Passer au contenu

YOLOv8 vs YOLOv5 : Une comparaison détaillée

La comparaison entre Ultralytics YOLOv8 et Ultralytics YOLOv5 pour la détection d'objets révèle à la fois l'évolution constante de l'architecture YOLO et les atouts distincts de chaque modèle. Les deux modèles, développés par Ultralytics, sont réputés pour leur équilibre exceptionnel entre vitesse et précision. Cependant, ils répondent à différentes priorités dans le domaine de la vision par ordinateur. Cette page fournit une comparaison technique détaillée pour aider les développeurs et les chercheurs à prendre une décision éclairée en fonction des exigences de leur projet, en soulignant les avantages de l'écosystème Ultralytics.

YOLOv8 : La solution de pointe

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 est la dernière version majeure de la série YOLO, conçue comme un cadre unifié pour prendre en charge une gamme complète de tâches d'IA de vision. Celles-ci incluent la détection d'objets, la segmentation d'instance, la classification d'images, l'estimation de pose et les boîtes englobantes orientées (OBB). YOLOv8 introduit des innovations architecturales significatives, telles qu'un détecteur sans ancrage et un cou C2f raffiné, qui améliorent sa performance et sa flexibilité.

Points forts

  • Précision et performance supérieures : YOLOv8 offre systématiquement une précision (mAP) supérieure à celle de YOLOv5 pour toutes les tailles de modèle, tout en conservant des vitesses d'inférence compétitives. Cela offre un excellent équilibre de performances pour les applications exigeantes.
  • Polyvalence améliorée : Conçu comme un framework complet, YOLOv8 prend en charge nativement plusieurs tâches de vision. Cette polyvalence permet aux développeurs d’utiliser une architecture de modèle unique et cohérente pour des projets complexes et multifacettes, ce qui simplifie le développement et le déploiement.
  • Architecture moderne : La conception sans ancrage de YOLOv8 réduit la complexité du processus d'entraînement et le nombre d'hyperparamètres à régler, ce qui conduit souvent à une meilleure généralisation sur divers ensembles de données. Le module C2f mis à jour offre une fusion de caractéristiques plus efficace par rapport au module C3 de YOLOv5.
  • Expérience utilisateur simplifiée : Comme tous les modèles Ultralytics, YOLOv8 bénéficie d'une simple API Python et d'une CLI, d'une documentation complète et d'un écosystème bien maintenu. Cela comprend l'intégration avec Ultralytics HUB pour la formation sans code et la gestion MLOps.
  • Efficacité mémoire : Les modèles Ultralytics YOLO sont optimisés pour une faible utilisation de la mémoire pendant l’entraînement et l’inférence, ce qui les rend plus accessibles que de nombreuses architectures gourmandes en ressources comme les transformateurs.

Faiblesses

  • Exigences de calcul : Bien qu'ils soient efficaces, les modèles YOLOv8 plus grands (L/X) nécessitent une puissance de calcul importante, ce qui pourrait être une contrainte pour le déploiement sur des appareils périphériques à ressources très limitées.

Cas d'utilisation idéaux

YOLOv8 est le choix recommandé pour les nouveaux projets qui nécessitent des performances et une flexibilité de pointe.

  • Robotique avancée : Pour la compréhension complexe de scènes et l’interaction avec des objets où une grande précision est essentielle.
  • Analyse d’images haute résolution : excelle dans les applications comme l'analyse d’images médicales où la détection de détails précis est cruciale.
  • Systèmes de vision multi-tâches : Idéal pour les systèmes qui doivent effectuer simultanément la détection, la segmentation et l’estimation de la pose, comme dans le domaine de l’analyse du commerce de détail intelligent.

En savoir plus sur YOLOv8

YOLOv5 : La norme établie et polyvalente

Auteur : Glenn Jocher
Organisation : Ultralytics
Date : 2020-06-26
GitHub : https://github.com/ultralytics/yolov5
Docs : https://docs.ultralytics.com/models/yolov5/

Ultralytics YOLOv5 est devenu une norme de l’industrie peu après sa sortie, salué pour son équilibre exceptionnel entre vitesse, précision et facilité d’utilisation remarquable. Construit sur PyTorch, il dispose d’une dorsale CSPDarknet53 et d’un neck PANet. Sa tête de détection basée sur l’ancrage est très efficace, et le modèle s’adapte à différentes tailles (n, s, m, l, x) pour s’adapter à différents budgets de calcul.

Points forts

  • Vitesse d'inférence exceptionnelle : YOLOv5 est hautement optimisé pour une inférence rapide, ce qui en fait un choix de prédilection pour les systèmes en temps réel, en particulier sur les CPU et les appareils périphériques.
  • Écosystème mature et stable : Présent dans le domaine depuis plusieurs années, YOLOv5 dispose d'une vaste base d'utilisateurs, d'un soutien communautaire étendu et d'une multitude de tutoriels et d'intégrations tierces. Sa stabilité en fait un choix fiable pour les environnements de production.
  • Facilité d'utilisation : YOLOv5 est réputé pour son API simple et son pipeline de formation simple, ce qui l'a rendu incroyablement populaire auprès des débutants comme des experts. L'écosystème Ultralytics garantit une expérience utilisateur fluide de la formation au déploiement.
  • Efficacité de l'entraînement : Le modèle offre un processus d'entraînement efficace avec des poids pré-entraînés facilement disponibles, ce qui permet un prototypage et un développement rapides.

Faiblesses

  • Précision inférieure : par rapport à YOLOv8, les modèles YOLOv5 ont généralement des scores mAP inférieurs pour une taille donnée. L’écart de performance devient plus visible avec les modèles plus grands.
  • Détection basée sur les ancres : Son recours à des boîtes d'ancrage prédéfinies peut parfois nécessiter un réglage manuel pour obtenir des performances optimales sur les ensembles de données avec des objets de forme ou d'échelle inhabituelle.

Cas d'utilisation idéaux

YOLOv5 reste un modèle puissant et pertinent, en particulier pour les applications où la vitesse et la stabilité sont primordiales.

  • Edge Computing : Ses variantes plus petites (n/s) sont parfaites pour un déploiement sur des appareils aux ressources limitées comme Raspberry Pi et NVIDIA Jetson.
  • Surveillance en temps réel : Idéal pour les systèmes de sécurité et la surveillance vidéo en direct où une faible latence est essentielle.
  • Applications mobiles : Convient aux tâches de détection d’objets sur l’appareil où les ressources de calcul sont limitées.

En savoir plus sur YOLOv5

Comparaison des performances : YOLOv8 contre YOLOv5

Les benchmarks de performance sur le jeu de données COCO illustrent clairement les avancées réalisées avec YOLOv8. De manière générale, les modèles YOLOv8 offrent une précision supérieure avec des caractéristiques de performance comparables ou améliorées.

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
YOLOv5n 640 28.0 73.6 1.12 2.6 7.7
YOLOv5s 640 37.4 120.7 1.92 9.1 24.0
YOLOv5m 640 45.4 233.9 4.03 25.1 64.2
YOLOv5l 640 49.0 408.4 6.61 53.2 135.0
YOLOv5x 640 50.7 763.2 11.89 97.2 246.4

D'après le tableau, il est évident que les modèles YOLOv8 offrent une amélioration significative de la mAP. Par exemple, YOLOv8s atteint 44,9 mAP, dépassant de loin les 37,4 mAP de YOLOv5s avec seulement une augmentation marginale des paramètres et de la latence. De même, YOLOv8x atteint 53,9 mAP, surpassant les 50,7 mAP de YOLOv5x tout en étant plus efficace sur le plan du calcul.

Conclusion : Quel modèle devriez-vous choisir ?

YOLOv5 et YOLOv8 sont tous deux d'excellents modèles, mais ils répondent à des besoins différents.

  • YOLOv5 est un choix fantastique pour les applications où la vitesse d'inférence maximale et une plateforme mature et stable sont les plus hautes priorités. Elle reste un concurrent sérieux pour le déploiement sur des appareils aux ressources limitées et pour les projets qui bénéficient de son vaste écosystème.

  • YOLOv8 représente la prochaine génération de la technologie YOLO. C'est le choix recommandé pour les nouveaux projets qui recherchent la plus haute précision et la polyvalence dans de multiples tâches de vision. Son architecture moderne sans ancres et son cadre unifié en font une solution plus puissante et plus flexible pour un large éventail d'applications, de la recherche à la production.

Pour la plupart des cas d'utilisation, les performances et la flexibilité supérieures de YOLOv8 en font l'option préférée.

Explorer d'autres modèles

Ultralytics continue d'innover dans le domaine de la vision par ordinateur. Pour les utilisateurs explorant d'autres options de pointe, nous proposons également des modèles tels que YOLOv9, YOLOv10 et le dernier YOLO11, chacun offrant des avantages uniques. Vous trouverez des analyses plus détaillées sur notre page de comparaison des modèles.



📅 Créé il y a 1 an ✏️ Mis à jour il y a 1 mois

Commentaires