Commencer

YOLOv8 contre YOLOv9

L’évolution de la détection d’objets en temps réel se caractérise par une recherche constante d’une meilleure précision, d’une latence plus faible et d’une meilleure utilisation du matériel. Deux jalons majeurs de cette évolution sont Ultralytics YOLOv8 et YOLOv9. Bien que les deux modèles représentent l’état de l’art en vision par ordinateur, ils répondent à des besoins de déploiement, des philosophies architecturales et des écosystèmes de développement différents.

Ce guide détaille les différences techniques, les innovations architecturales et les considérations pratiques de déploiement pour t’aider à choisir le bon modèle pour ton prochain projet d’intelligence artificielle.

Lignée des modèles et philosophies fondamentales#

Avant d’examiner les métriques, il est utile de comprendre les origines et les principaux objectifs de conception de chaque modèle.

Ultralytics YOLOv8 : la référence d’un écosystème polyvalent#

Publié par l’équipe d’Ultralytics, YOLOv8 a été conçu non pas comme un simple détecteur d’objets autonome, mais comme un framework unifié et multitâche. Il privilégie une expérience développeur fluide, une faible empreinte mémoire et une large compatibilité matérielle.

YOLOv9 : informations de gradient programmables#

Développé indépendamment par des chercheurs de l’Academia Sinica, YOLOv9 met fortement l’accent sur la théorie architecturale, en s’attaquant notamment au phénomène de goulot d’étranglement de l’information dans les réseaux neuronaux profonds.

  • Auteurs : Chien-Yao Wang et Hong-Yuan Mark Liao
  • Organisation : Institute of Information Science, Academia Sinica, Taïwan
  • Date : 2024-02-21
  • arXiv : 2402.13616
  • GitHub : WongKinYiu/yolov9

En savoir plus sur YOLOv9

Déploiement en entreprise

Si tu prévois un déploiement commercial à grande échelle, explore Ultralytics Platform pour simplifier l’entraînement dans le cloud, la gestion des jeux de données et l’utilisation de points de terminaison API dédiés.

Analyse approfondie de l’architecture#

Les choix architecturaux en apprentissage profond déterminent l’efficacité d’apprentissage d’un modèle et sa vitesse d’exécution sur du matériel cible comme un NVIDIA Jetson ou un CPU Intel.

Architecture de YOLOv8 : C2f et têtes découplées#

YOLOv8 a introduit le module C2f (goulot d’étranglement partiel inter-étages avec deux convolutions), qui a remplacé l’ancien module C3. Cette modification améliore la propagation du gradient et permet au réseau d’apprendre des représentations de caractéristiques plus riches sans trop solliciter la mémoire GPU.

YOLOv8 adopte également une conception sans ancres avec une tête découplée. En traitant la classification et la régression par des voies distinctes, le modèle converge plus rapidement pendant l’entraînement et se généralise mieux à des jeux de données personnalisés variés.

Architecture de YOLOv9 : PGI et GELAN#

YOLOv9 introduit Programmable Gradient Information (PGI) et Generalized Efficient Layer Aggregation Network (GELAN). PGI veille à ce que les données essentielles ne soient pas perdues lors de leur propagation dans les couches du réseau, fournissant ainsi des gradients fiables pour la mise à jour des poids. GELAN optimise l’efficacité des paramètres, permettant au modèle d’atteindre une grande précision tout en maintenant un nombre de FLOPs raisonnable.

Cependant, les branches auxiliaires réversibles de YOLOv9, utilisées uniquement pendant l’entraînement, peuvent rendre le code d’entraînement plus complexe à personnaliser que les pipelines standard.

Mesures de performance et benchmarks#

Le tableau ci-dessous compare directement les modèles de différentes tailles. Les performances sont mesurées sur le jeu de données MS COCO, une référence standard pour la détection d’objets.

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
YOLOv9t64038.3-2.32.07.7
YOLOv9s64046.8-3.547.226.7
YOLOv9m64051.4-6.4320.176.8
YOLOv9c64053.0-7.1625.5102.8
YOLOv9e64055.6-16.7758.1192.5

Remarque : les meilleures valeurs de chaque colonne sont indiquées en gras.

Analyse des compromis#

YOLOv9 atteint une précision (mAP) supérieure à chaque taille comparable et utilise moins de paramètres à chaque échelle. Cependant, Ultralytics YOLOv8 offre une vitesse d’inférence supérieure sur GPU : par exemple, 1,47 ms pour YOLOv8n contre 2,3 ms pour YOLOv9t après compilation avec TensorRT. Il s’exporte aussi facilement dans des formats comme ONNX. Pour les applications qui exigent une fréquence d’images élevée (FPS) sur du matériel edge contraint, comme un Raspberry Pi ou une puce mobile ancienne, les variantes n et s de YOLOv8 offrent un compromis pratique entre performances et ressources.

Efficacité de l’entraînement et intégration à l’écosystème#

Choisir un modèle ne consiste pas seulement à consulter des tableaux de précision ; l’expérience développeur compte tout autant.

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

L’entraînement de YOLOv9 nécessite souvent de cloner des dépôts GitHub complexes, de gérer soigneusement les environnements PyTorch et de configurer manuellement les poids des fonctions de perte auxiliaires.

À l’inverse, Ultralytics YOLOv8 s’appuie sur une API Python simplifiée. Conçue pour être facile à utiliser, elle gère nativement l’augmentation des données, la journalisation (avec des outils comme Weights & Biases et Comet ML) et l’entraînement multi-GPU.

from ultralytics import YOLO

# Charger un petit modèle YOLOv8 préentraîné
model = YOLO("yolov8s.pt")

# Entraîner efficacement le modèle sur des données personnalisées
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Exporter pour un déploiement en périphérie
model.export(format="engine", quantize=16)  # Exportation TensorRT

Cette API unique réduit le délai entre le prototype et la mise en production. De plus, YOLOv8 nécessite généralement moins de mémoire CUDA pendant l’entraînement, ce qui permet aux développeurs d’utiliser des tailles de lot plus importantes sur du matériel grand public.

Polyvalence des tâches#

YOLOv9 est un excellent détecteur de boîtes englobantes, mais les applications concrètes d’IA visuelle exigent souvent davantage. YOLOv8 prend nativement en charge la segmentation d’instances, la classification d’images, l’estimation de pose et les boîtes englobantes orientées (OBB). Utiliser un seul framework pour plusieurs tâches réduit la complexité logicielle et les coûts de maintenance.

Perspectives

Si tu démarres un nouveau projet, tu peux aussi évaluer Ultralytics YOLO11 ou YOLO26, le modèle actuellement recommandé, qui propose une inférence de bout en bout facultative sans NMS.

Cas d'utilisation concrets#

Comment ces modèles se comportent-ils en production ?

Drones autonomes et robotique#

Pour la robotique nécessitant une évitement rapide des obstacles, YOLOv8 est le choix privilégié. La faible latence de YOLOv8n aide les systèmes autonomes à réagir à leur environnement en temps réel et à éviter les collisions. L’exportation native vers OpenVINO et CoreML facilite le déploiement sur les puces basse consommation typiques des drones commerciaux.

Détection des défauts à haute résolution#

Dans les environnements industriels spécialisés où la détection d’anomalies microscopiques est essentielle et où le traitement hors ligne est acceptable, YOLOv9 peut être efficace. L’architecture PGI aide le réseau à conserver les détails visuels fins nécessaires à l’identification de fissures microscopiques ou de défauts de soudure sur des cartes de circuits imprimés.

Commerce de détail intelligent et analyse de sécurité#

Pour suivre les clients dans les rayons d’un magasin ou gérer les systèmes de paiement automatisés, YOLOv8 offre le meilleur équilibre. Sa capacité à exécuter simultanément la détection et le suivi multi-objets avec des algorithmes standard comme BoT-SORT en fait une solution robuste pour les déploiements de vente au détail utilisant plusieurs caméras.

Cas d’utilisation et recommandations#

Le choix entre YOLOv8 et YOLOv9 dépend des exigences spécifiques de ton projet, des contraintes de déploiement et de tes préférences en matière d’écosystème.

Quand choisir YOLOv8#

YOLOv8 est un bon choix pour :

  • Déploiement polyvalent multitâche : projets nécessitant un modèle éprouvé pour la détection, la segmentation, la classification et l’estimation de pose dans l’écosystème Ultralytics.
  • Systèmes de production établis : les environnements de production existants déjà basés sur l’architecture YOLOv8 et dotés de pipelines de déploiement stables et bien testés.
  • Large soutien de la communauté et de l’écosystème : les applications qui tirent parti des nombreux tutoriels, intégrations tierces et ressources communautaires actives de YOLOv8.

Quand choisir YOLOv9#

YOLOv9 est recommandé pour :

  • Recherche sur les goulots d’étranglement de l’information : les projets universitaires qui étudient les architectures à informations de gradient programmables (PGI) et à réseau généralisé d’agrégation efficace des couches (GELAN).
  • Études sur l’optimisation du flux de gradients : les recherches axées sur la compréhension et l’atténuation des pertes d’information dans les couches profondes des réseaux pendant l’entraînement.
  • Évaluation comparative de la détection de haute précision : les scénarios où les solides performances de YOLOv9 sur COCO servent de référence pour comparer les architectures.

Quand choisir Ultralytics (YOLO26)#

Pour la plupart des nouveaux projets, Ultralytics YOLO26 offre la meilleure combinaison de performances et d’expérience développeur :

  • Déploiement edge sans NMS : applications nécessitant une inférence cohérente à faible latence, sans la complexité du post-traitement par suppression non maximale (NMS).
  • Environnements utilisant uniquement le CPU : les appareils dépourvus d’accélération GPU dédiée bénéficient d’un avantage décisif grâce à l’inférence CPU de YOLO26n, jusqu’à 43 % plus rapide que celle de YOLO11n.
  • Détection de petits objets : scénarios difficiles comme les images aériennes capturées par drone ou l’analyse de capteurs IoT, où ProgLoss et STAL améliorent la précision sur les objets minuscules.

La prochaine évolution : YOLO26#

YOLOv8 et YOLOv9 sont des modèles performants, mais le paysage de l’IA évolue rapidement. Pour les nouveaux projets, YOLO26, sorti en janvier 2026, s’appuie sur les atouts des générations précédentes.

YOLO26 propose une conception facultative de bout en bout sans NMS (nms=False), qui élimine le post-traitement NMS, simplifiant ainsi le déploiement et rendant la latence plus prévisible. Grâce à l’optimiseur MuSGD, à ProgLoss + STAL (Progressive Loss et Small-Target-Aware Label Assignment) et à la suppression de la DFL (Distribution Focal Loss, supprimée pour simplifier l’exportation et améliorer la compatibilité avec les appareils edge et basse consommation), YOLO26n offre une inférence CPU jusqu’à 43 % plus rapide que YOLO11n, tout en améliorant la détection des petits objets. YOLO26 est le point de départ recommandé pour les projets d’informatique edge.

En résumé, bien que YOLOv9 apporte des avancées architecturales intéressantes et une excellente précision maximale, Ultralytics YOLOv8 reste un choix pratique, polyvalent et bien pris en charge pour la plupart des ingénieurs en vision par ordinateur qui veulent livrer rapidement des logiciels fiables.

Commentaires

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