YOLOv9 vs YOLOv5#

Le domaine de la vision par ordinateur a connu une croissance rapide, la détection d'objets étant au cœur de nombreuses applications industrielles et de recherche. Le choix de la bonne architecture nécessite souvent d'évaluer attentivement la précision moyenne (mAP), la vitesse d'inférence et la surcharge mémoire. Cette comparaison porte sur deux modèles influents : YOLOv9, réputé pour ses avancées architecturales en matière de conservation des informations de gradient, et Ultralytics YOLOv5, un modèle éprouvé et largement utilisé, reconnu pour sa facilité d'utilisation et sa polyvalence de déploiement.

Innovations architecturales et origines techniques#

Comprendre le fonctionnement interne de ces deux modèles permet de mieux cerner leurs profils de performances respectifs.

YOLOv9 : informations de gradient programmables#

Développé par les chercheurs Chien-Yao Wang et Hong-Yuan Mark Liao de l'Institute of Information Science de l'Academia Sinica, à Taïwan, YOLOv9 est sorti le 21 février 2024. Le modèle introduit deux nouveaux concepts pour résoudre le goulot d'étranglement de l'information courant dans les réseaux neuronaux profonds : Programmable Gradient Information (PGI) et le réseau d'agrégation de couches efficace généralisé (GELAN).

Grâce à PGI, YOLOv9 préserve les informations essentielles pendant la propagation avant, ce qui permet des mises à jour de gradient plus fiables. L'architecture GELAN maximise quant à elle l'efficacité des paramètres, permettant au modèle d'atteindre une grande précision avec une faible surcharge de calcul. Tu peux consulter les détails techniques dans l'article YOLOv9 officiel sur arXiv ou le dépôt GitHub de YOLOv9.

En savoir plus sur YOLOv9

Ultralytics YOLOv5 : la référence pour la production#

Écrit par Glenn Jocher et publié par Ultralytics le 26 juin 2020, YOLOv5 a rendu la vision par ordinateur bien plus accessible. Parmi les premiers modèles de détection d'objets conçus nativement avec le framework PyTorch, il évitait les complexités de l'ancien framework C Darknet. YOLOv5 utilise un backbone basé sur CSPNet et un neck PANet, conciliant vitesse et précision.

Son principal atout réside toutefois dans son intégration à l’écosystème Ultralytics plus vaste. YOLOv5 est optimisé pour un entraînement rapide et les environnements à mémoire limitée, ce qui en fait une solution stable pour les déploiements en périphérie.

Analyse des performances : vitesse et précision#

Lors de la conception d'un pipeline de vision par ordinateur, les développeurs doivent trouver un compromis entre précision et latence. Le tableau suivant illustre les différences de performance sur le jeu de données COCO standard.

Analyse des compromis#

YOLOv9 offre la meilleure précision, avec un mAP supérieur à celui de YOLOv5 pour chaque taille du tableau. YOLOv9e atteint un mAP de 55,6 % et utilise ses couches GELAN pour préserver les détails fins, ce qui en fait un excellent choix pour l'imagerie médicale ou les scénarios exigeant une grande précision sur les petits objets.

À l'inverse, YOLOv5 offre une vitesse GPU brute et une flexibilité matérielle supérieures. YOLOv5n (Nano) est très léger et exécute l'inférence en seulement 1,12 ms sur un GPU T4 avec TensorRT. Si tu déploies le modèle sur des appareils IoT à ressources limitées, des téléphones mobiles ou un Raspberry Pi, la faible empreinte mémoire de YOLOv5 en fait une option fiable.

Les avantages de l’écosystème Ultralytics#

L'écosystème logiciel qui entoure un modèle est un critère essentiel lors de sa sélection. YOLOv9 offre des résultats de recherche de premier ordre, mais utiliser les deux modèles via l'API Python moderne d'Ultralytics comble l'écart et propose aux développeurs une expérience unifiée et simplifiée.

Facilité d’utilisation et exportation#

Ultralytics prend en charge les tâches d'ingénierie complexes. Des fonctionnalités comme l'augmentation des données et l'optimisation des hyperparamètres automatiques sont disponibles dès l'installation. Le passage des modèles en production est tout aussi simple, grâce aux commandes d'exportation intégrées qui les convertissent aux formats ONNX, OpenVINO ou LiteRT.

Polyvalence des tâches#

Les deux modèles excellent en détection d'objets, mais les modèles Ultralytics modernes sont conçus pour relever de nombreux défis de vision par ordinateur. Le framework plus large prend nativement en charge la segmentation d'instances, la classification d'images, l'estimation de pose et les boîtes englobantes orientées (OBB), permettant aux développeurs de résoudre plusieurs problèmes de vision sans changer de base de code.

Cas d’utilisation et recommandations#

Le choix entre YOLOv9 et YOLOv5 dépend des exigences spécifiques de ton projet, de tes 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 YOLOv5#

YOLOv5 est recommandé pour :

• Systèmes éprouvés en production : déploiements existants où la longue expérience de stabilité de YOLOv5, sa documentation complète et sa vaste communauté sont appréciées.
• Entraînement avec des ressources limitées : les environnements disposant de ressources GPU limitées, où le pipeline d’entraînement efficace de YOLOv5 et ses besoins en mémoire réduits sont avantageux.
• Prise en charge étendue des formats d'exportation : projets nécessitant un déploiement dans de nombreux formats, dont ONNX, TensorRT, CoreML et LiteRT.

Quand choisir Ultralytics (YOLO26)#

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

Exemple d'implémentation#

Dans l'écosystème Ultralytics, tu peux passer d'un modèle YOLOv5 à un modèle YOLOv9 en modifiant la chaîne de poids.

from ultralytics import YOLO

# Charge un modèle YOLOv9 préentraîné (remplace par « yolov5su.pt » pour utiliser YOLOv5u)
model = YOLO("yolov9c.pt")

# Entraîne efficacement le modèle sur un jeu de données personnalisé
train_results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Lance l’inférence sur de nouvelles images
predictions = model.predict("https://ultralytics.com/images/zidane.jpg")

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

Découverte d’architectures plus récentes#

YOLOv5 et YOLOv9 sont d’excellents modèles qui présentent chacun des avantages distincts, mais le domaine continue d’évoluer. Si tu démarres un nouveau projet, tu peux également évaluer les dernières versions d’Ultralytics.

• YOLO11 : évolution optimisée de la lignée YOLOv8, offrant un excellent équilibre entre vitesse et précision pour toutes les tâches de vision.
• YOLO26 : sorti en janvier 2026, YOLO26 est le modèle recommandé pour les nouveaux pipelines. Il propose une conception facultative de bout en bout sans NMS (nms=False) qui élimine les goulots d'étranglement du post-traitement NMS. Grâce à la suppression de DFL (Distribution Focal Loss supprimée pour simplifier l'exportation et améliorer la compatibilité avec les appareils périphériques et à faible consommation), YOLO26n offre une inférence CPU jusqu'à 43 % plus rapide que YOLO11n. L'optimiseur MuSGD améliore la stabilité de l'entraînement, tandis que ProgLoss + STAL (Progressive Loss et attribution d'étiquettes tenant compte des petites cibles) améliorent la détection des petits objets pour l'IoT, la robotique et l'imagerie aérienne, dans les déploiements en périphérie comme dans le cloud.

Pour les équipes qui gèrent de grands jeux de données et des pipelines de déploiement complexes, Ultralytics Platform offre une solution sans code pour entraîner, suivre et déployer ces modèles.