YOLOv9 vs RTDETRv2#

Le domaine de la détection d'objets en temps réel a considérablement évolué ces dernières années. Deux approches architecturales distinctes dominent désormais : les réseaux neuronaux convolutifs (CNN) efficaces et les Transformers de détection en temps réel (DETR). YOLOv9 et RTDETRv2 sont des exemples marquants de ces deux approches.

Ce guide compare les deux modèles et analyse leurs innovations architecturales, leurs indicateurs de performance et les scénarios de déploiement idéaux pour t'aider à choisir le modèle adapté à ton pipeline de vision par ordinateur.

Résumé#

Les deux modèles obtiennent de bons résultats, mais répondent à des contraintes de déploiement et à des écosystèmes de développement différents.

• Choisis YOLOv9 si : tu as besoin d'une utilisation efficace des paramètres et d'une inférence rapide sur des appareils périphériques. YOLOv9 privilégie l'efficacité des paramètres des CNN et convient donc aux environnements où les ressources de calcul sont très limitées.
• Choisis RTDETRv2 si : tu as besoin de la modélisation du contexte global offerte par les Transformers, en particulier dans les scènes comportant de fortes occultations 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 une inférence sans NMS avec l'efficacité des CNN. Dernière génération disponible sur Ultralytics Platform, YOLO26 propose une conception facultative de bout en bout sans NMS (nms=False, similaire aux modèles DETR), qui élimine les goulots d'étranglement du post-traitement. YOLO26n offre une inférence CPU jusqu'à 43 % plus rapide que YOLO11n.

Spécifications techniques et auteurs#

Comprendre l'origine et l'intention de conception de ces modèles permet de mieux saisir 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 résoudre la perte d'information lors de la propagation des données dans les réseaux neuronaux profonds :

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

RTDETRv2 : améliorer les Transformers en temps réel#

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

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

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 présente un avantage net en matière d’efficacité des paramètres. Le modèle YOLOv9c atteint 53,0 mAP avec seulement 25,5 M de paramètres.

À l’inverse, RTDETRv2 rivalise efficacement dans les catégories de modèles moyens à grands, et RTDETRv2-s est plus précis que YOLOv9s. Toutefois, cela se fait au prix d’un plus grand nombre de paramètres et de FLOPs, comme c’est souvent le cas avec les modèles Transformer. Cette différence architecturale influe également sur l’utilisation de la mémoire : les modèles YOLO nécessitent généralement beaucoup moins de mémoire CUDA pendant l’entraînement et l’inférence que leurs équivalents basés sur un Transformer.

Les atouts d’Ultralytics : écosystème et polyvalence#

Si les mesures purement architecturales sont importantes, l’écosystème logiciel détermine souvent la réussite d’un projet d’IA. L’accès à ces modèles via l’API Python Ultralytics offre des avantages pratiques.

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. En utilisant le framework Ultralytics, les développeurs peuvent entraîner les modèles YOLOv9 et RT-DETR avec une syntaxe simple et identique, tout en profitant de pipelines d’entraînement efficaces et 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)

# Exporte les modèles vers OpenVINO ou TensorRT
model_yolo.export(format="openvino")

Polyvalence des tâches#

L’une des principales limites des modèles spécialisés comme RTDETRv2 est leur champ d’application restreint à la détection par boîtes englobantes. À l’inverse, l’écosystème Ultralytics, plus vaste et qui comprend des modèles comme YOLO11 et YOLOv8, prend en charge un large éventail de tâches de vision par ordinateur. Il s’agit notamment de la segmentation d’instances au niveau du pixel, de la classification d’images entières, de l’estimation de pose squelettique et de la détection de boîtes englobantes orientées (OBB) dans les images aériennes.

Applications concrètes#

Analyse en périphérie à grande vitesse#

Pour les commerces de détail ou les lignes de production qui ont besoin de reconnaître des produits en temps réel sur des appareils edge, YOLOv9 est le meilleur choix. Son architecture GELAN offre un débit élevé sur du matériel aux ressources limitées, comme les appareils de 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 la meilleure combinaison de performances et d’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 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.

L’avenir : place à YOLO26#

YOLOv9 et RTDETRv2 sont des avancées majeures, mais le domaine de la vision par ordinateur évolue rapidement. Pour les nouveaux projets, le modèle recommandé est YOLO26.

Sorti en janvier 2026, YOLO26 allie l’efficacité des CNN à l’inférence de bout en bout de type DETR. Il propose une conception de bout en bout sans NMS facultative (nms=False) qui élimine le post-traitement par NMS, une approche introduite dans les modèles YOLO par YOLOv10. YOLO26 supprime également la perte focale de distribution (DFL) pour améliorer la compatibilité avec les appareils edge et introduit l’optimiseur MuSGD. Inspiré de l’entraînement des grands modèles de langage (plus précisément de Kimi K2 de Moonshot AI), cet hybride de SGD et de Muon améliore la stabilité de l’entraînement et la vitesse de convergence.

Associées à ProgLoss et à STAL (Perte progressive et attribution d’étiquettes adaptée aux petites cibles), qui améliorent la détection des petits objets, ces modifications font de YOLO26 un excellent choix pour les déploiements d’IA modernes. YOLO26n fonctionne jusqu’à 43 % plus vite sur CPU que YOLO11n.