison clearly highlights how YOLOv8 improves upon its predecessor with a more modular architecture, support for multi-task learning, and better training stability. This YOLOv8 comparison really helps developers decide whether to upgrade or stick with the tried-and-tested v5 depending on their project needs.