Link to this sectionYOLOv8 vs YOLOv5#

Choisir la bonne architecture de vision par ordinateur est une étape cruciale pour construire des pipelines d'apprentissage automatique robustes. Dans cette comparaison technique détaillée, nous explorons les différences entre deux des modèles les plus populaires de l'écosystème de vision par IA : YOLOv8 et YOLOv5. Les deux modèles ont été développés par Ultralytics et ont considérablement façonné le paysage de la détection d'objets en temps réel, établissant des standards industriels en matière de vitesse, de précision et de facilité d'utilisation.

Que tu déploies sur des appareils de périphérie (edge devices) ou que tu mettes à l'échelle l'inférence cloud, comprendre les changements architecturaux, 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.

Link to this sectionUltralytics YOLOv8 : le standard polyvalent#

Sorti début 2023, YOLOv8 a représenté un changement architectural majeur par rapport à ses prédécesseurs. Il a été conçu dès le départ pour servir de cadre unifié capable de gérer nativement plusieurs tâches de vision, notamment la segmentation d'instance, 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
• Docs : Documentation YOLOv8

Link to this sectionArchitecture et méthodologies#

YOLOv8 introduced an anchor-free detection head, which simplifies the training process by eliminating the need to manually configure anchor boxes based on dataset distribution. This makes the model more robust when generalizing to custom datasets and reduces the number of box predictions, speeding up Non-Maximum Suppression (NMS).

L'architecture comporte un module C2f (Cross-Stage Partial bottleneck avec deux convolutions), qui remplace le module C3 présent dans YOLOv5. Le module C2f améliore le flux de gradient et permet au modèle d'apprendre des représentations de caractéristiques plus riches sans augmentation significative du coût computationnel. De plus, YOLOv8 utilise une structure de tête découplée, séparant les tâches d'objectness, de classification et de régression, ce qui a démontré une amélioration de la vitesse de convergence et de la précision.

Link to this sectionPoints forts et faiblesses#

Points forts :

• Polyvalence inégalée sur plusieurs tâches au-delà de la simple détection par boîte englobante.
• API Python rationalisée via le package ultralytics, rendant l'entraînement et l'exportation très intuitifs.
• Précision moyenne mean Average Precision (mAP) plus élevée sur toutes les variantes de taille par rapport à YOLOv5.

Points faibles :

• La tête découplée et le module C2f introduisent une légère augmentation du nombre de paramètres et de FLOPs pour certaines variantes par rapport à leurs homologues exacts de YOLOv5.

En savoir plus sur YOLOv8

Link to this sectionUltralytics YOLOv5 : Le pionnier agile#

Introduit en 2020, YOLOv5 a apporté YOLO à l'écosystème PyTorch, améliorant considérablement l'accessibilité pour les développeurs. Il est rapidement devenu le standard de l'industrie pour des modèles de détection d'objets rapides, fiables et facilement déployables.

• Auteur : Glenn Jocher
• Organisation : Ultralytics
• Date : 2020-06-26
• GitHub : ultralytics/yolov5
• Docs : Documentation YOLOv5

Link to this sectionArchitecture et méthodologies#

YOLOv5 repose sur une architecture basée sur des ancres et utilise une dorsale (backbone) CSPDarknet53 modifiée. Bien que les approches basées sur des ancres nécessitent un regroupement minutieux des boîtes englobantes du jeu de données pour définir des ancres optimales avant l'entraînement, elles sont très efficaces pour des jeux de données spécifiques et bien définis.

YOLOv5 intègre le module C3, qui extrait efficacement les caractéristiques tout en maintenant une faible empreinte en termes de paramètres. Sa fonction de perte repose largement sur la perte d'Objectness combinée aux pertes de classification et de régression des boîtes englobantes pour guider le réseau vers des prédictions précises.

Link to this sectionPoints forts et faiblesses#

Points forts :

• Extrêmement léger, rendant les variantes Nano (YOLOv5n) et Small (YOLOv5s) très adaptées aux déploiements en edge AI aux ressources limitées.
• Vitesses d'inférence exceptionnellement rapides, surtout sur CPU.
• Un écosystème profondément établi avec de vastes tutoriels communautaires et des intégrations tierces.

Points faibles :

• Nécessite une configuration des boîtes d'ancrage, ce qui peut compliquer la mise en place pour des jeux de données très variés ou personnalisés.
• Précision globale (mAP) inférieure par rapport aux architectures modernes sans ancres comme YOLOv8 et YOLO26.

En savoir plus sur YOLOv5

Link to this sectionComparaison des performances#

Lors de l'évaluation de ces modèles, obtenir un compromis favorable entre vitesse et précision est primordial. Le tableau ci-dessous décrit les métriques de performance des deux architectures évaluées sur le jeu de données COCO. Les vitesses CPU ont été mesurées en utilisant ONNX, tandis que les vitesses GPU ont été testées en utilisant TensorRT.

Alors que YOLOv5 conserve un léger avantage en nombre de paramètres et en vitesse brute absolue pour sa variante Nano, YOLOv8 offre un saut massif en mAP sur toute la ligne, offrant un meilleur équilibre de performance pour des scénarios de déploiement réel exigeants.

Link to this sectionFacilité d'utilisation et l'écosystème Ultralytics#

Une caractéristique déterminante des modèles modernes Ultralytics est l'écosystème bien entretenu qui les entoure. La transition de YOLOv5 à YOLOv8 a introduit le package pip unifié ultralytics, créant une expérience utilisateur hautement rationalisée.

Les développeurs peuvent gérer de manière transparente l'entraînement de modèles, la validation, la prédiction et l'exportation avec seulement quelques lignes de code Python, en contournant les scripts complexes historiquement nécessaires dans les projets d'apprentissage profond.

from ultralytics import YOLO

# Load a pretrained YOLOv8 model
model = YOLO("yolov8n.pt")

# Train the model on custom data efficiently
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=0)

# Export the model to ONNX for production deployment
path = model.export(format="onnx")

De plus, l'intégration avec des outils comme Ultralytics Platform simplifie la gestion des jeux de données, l'entraînement dans le cloud et le déploiement, garantissant un développement actif et un fort soutien communautaire.

Link to this sectionCas d'utilisation idéaux#

Quand choisir YOLOv5 : Si tu maintiens des systèmes hérités (legacy), que tu exécutes l'inférence sur des CPU sévèrement limités comme un Raspberry Pi, ou que tu travailles sur un projet où économiser chaque fraction de mégaoctet dans la taille du modèle est critique, YOLOv5 reste une valeur sûre.

Quand choisir YOLOv8 : Pour pratiquement tous les nouveaux projets commençant aujourd'hui, YOLOv8 est hautement recommandé par rapport à YOLOv5. Son architecture avancée gère le suivi complexe, les boîtes englobantes orientées (OBB) et la segmentation sans effort. Il est idéal pour les applications modernes allant de la robotique autonome à l'analyse d'imagerie médicale et aux infrastructures de ville intelligente.

En tirant parti de la documentation complète et des outils fournis par Ultralytics, tu peux facilement déployer YOLOv8, ou explorer le tout dernier YOLO26, pour résoudre des défis visuels complexes avec une vitesse et une précision sans précédent. Pour approfondir tes connaissances, envisage d'explorer nos guides sur le réglage des hyperparamètres et les pratiques de déploiement de modèles.