YOLOv9 vs YOLO11
L’évolution rapide de la vision par ordinateur a continuellement repoussé les limites de la détection d’objets en temps réel. Parmi les architectures de premier plan, YOLOv9 et Ultralytics YOLO11 se distinguent comme des avancées majeures, chacune répondant à des besoins techniques distincts. YOLOv9 a introduit de nouvelles méthodes pour préserver le flux des gradients pendant l’entraînement de réseaux profonds, tandis que YOLO11 a perfectionné le framework polyvalent d’Ultralytics pour en améliorer l’efficacité, la polyvalence et la facilité d’utilisation.
Cette comparaison technique analyse leurs architectures, leurs mesures de performance, leurs besoins en mémoire et leurs scénarios de déploiement idéaux pour t’aider à choisir le modèle adapté à ton prochain projet d’IA.
YOLOv9 et YOLO11 sont des modèles performants, mais YOLO26 est actuellement le modèle Ultralytics recommandé. Il propose une conception de bout en bout sans NMS pour simplifier le déploiement, une inférence CPU jusqu’à 43 % plus rapide (YOLO26n par rapport à YOLO11n) et l’optimiseur MuSGD pour accélérer la convergence. C’est donc le meilleur point de départ pour les nouveaux projets de production.
Spécifications techniques et auteurs#
Comprendre la lignée de ces modèles apporte un contexte essentiel à leurs choix architecturaux et à leurs dépendances envers les frameworks.
YOLOv9#
YOLOv9 accordait une grande place à l’étude universitaire des goulots d’étranglement informationnels en apprentissage profond, en privilégiant la fidélité des caractéristiques grâce à des blocs de réseau personnalisés.
- Auteurs : Chien-Yao Wang et Hong-Yuan Mark Liao
- Organisation : Institute of Information Science, Academia Sinica
- Date : 21 février 2024
- arXiv : https://arxiv.org/abs/2402.13616
- GitHub : https://github.com/WongKinYiu/yolov9
Ultralytics YOLO11#
YOLO11 a été conçu de A à Z pour les environnements de production, en recherchant un équilibre entre grande précision, vitesse de déploiement en conditions réelles et polyvalence multi-tâche.
- Auteurs : Glenn Jocher et Jing Qiu
- Organisation : Ultralytics
- Date : 27 septembre 2024
- GitHub : https://github.com/ultralytics/ultralytics
Innovations architecturales#
Informations de gradient programmables dans YOLOv9#
YOLOv9 introduit le concept de Programmable Gradient Information (PGI) ainsi que le réseau généralisé efficace d’agrégation de couches (GELAN). À mesure que les réseaux neuronaux gagnent en profondeur, ils subissent souvent des goulots d’étranglement informationnels, où des détails essentiels sont perdus pendant la propagation avant. PGI résout ce problème en fournissant des mises à jour fiables des gradients qui préservent les informations spatiales fines, tandis que GELAN maximise l’efficacité des paramètres. YOLOv9 est donc particulièrement adapté aux tâches exigeant une grande fidélité des caractéristiques, même s’il repose sur la suppression non maximale (NMS) standard pendant le post-traitement, ce qui peut introduire de la latence sur les appareils edge.
L’efficacité simplifiée de YOLO11#
YOLO11 s’appuie sur des années de recherche sur YOLO pour proposer une architecture efficace. Il améliore les versions précédentes en réduisant les coûts de calcul tout en améliorant l’extraction des caractéristiques. YOLO11 utilise toujours le post-traitement NMS standard, mais ses têtes de détection perfectionnées offrent un bon équilibre entre latence et précision. YOLO11 utilise également moins de mémoire pendant l’entraînement des modèles et l’inférence que les modèles Transformer lourds, qui sont souvent plus lents à entraîner et nécessitent de grandes quantités de mémoire CUDA.
Comparaison des indicateurs de performance#
Lorsqu’on compare ces modèles sur le jeu de données COCO standard, les deux sont performants, mais des compromis apparaissent entre le nombre brut de paramètres et la vitesse opérationnelle.
Le tableau ci-dessous compare les principales mesures de performance YOLO.
| Modèle | taille (pixels) | mAPval50-95 | Vitesse CPU ONNX (ms) | Vitesse T4 TensorRT10 (ms) | paramètres (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv9t | 640 | 38.3 | - | 2.3 | 2.0 | 7.7 |
| YOLOv9s | 640 | 46.8 | - | 3.54 | 7.2 | 26.7 |
| YOLOv9m | 640 | 51.4 | - | 6.43 | 20.1 | 76.8 |
| YOLOv9c | 640 | 53.0 | - | 7.16 | 25.5 | 102.8 |
| YOLOv9e | 640 | 55.6 | - | 16.77 | 58.1 | 192.5 |
| YOLO11n | 640 | 39.5 | 56.1 | 1.5 | 2.6 | 6.5 |
| YOLO11s | 640 | 47.0 | 90.0 | 2.5 | 9.4 | 21.6 |
| YOLO11m | 640 | 51.5 | 183.2 | 4.7 | 20.1 | 68.1 |
| YOLO11l | 640 | 53.4 | 238.6 | 6.2 | 25.3 | 87.2 |
| YOLO11x | 640 | 54.7 | 462.8 | 11.3 | 56.9 | 195.3 |
Analyse des résultats#
- Vitesse et efficacité matérielle : YOLO11 est plus rapide que YOLOv9 à toutes les tailles présentées dans ce tableau. Par exemple, YOLO11n s’exécute en 1.5 ms sur un GPU NVIDIA T4 avec TensorRT, ce qui le rend bien adapté aux pipelines soumis à des exigences strictes de temps réel.
- Besoins en calcul : les modèles YOLO11 nécessitent généralement moins de FLOPs (par exemple, 68,1B pour YOLO11m contre 76,8B pour YOLOv9m), ce qui réduit la consommation électrique sur les appareils en périphérie alimentés par batterie, comme un Raspberry Pi, ou sur les appareils mobiles.
- Précision comparable : YOLOv9e dépasse légèrement YOLO11x en mAP absolu (55.6 contre 54.7), mais YOLO11 atteint sa précision maximale avec une latence nettement plus faible (11.3ms contre 16.77ms), offrant un meilleur équilibre entre performances pour les déploiements en conditions réelles.
Écosystème et facilité d'utilisation#
Les mesures brutes sont importantes, mais l’écosystème du framework détermine souvent la réussite d’un projet, et c’est là qu’Ultralytics se démarque.
Le dépôt YOLOv9 d’origine est très spécialisé et propose une implémentation destinée à la recherche. Cependant, l’Ultralytics Platform et son package open source associé offrent une expérience utilisateur rationalisée, une API simple et une documentation complète qui réduisent le délai de mise sur le marché.
Polyvalence multitâche#
YOLOv9 se concentre principalement sur la détection de boîtes englobantes. À l’inverse, YOLO11 est un modèle multi-tâche unifié qui prend nativement en charge :
- Segmentation d'instances
- Classification d'images
- Estimation de pose
- Boîtes englobantes orientées (OBB)
Déploiement#
L’écosystème Ultralytics permet aux développeurs d’exporter des modèles vers de nombreux formats avec une seule ligne de code Python. Que tu cibles ONNX, OpenVINO, LiteRT ou CoreML, le passage de l’entraînement à la production est simple.
from ultralytics import YOLO
# Charger un modèle YOLO11 très efficace
model = YOLO("yolo11n.pt")
# Entraîner rapidement sur un jeu de données personnalisé avec une empreinte mémoire minimale
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# Exporter le modèle entraîné vers OpenVINO pour accélérer le calcul sur CPU Intel
model.export(format="openvino")Cas d’utilisation idéaux#
Quand utiliser YOLOv9#
YOLOv9 est utile dans les environnements axés sur la recherche ou les scénarios qui privilégient une grande fidélité des caractéristiques, lorsque la latence matérielle n’est pas la principale contrainte. Son architecture GELAN peut être utile pour l’analyse d’images médicales, où la détection des plus petites variations de pixels est cruciale.
Pourquoi choisir YOLO11#
Pour les développeurs, les ingénieurs et les équipes de production qui doivent choisir entre ces deux modèles, YOLO11 est l’option recommandée. Il excelle dans les environnements exigeant un déploiement rapide et évolutif :
- Analyse du commerce intelligent : suivi des produits et des clients à l’aide de processeurs Intel standard.
- Drones autonomes : des architectures à faible nombre de FLOPs préservent l’autonomie de la batterie tout en assurant une détection fiable des petits objets.
- Projets évolutifs : des flux de travail qui peuvent commencer par la détection et nécessiter plus tard l’estimation de pose ou la segmentation.
Et maintenant : la prochaine évolution#
YOLO11 était à la pointe de la technologie pour sa génération, mais le paysage de la vision par ordinateur continue d’évoluer. Pour les nouveaux projets, pense à YOLO26, le modèle Ultralytics actuellement recommandé.
En s’appuyant sur la conception de bout en bout sans NMS explorée pour la première fois dans YOLOv10, YOLO26 introduit l’optimiseur MuSGD (un hybride de SGD et Muon) pour un entraînement plus stable. La suppression de Distribution Focal Loss (DFL) simplifie l’exportation, tandis que ProgLoss et STAL (Progressive Loss et Small-Target-Aware Label Assignment) améliorent la détection des petits objets. YOLO26n offre ainsi une inférence CPU jusqu’à 43 % plus rapide que YOLO11n. Grâce à l’API unifiée d’Ultralytics, les équipes qui passent de modèles plus anciens comme Ultralytics YOLOv8 à YOLO26 ou YOLO11 peuvent le faire en modifiant très peu leur code.
Commentaires
Pose une question, partage tes résultats ou aide quelqu’un d’autre.