Commencer

YOLOv8 contre YOLOv7

Le domaine de la vision par ordinateur évolue constamment, de nouvelles architectures repoussant les limites de la détection d’objets en temps réel. Ce guide compare deux modèles influents : Ultralytics YOLOv8 et YOLOv7. Ces deux modèles ont profondément marqué la communauté des développeurs et la recherche universitaire, en proposant des approches distinctes pour résoudre des tâches visuelles complexes.

Comprendre les différences structurelles et méthodologiques entre ces deux modèles est essentiel pour les ingénieurs en machine learning qui cherchent à optimiser leurs pipelines de déploiement. YOLOv7 a introduit une approche « bag-of-freebies » adaptée à un débit brut élevé, tandis qu’Ultralytics YOLOv8 s’est concentré sur la création d’un écosystème complet et facile à utiliser, conciliant grande précision, faible consommation mémoire et polyvalence multitâche.

Ultralytics YOLOv8 : la référence d’un écosystème polyvalent#

Lancé par Ultralytics début 2023, YOLOv8 marque un changement architectural majeur par rapport à ses prédécesseurs. Conçu dès le départ pour être bien plus qu’un détecteur d’objets en temps réel, il s’agit d’un framework unifié capable de prendre en charge immédiatement un large éventail de tâches de vision.

Innovations architecturales#

YOLOv8 a introduit une tête de détection sans ancres. Cela simplifie l’entraînement en supprimant la nécessité de configurer manuellement les boîtes d’ancrage en fonction de la distribution propre à ton jeu de données personnalisé, ce qui rend le modèle plus robuste et facilite sa généralisation à différents environnements.

L’architecture comprend également le module C2f (bloc résiduel Cross-Stage Partial à deux convolutions), une amélioration structurelle qui facilite la circulation des gradients et permet au réseau neuronal d’apprendre des représentations de caractéristiques plus riches sans augmenter sensiblement le coût de calcul. Le modèle est ainsi efficace pour l’inférence avec des frameworks d’apprentissage profond standard comme PyTorch.

Efficacité mémoire

Les modèles YOLO d’Ultralytics sont conçus pour un entraînement efficace. Ils nécessitent généralement beaucoup moins de mémoire CUDA à l’entraînement que les architectures à base de Transformer ou les CNN plus lourds. Tu peux ainsi entraîner le modèle avec des tailles de lot plus importantes sur du matériel grand public, ce qui accélère ton cycle de développement.

YOLOv7 : l’approche du « sac de gratuités »#

Introduit mi-2022, YOLOv7 est rapidement devenu une référence populaire dans les milieux universitaires. Il met fortement l’accent sur le réparamétrage de l’architecture et l’optimisation du chemin du gradient afin de repousser les limites de la détection d’objets en temps réel sur les GPU haut de gamme.

  • Auteurs : Chien-Yao Wang, Alexey Bochkovskiy et Hong-Yuan Mark Liao
  • Organisation : Institute of Information Science, Academia Sinica, Taïwan
  • Date : 2022-07-06
  • arXiv : 2207.02696
  • GitHub : WongKinYiu/yolov7

Innovations architecturales#

YOLOv7 utilise un réseau étendu d’agrégation efficace de couches (E-ELAN), qui permet au modèle d’apprendre en continu des caractéristiques plus diversifiées. Il s’appuie sur une conception avec ancres et introduit un « bag-of-freebies » entraînable : un ensemble de méthodes d’optimisation qui améliorent la précision sans augmenter le coût d’inférence.

YOLOv7 obtient d’excellents résultats sur des références universitaires standard comme le jeu de données MS COCO, mais son architecture est fortement optimisée pour les accélérateurs de classe serveur. L’exportation et le déploiement de ces modèles sur des appareils périphériques peuvent parfois nécessiter davantage de configuration manuelle qu’avec des frameworks plus modernes et simplifiés.

En savoir plus sur YOLOv7

Comparaison détaillée des performances#

Lors de l’évaluation de ces modèles, le compromis entre vitesse, précision et taille du modèle est le principal facteur à prendre en compte. Le tableau ci-dessous présente les métriques des deux modèles.

Modèletaille
(pixels)
mAPval50-95Vitesse
CPU ONNX
(ms)
Vitesse
T4 TensorRT10
(ms)
paramètres
(M)
FLOPs
(B)
YOLOv8n64037.380.41.473.28.7
YOLOv8s64044.9128.42.6611.228.6
YOLOv8m64050.2234.75.8625.978.9
YOLOv8l64052.9375.29.0643.7165.1
YOLOv8x64053.9479.114.3768.2257.8
YOLOv7l64051.4-6.8436.9104.7
YOLOv7x64053.1-11.5771.3189.9

Comme le montrent les données, YOLOv8x atteint la précision la plus élevée (53,9 mAP), tandis que la variante nano (YOLOv8n) offre une inférence rapide et une empreinte légère. Cette gamme de tailles rend YOLOv8 plus adaptable aux environnements matériels contraints.

L’avantage d’Ultralytics : simplicité d’utilisation et écosystème#

YOLOv7 offre de solides métriques de détection brutes, mais Ultralytics YOLOv8 propose une meilleure expérience développeur, une intégration plus poussée à l’écosystème et une prise en charge multitâche.

Polyvalence#

YOLOv7 est principalement un modèle de détection, avec des branches expérimentales pour d’autres tâches. À l’inverse, YOLOv8 prend nativement en charge la détection d’objets, la segmentation d’instances, la classification d’images, l’estimation de pose et les boîtes englobantes orientées (OBB). Cette approche unifiée permet à une équipe de maîtriser une seule API et de la déployer pour répondre à des exigences de projets très différentes.

Déploiement simplifié et intégrations#

L’exportation d’un modèle pour la production peut souvent constituer un goulot d’étranglement. Le paquet Ultralytics permet aux développeurs d’exporter dans des formats comme ONNX, TensorRT et CoreML en une seule ligne de code Python. Cela évite les problèmes de prise en charge des opérateurs parfois rencontrés lors de l’exportation de graphes complexes fondés sur des ancres.

YOLOv8 s’intègre également aux outils MLOps. Que tu suives tes expériences avec Weights & Biases ou que tu testes tes déploiements sur Hugging Face Spaces, l’écosystème Ultralytics prend en charge les tâches les plus complexes.

Exemple de code : entraîner et exporter YOLOv8#

Le code suivant montre la simplicité de l’API Python d’Ultralytics. En moins de dix lignes de code, tu peux passer de l’initialisation d’un modèle à son entraînement et à son exportation pour un déploiement en périphérie.

from ultralytics import YOLO

# Charger un modèle nano YOLOv8 préentraîné pour une inférence rapide
model = YOLO("yolov8n.pt")

# Entraîner le modèle sur le jeu de données COCO8
# L’API gère automatiquement le chargement des données, l’augmentation et la journalisation
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Exécuter l’inférence sur une image de test
predictions = model("https://ultralytics.com/images/bus.jpg")

# Exporte le modèle entraîné au format ONNX pour le déploiement
model.export(format="onnx")
Flexibilité du déploiement

Utiliser la fonction model.export() crée un lien direct avec des moteurs d’inférence hautes performances et te permet d’intégrer YOLOv8 à des applications mobiles, des systèmes embarqués ou des serveurs cloud à haut débit.

Cas d'utilisation concrets#

Les différences architecturales entre les deux modèles déterminent les scénarios de déploiement qui leur conviennent le mieux.

Quand choisir YOLOv8 :

  • IA edge et appareils IoT : les modèles Nano et Small rapides conviennent parfaitement au matériel doté de capacités de calcul limitées, comme les caméras intelligentes ou les drones.
  • Projets multitâches : si ton pipeline doit suivre les articulations humaines (estimation de pose) tout en cartographiant simultanément les obstacles (segmentation), YOLOv8 prend ces tâches en charge nativement.
  • Du prototypage rapide à la production : la documentation Ultralytics complète et l’API Python facile à utiliser permettent aux équipes de commercialiser leurs produits plus rapidement.

Quand envisager YOLOv7 :

  • Évaluation comparative universitaire : les chercheurs qui étudient les effets des techniques de réparamétrage utilisent souvent YOLOv7 comme référence standard, comme en témoigne sa popularité sur Hugging Face Papers.
  • Pipelines serveur existants : si un pipeline existant nécessitant beaucoup de calcul est déjà strictement optimisé autour des sorties d’ancres spécifiques de YOLOv7, le conserver peut être pratique à court terme.

Perspectives : la prochaine génération#

YOLOv8 reste polyvalent, mais le paysage de l’IA évolue rapidement. Pour les équipes qui lancent de nouveaux projets, Ultralytics recommande d’explorer les derniers modèles de sa gamme.

La dernière génération, YOLO26, est actuellement le modèle Ultralytics recommandé. Il propose une option de conception de bout en bout sans NMS (nms=False) qui omet le post-traitement par suppression non maximale (NMS) pour simplifier et accélérer le déploiement. Grâce à la suppression de Distribution Focal Loss (DFL) et à l’introduction de l’optimiseur MuSGD inspiré des LLM, YOLO26 offre un entraînement plus stable et une inférence CPU jusqu’à 43 % plus rapide (YOLO26n par rapport à YOLO11n). ProgLoss + STAL (Progressive Loss et Small-Target-Aware Label Assignment) améliorent la détection des petits objets, ce qui en fait un excellent choix pour l’informatique edge et l’imagerie aérienne modernes.

Pour les utilisateurs qui passent d’anciens systèmes, YOLO11 et le classique YOLOv5 restent aussi entièrement pris en charge dans l’écosystème Ultralytics unifié. Tu peux donc choisir le modèle adapté aux contraintes de ton matériel.

Commentaires

Pose une question, partage tes résultats ou aide quelqu’un d’autre.