YOLOv9 vs RTDETRv2#

Le domaine de la détection d’objets en temps réel a connu un changement de paradigme ces dernières années. Deux philosophies architecturales distinctes se sont imposées : les réseaux neuronaux convolutifs (CNN) hautement optimisés et les Transformers de détection en temps réel (DETR). YOLOv9 et RTDETRv2 représentent le sommet de ces deux approches.

Ce guide complet compare ces deux modèles puissants en analysant leurs innovations architecturales, leurs indicateurs de performance et leurs scénarios de déploiement idéaux, pour t’aider à choisir le modèle adapté à ton pipeline de vision par ordinateur.

Résumé#

Les deux modèles atteignent des résultats de pointe, mais répondent à des contraintes de déploiement et s’inscrivent dans des écosystèmes de développement légèrement différents.

• Choisis YOLOv9 si : tu as besoin d’une utilisation très efficace des paramètres et d’une inférence rapide sur des appareils en périphérie. YOLOv9 repousse les limites théoriques de l’efficacité des CNN, ce qui le rend idéal dans les environnements où les ressources de calcul sont très limitées.
• Choisis RTDETRv2 si : tu as besoin de la compréhension nuancée du contexte qu’offrent les Transformers, notamment dans les scènes avec une forte occlusion ou des relations complexes entre objets, et que tu disposes du matériel nécessaire pour prendre en charge une architecture un peu plus lourde.
• Choisis YOLO26 (recommandé) si : tu veux le meilleur des deux mondes. Dernière génération proposée sur la plateforme Ultralytics, YOLO26 intègre une conception facultative de bout en bout sans NMS (nms=False, semblable aux modèles DETR, mais beaucoup plus rapide), qui élimine les goulots d’étranglement du post-traitement et accélère l’inférence sur CPU jusqu’à 43 % par rapport aux générations précédentes.

Spécifications techniques et auteurs#

Comprendre les origines et l’objectif de conception de ces modèles permet de mieux cerner leurs choix architecturaux.

YOLOv9#

• Auteurs : Chien-Yao Wang et Hong-Yuan Mark Liao
• Organisation : Institute of Information Science, Academia Sinica
• Date : 2024-02-21
• Arxiv : https://arxiv.org/abs/2402.13616
• GitHub : WongKinYiu/yolov9

En savoir plus sur YOLOv9

RTDETRv2#

• Auteurs : Wenyu Lv, Yian Zhao, Qinyao Chang, Kui Huang, Guanzhong Wang et Yi Liu
• Organisation : Baidu
• Date : 2024-07-24
• Arxiv : https://arxiv.org/abs/2407.17140
• GitHub : lyuwenyu/RT-DETR

En savoir plus sur RTDETRv2

Innovations architecturales#

YOLOv9 : résoudre le goulot d’étranglement de l’information#

YOLOv9 introduit deux innovations majeures conçues pour remédier à la perte d’informations lorsque les données traversent des réseaux neuronaux profonds :

1. Informations de gradient programmables (PGI) : ce cadre de supervision auxiliaire garantit la génération de gradients fiables pour mettre à jour les poids du réseau, tout en préservant les informations essentielles sur les caractéristiques, même dans les couches très profondes du réseau.
2. Réseau généralisé d’agrégation efficace des couches (GELAN) : une nouvelle architecture qui combine les points forts de CSPNet et d’ELAN. GELAN optimise l’efficacité des paramètres, permettant à YOLOv9 d’atteindre une précision supérieure avec moins de FLOPs que les CNN traditionnels.

RTDETRv2 : améliorer les Transformers en temps réel#

S’appuyant sur le succès du RT-DETR d’origine, RTDETRv2 utilise une architecture basée sur un Transformer qui évite intrinsèquement le recours à la suppression non maximale (NMS). Ses améliorations comprennent :

1. Stratégie Bag-of-Freebies : l’itération v2 intègre des techniques d’entraînement avancées et des augmentations de données qui améliorent considérablement la précision sans augmenter la latence d’inférence.
2. Encodeur hybride efficace : en traitant des caractéristiques multi-échelles au moyen d’un mécanisme d’attention intra-échelle et inter-échelle découplé, RTDETRv2 maîtrise efficacement le coût de calcul traditionnellement élevé des Vision Transformers.

Comparaison des performances#

Lors de l’évaluation de modèles pour la production, le compromis entre précision et besoins en calcul est essentiel. Le tableau ci-dessous présente les performances de différentes tailles de modèles sur des benchmarks standard.

Analyse#

Comme le montrent les données, YOLOv9 conserve un net avantage en matière d’efficacité des paramètres. Le modèle YOLOv9c atteint un impressionnant score de 53.0 mAP avec seulement 25.5M de paramètres, ce qui le rend extrêmement léger.

À l’inverse, RTDETRv2 est très compétitif dans les catégories de modèles moyens à grands. Cela se fait toutefois au prix d’un nombre de paramètres plus élevé et de FLOPs nettement plus nombreux, caractéristiques des modèles Transformer. Cette différence d’architecture se traduit aussi par une consommation mémoire différente : les modèles YOLO nécessitent généralement beaucoup moins de mémoire CUDA pendant l’entraînement et l’inférence que leurs équivalents basés sur des Transformers.

Les atouts d’Ultralytics : écosystème et polyvalence#

Même si les indicateurs purement architecturaux sont importants, l’écosystème logiciel détermine souvent la réussite d’un projet d’IA. L’accès à ces modèles avancés via l’API Python d’Ultralytics offre des avantages inégalés.

Simplifier l’entraînement et le déploiement#

L’entraînement d’un Transformer de détection nécessite généralement des fichiers de configuration complexes et des GPU haut de gamme. Avec le framework Ultralytics, les développeurs peuvent entraîner YOLOv9 et RT-DETR avec une syntaxe simple et identique, et profiter de pipelines d’entraînement très efficaces ainsi que de poids préentraînés facilement accessibles.

from ultralytics import RTDETR, YOLO

# Entraîner un modèle YOLOv9
model_yolo = YOLO("yolov9c.pt")
model_yolo.train(data="coco8.yaml", epochs=100, imgsz=640)

# Entraîner un modèle RTDETR avec exactement la même API
model_rtdetr = RTDETR("rtdetr-l.pt")
model_rtdetr.train(data="coco8.yaml", epochs=100, imgsz=640)

# Exporter des modèles vers OpenVINO ou TensorRT en toute simplicité
model_yolo.export(format="openvino")

Une polyvalence inégalée pour les tâches#

Une limite majeure des modèles spécialisés comme RTDETRv2 tient à leur champ d’application restreint, centré sur la détection par boîtes englobantes. À l’inverse, l’écosystème plus vaste d’Ultralytics, qui comprend des modèles tels que YOLO11 et YOLOv8, prend en charge un large éventail de tâches de vision par ordinateur. Cet éventail comprend notamment la segmentation d’instances au pixel près, l’estimation de la pose du squelette, la classification d’images entières et la détection de boîtes englobantes orientées (OBB) pour l’imagerie aérienne.

Applications concrètes#

Analyse en périphérie à grande vitesse#

Pour les commerces ou les chaînes de production qui ont besoin d’identifier des produits en temps réel sur des appareils en périphérie, YOLOv9 est le meilleur choix. Son architecture GELAN garantit un débit élevé sur du matériel aux ressources limitées, comme la série NVIDIA Jetson, et permet un contrôle qualité automatisé sans latence importante.

Analyse de scènes complexes#

Dans des contextes comme la surveillance de foules denses ou les carrefours complexes, où les objets se masquent fréquemment les uns les autres, les mécanismes d’attention globale de RTDETRv2 excellent. La capacité du modèle à analyser nativement le contexte de l’image entière lui permet de maintenir un suivi et une détection fiables même lorsque des objets sont partiellement cachés.

Cas d’utilisation et recommandations#

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

Quand choisir YOLOv9#

YOLOv9 est un excellent choix 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 RT-DETR#

RT-DETR est recommandé pour :

• Recherche sur la détection basée sur les Transformer : projets étudiant les mécanismes d’attention et les architectures Transformer pour la détection d’objets de bout en bout sans NMS.
• Scénarios exigeant une grande précision et une latence flexible : applications où la précision de détection est prioritaire et où une latence d’inférence légèrement supérieure est acceptable.
• Détection de grands objets : scènes composées principalement d’objets de taille moyenne à grande, pour lesquelles le mécanisme d’attention globale des Transformer offre un avantage naturel.

Quand choisir Ultralytics (YOLO26)#

Pour la plupart des nouveaux projets, Ultralytics YOLO26 offre le meilleur équilibre entre performances et expérience développeur :

• Déploiement en périphérie sans NMS : les applications qui exigent des inférences à faible latence et constantes, sans la complexité du post-traitement par suppression non maximale.
• Environnements exclusivement CPU : les appareils dépourvus d’accélération GPU dédiée, où l’inférence CPU jusqu’à 43 % plus rapide de YOLO26 constitue un avantage décisif.
• Détection de petits objets : les situations difficiles, comme l’imagerie aérienne par drone ou l’analyse de capteurs IoT, où ProgLoss et STAL améliorent considérablement la précision pour les objets minuscules.

L’avenir : place à YOLO26#

Bien que YOLOv9 et RTDETRv2 représentent des avancées majeures, le domaine de la vision par ordinateur évolue rapidement. Pour les développeurs qui démarrent de nouveaux projets, YOLO26 est la solution de pointe recommandée.

Sorti en 2026, YOLO26 réunit les meilleures caractéristiques des CNN et des DETR. Il propose une conception native de bout en bout sans NMS optionnelle (nms=False), qui élimine le post-traitement NMS — une technique inaugurée avec YOLOv10. De plus, YOLO26 supprime la perte focale de distribution (DFL) pour améliorer la compatibilité avec les appareils en périphérie et introduit le révolutionnaire optimiseur MuSGD. Inspiré de l’entraînement des grands modèles de langage (notamment Kimi K2 de Moonshot AI), cet optimiseur hybride garantit une stabilité d’entraînement sans précédent et une convergence plus rapide.

Associé à ProgLoss et STAL (perte progressive et attribution des étiquettes tenant compte des petits objets), qui assurent une reconnaissance exceptionnelle des petits objets, YOLO26 offre une inférence CPU jusqu’à 43 % plus rapide, consolidant ainsi sa position de modèle ultime pour les déploiements d’IA modernes.