YOLOv8 vs YOLOv5#

Choisir la bonne architecture de vision par ordinateur est une étape cruciale pour créer des pipelines d’apprentissage automatique robustes. Dans cette comparaison technique détaillée, nous examinons 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 façonné le domaine de la détection d’objets en temps réel, en établissant les normes du secteur en matière de vitesse, de précision et de simplicité 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.

Points forts et points faibles#

Points forts :

• Une polyvalence inégalée pour de nombreuses tâches au-delà de la simple détection de boîtes englobantes.
• Une API Python simplifiée grâce au package ultralytics, qui rend l’entraînement et l’exportation particulièrement intuitifs.
• Une précision moyenne (mAP) supérieure pour toutes les variantes de taille par rapport à YOLOv5.

Points faibles :

• Par rapport à leurs équivalents YOLOv5 exacts, la tête découplée et le module C2f augmentent le nombre de paramètres et les FLOPs des variantes plus petites.

Ultralytics YOLOv5 : un pionnier agile#

Lancé en 2020, YOLOv5 a intégré YOLO à l’écosystème PyTorch, améliorant considérablement l’accessibilité pour les développeurs. Il est rapidement devenu la norme du secteur pour les modèles de détection d’objets rapides, fiables et faciles à déployer.

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

Architecture et méthodes#

YOLOv5 s’appuie sur une architecture à ancres et utilise un backbone CSPDarknet53 modifié. Les méthodes fondées sur des ancres nécessitent de regrouper soigneusement les boîtes englobantes du jeu de données afin de définir les ancres optimales avant l’entraînement, mais elles sont très efficaces pour les jeux de données spécifiques et bien définis.

YOLOv5 intègre le module C3, qui extrait efficacement les caractéristiques tout en limitant le nombre de paramètres. Sa fonction de perte s’appuie fortement sur la perte d’objectivité, combinée aux pertes de classification et de régression des boîtes englobantes, pour guider le réseau vers des prédictions précises.

Points forts et points faibles#

Points forts :

• Extrêmement légères, les variantes Nano (YOLOv5n) et Small (YOLOv5s) sont particulièrement adaptées aux déploiements d’IA en périphérie soumis à des contraintes de ressources.
• Des vitesses d’inférence exceptionnelles, en particulier sur CPU.
• Un écosystème bien établi, avec une vaste communauté proposant des tutoriels et des intégrations tierces.

Points faibles :

• Nécessite de configurer les boîtes d’ancrage, ce qui peut compliquer la configuration pour les 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 de trouver un compromis favorable entre vitesse et précision. Le tableau ci-dessous présente les métriques 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.

YOLOv5 conserve un avantage en nombre de paramètres et en vitesse brute absolue pour sa variante Nano, mais YOLOv8 offre une forte hausse de la mAP dans toutes les catégories, assurant un meilleur équilibre des performances pour les scénarios de déploiement exigeants du monde réel.

Simplicité d’utilisation et écosystème Ultralytics#

L’écosystème bien entretenu qui entoure les modèles Ultralytics modernes est une caractéristique déterminante. Le passage de YOLOv5 à YOLOv8 a introduit le package pip unifié ultralytics, offrant une expérience utilisateur particulièrement fluide.

Les développeurs peuvent gérer facilement l’entraînement des modèles, la validation, la prédiction et l’exportation avec seulement quelques lignes de code Python, sans les scripts complexes et répétitifs traditionnellement 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")

De plus, l’intégration à des outils comme Ultralytics Platform simplifie la gestion des jeux de données, l’entraînement dans le cloud et le déploiement, tout en garantissant un développement actif et un solide soutien de la communauté.

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 : Pour pratiquement tous les nouveaux projets lancés aujourd’hui, YOLOv8 est vivement recommandé plutôt que YOLOv5. Son architecture avancée gère sans effort le suivi complexe, les boîtes englobantes orientées (OBB) et la segmentation. Elle convient parfaitement aux applications modernes, de la robotique autonome à l’analyse d’images médicales, en passant par les infrastructures de villes intelligentes.

En tirant parti de la documentation complète et des outils fournis par Ultralytics, tu peux facilement déployer YOLOv8 ou découvrir YOLO26, à la pointe de la technologie, pour résoudre des problèmes visuels complexes avec une vitesse et une précision sans précédent. Pour approfondir tes connaissances, consulte nos guides sur le réglage des hyperparamètres et les pratiques de déploiement des modèles.