YOLOv8 YOLOv5: comparaison technique complète

Dans le domaine en constante évolution de la vision par ordinateur, choisir le bon modèle de détection d'objets est essentiel à la réussite d'un projet. Deux des étapes les plus importantes de cette histoire sont YOLOv5 et YOLOv8, tous deux développés par Ultralytics. Alors que YOLOv5 la norme industrielle en matière de facilité d'utilisation et de fiabilité dès sa sortie, YOLOv8 des avancées architecturales qui ont redéfini les performances de pointe (SOTA).

Ce guide fournit une analyse technique approfondie des deux architectures, en comparant leurs indicateurs de performance, leurs méthodologies de formation et leurs cas d'utilisation idéaux afin d'aider les développeurs à prendre des décisions éclairées.

Ultralytics YOLOv8 : La norme moderne

Sorti en janvier 2023, YOLOv8 représente une avancée majeure dans le domaine des YOLO . Il s'appuie sur le succès des versions précédentes tout en introduisant un cadre unifié pour la détection d'objets, la segmentation d'instances et l'estimation de poses.

Principales innovations architecturales

YOLOv8 de la conception basée sur des ancres de ses prédécesseurs et adopte un mécanisme de détection sans ancres. Ce changement simplifie la complexité du modèle en prédisant directement les centres des objets, ce qui réduit le nombre de prédictions de boîtes et accélère la suppression non maximale (NMS).

• Module C2f : la structure utilise un nouveau module C2f, qui remplace le module C3 présent dans YOLOv5. Cette nouvelle conception améliore le flux de gradient et permet au modèle de capturer des représentations de caractéristiques plus riches sans augmenter de manière significative le coût de calcul.
• Tête découplée : contrairement à la tête couplée des versions précédentes, YOLOv8 les tâches de classification et de régression en branches indépendantes. Cette séparation permet d'optimiser chaque tâche individuellement, ce qui se traduit par des taux de convergence plus élevés et une meilleure précision.
• Augmentation mosaïque : bien que les deux modèles utilisent l'augmentation mosaïque, YOLOv8 la désactive YOLOv8 pendant les dernières époques de l'entraînement afin d'améliorer la précision.

Performances et Polyvalence

YOLOv8 conçu pour être polyvalent. Il prend en charge nativement un large éventail de tâches allant au-delà de la simple détection de cadres de sélection, ce qui en fait un choix robuste pour les applications complexes telles que les véhicules autonomes et l'analyse intelligente du commerce de détail.

YOLOv8 :
Auteurs : Glenn Jocher, Ayush Chaurasia et Jing Qiu
Organisation :Ultralytics
Date : 10/01/2023
GitHub :ultralytics
Documentation :YOLOv8

En savoir plus sur YOLOv8

Ultralytics YOLOv5 : Le cheval de trait fiable

Depuis sa sortie en juin 2020, YOLOv5 est devenu le modèle de référence pour les développeurs du monde entier grâce à sa stabilité inégalée et à la simplicité de son PyTorch . Il a démocratisé l'accès à une IA visuelle puissante, facilitant l'entraînement de modèles sur des ensembles de données personnalisés avec une configuration minimale.

Architecture et héritage

YOLOv5 une structure CSPDarknet et une tête de détection basée sur des ancres. Sa couche de focalisation (remplacée par la suite par une convolution 6x6) était efficace pour sous-échantillonner les images tout en préservant les informations.

• Facilité d'utilisation : YOLOv5 réputé pour son expérience « prête à l'emploi ». La structure du référentiel est intuitive et s'intègre parfaitement aux outils MLOps tels que Comet et ClearML.
• Prise en charge étendue du déploiement : grâce à sa longue expérience, YOLOv5 d YOLOv5 une prise en charge étendue sur pratiquement toutes les cibles de déploiement, des processeurs mobiles via TFLite aux appareils périphériques tels que NVIDIA .

YOLOv5 :
Auteurs : Glenn Jocher
Organisation :Ultralytics
Date : 26/06/2020
GitHub :yolov5
Documentation :YOLOv5

En savoir plus sur YOLOv5

Comparaison des performances

Lorsque l'on compare les deux modèles, YOLOv8 surpasse YOLOv8 YOLOv5 précision (mAP) et YOLOv5 vitesse d'inférence, en particulier sur GPU modernes. Le tableau suivant illustre les différences de performances sur l'COCO .

Analyse des métriques

• Précision : YOLOv8 un avantage significatif en termes de précision moyenne (mAP). Par exemple, la variante Nano (n) de YOLOv8 mAP supérieure de près de 10 % mAP YOLOv5n, ce qui la rend nettement supérieure pour les applications où une grande précision sur des modèles de petite taille est cruciale.
• Vitesse : bien que YOLOv5 légèrement plus rapide sur certains CPU en raison d'un FLOP inférieur, YOLOv8 un meilleur équilibre en termes de performances. Le compromis est souvent négligeable par rapport aux gains de précision, et YOLOv8 hautement optimisé pour GPU à l'aide de TensorRT.
• Taille du modèle : YOLOv8 sont généralement compacts, mais intègrent davantage de paramètres dans les architectures Nano et Small afin d'augmenter la capacité d'apprentissage.

Méthodologies de formation et écosystème

Les deux modèles bénéficient du solide Ultralytics , mais le flux de travail a considérablement évolué avec YOLOv8.

Efficacité de l'entraînement

Ultralytics sont réputés pour leur efficacité en matière de formation. Ils nécessitent nettement moins CUDA que les architectures basées sur des transformateurs telles que RT-DETR, ce qui permet aux utilisateurs de former des lots plus importants sur des GPU grand public standard.

• YOLOv5 utilise une structure de référentiel autonome où la formation est lancée via des scripts tels que train.py.
• YOLOv8 a introduit le ultralytics Python . Cette CLI Python unifiée facilite le passage d'une tâche à l'autre et l'exportation de modèles.

from ultralytics import YOLO

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

# Train on a custom dataset with efficient memory usage
model.train(data="coco8.yaml", epochs=100, imgsz=640)

Ultralytics

Les utilisateurs des deux modèles peuvent tirer parti de la Ultralytics (anciennement HUB). Cet outil en ligne simplifie la gestion des ensembles de données, l'étiquetage et la visualisation de l'apprentissage. Il prend en charge l'exportation des modèles en un clic vers des formats tels que ONNX et OpenVINO, ce qui simplifie le passage du prototype à la production.

Cas d'utilisation idéaux

Quand choisir YOLOv8

YOLOv8 le choix privilégié pour la plupart des nouveaux projets en 2026 qui ne nécessitent pas les optimisations spécifiques de pointe du nouveau YOLO26.

• Applications multitâches : si votre projet implique la détection OBB pour l'imagerie aérienne ou l'estimation de la posture pour l'analyse sportive, YOLOv8 ces fonctionnalités de manière native.
• Exigences de haute précision : pour les tâches critiques en matière de sécurité, telles que la détection des défauts, le mAP supérieur mAP YOLOv8 moins de faux négatifs.

Quand choisir YOLOv5

• Systèmes hérités : les projets profondément intégrés à la structure spécifique YOLOv5 peuvent trouver plus facile de poursuivre leur maintenance plutôt que de migrer.
• Contraintes extrêmes : sur du matériel extrêmement limité en ressources, où chaque milliseconde de CPU compte, les FLOP légèrement inférieurs de YOLOv5n peuvent offrir un avantage marginal, bien que des modèles plus récents comme YOLO26 comblent désormais efficacement cet écart.

Regard vers l'avenir : l'avenir, c'est YOLO26

Bien que YOLOv8 YOLOv5 d'excellents outils, le domaine de la vision par ordinateur évolue rapidement. Pour les développeurs qui lancent aujourd'hui de nouveaux projets, nous recommandons vivement d'envisager Ultralytics .

Pourquoi passer à YOLO26 ? YOLO26 s'appuie sur les points forts de ses prédécesseurs, mais introduit une conception native de bout en bout NMS, éliminant ainsi le besoin de post-traitement et simplifiant considérablement le déploiement.

• CPU 43 % plus rapide : optimisé spécifiquement pour les appareils périphériques, ce qui le rend plus rapide que YOLOv5 YOLOv8 les CPU.
• MuSGD Optimizer : un optimiseur hybride inspiré de la formation LLM pour une convergence stable et rapide.
• Précision améliorée : les fonctions de perte améliorées (ProgLoss + STAL) permettent une meilleure détection des petits objets.

En savoir plus sur YOLO26

Conclusion

Les deux YOLOv8 et YOLOv5 témoignent de l'engagement Ultralytics en faveur d'une IA accessible et performante. YOLOv5 une option fiable et largement prise en charge, en particulier pour les déploiements hérités. Cependant, YOLOv8 un équilibre de performances supérieur, une architecture moderne et une prise en charge plus large des tâches, ce qui en fait le meilleur choix pour la plupart des applications standard.

Pour ceux qui recherchent le nec plus ultra en matière de vitesse et de précision, en particulier pour les déploiements mobiles et périphériques, le tout nouveau YOLO26 établit une nouvelle référence. Quel que soit votre choix, la Ultralytics complète Ultralytics et sa communauté active vous garantissent les ressources nécessaires pour réussir.

Pour approfondir le sujet, nous vous invitons à lire des articles sur d'autres modèles spécialisés tels que YOLO11 ou YOLOv10.

Commentaires