YOLOv9 vs YOLOv8#

La vision par ordinateur en temps réel a beaucoup évolué ces dernières années, chaque nouveau modèle élargissant les possibilités sur les appareils périphériques comme sur les serveurs cloud. Lorsqu'ils comparent la nouvelle architecture YOLOv9 au populaire framework Ultralytics YOLOv8, les développeurs doivent souvent choisir entre une recherche novatrice sur les chemins de gradient et un écosystème éprouvé, prêt pour la production.

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 prochain projet d'intelligence artificielle.

Spécifications techniques et auteurs#

Comprendre la filiation de ces modèles permet de mieux saisir les choix de conception propres à chacun.

YOLOv9 Rédigé par Chien-Yao Wang et Hong-Yuan Mark Liao à l'Institute of Information Science de l'Academia Sinica, à Taïwan, YOLOv9 est sorti le 21 février 2024. Les travaux de recherche portent principalement sur la résolution du goulot d'étranglement de l'information dans les réseaux neuronaux profonds. Tu peux consulter l'article de recherche original sur YOLOv9 sur arXiv ou le code source dans le dépôt GitHub officiel de YOLOv9.

En savoir plus sur YOLOv9

Ultralytics YOLOv8 Développé par Glenn Jocher, Ayush Chaurasia et Jing Qiu chez Ultralytics, YOLOv8 a été lancé le 10 janvier 2023. Il s'est imposé comme une référence du secteur en matière de polyvalence, en proposant une API unifiée pour une grande variété de tâches de vision. Le code source est maintenu dans le dépôt GitHub principal d'Ultralytics, ce qui garantit des mises à jour continues et une stabilité à long terme.

Innovations architecturales#

YOLOv9 : informations de gradient programmables#

La caractéristique distinctive de YOLOv9 est l'introduction de Programmable Gradient Information (PGI) et du réseau d'agrégation de couches efficace généralisé (GELAN). À mesure que les réseaux neuronaux convolutifs s'approfondissent, ils perdent généralement des informations essentielles sur les caractéristiques pendant la propagation avant. PGI répond à ce goulot d'étranglement de l'information en conservant des gradients précis utilisés pour mettre à jour les poids, ce qui favorise une extraction fiable des caractéristiques. Cette architecture maximise l'efficacité des paramètres, permettant à YOLOv9 d'atteindre une grande précision avec moins d'opérations en virgule flottante (FLOPs).

YOLOv8 : le modèle polyvalent et fiable#

YOLOv8 a introduit un mécanisme de détection sans ancres simplifié, qui réduit le nombre de prédictions de boîtes et accélère la suppression non maximale (NMS) lors du post-traitement. Son module C2f (goulot d'étranglement partiel inter-étapes à deux convolutions) améliore la circulation des gradients dans le réseau par rapport aux anciens modèles. Plus important encore, YOLOv8 a été conçu dans un souci de polyvalence et prend nativement en charge la détection d'objets, la segmentation d'instances, la classification d'images, l'estimation de pose et l'extraction de boîtes englobantes orientées (OBB), dès l'installation.

Équilibre des performances et mesures comparatives#

L'équilibre entre vitesse et précision est le facteur le plus déterminant lors du déploiement de modèles de vision. Voici une comparaison détaillée des tailles de modèles, de la latence et de la précision moyenne (mAP), évaluées sur le jeu de données COCO standard.

L'analyse des indicateurs montre que YOLOv9 présente un excellent rapport entre le nombre de paramètres et la précision, avec un mAP supérieur à celui de YOLOv8 pour chaque taille. Le modèle YOLOv9c atteint un mAP de 53,0 % avec seulement 25,5 M de paramètres. Cependant, YOLOv8 est plus rapide sur GPU pour la plupart des tailles : la variante YOLOv8n s'exécute en 1,47 ms sur une configuration NVIDIA TensorRT.

Les avantages de l’écosystème Ultralytics#

Un critère essentiel dans le choix d'une architecture est la facilité d'utilisation et l'écosystème logiciel qui l'entoure. La gestion des dépendances, l'écriture de chargeurs de données personnalisés et la prise en charge de scripts d'exportation complexes peuvent ralentir le développement. L'écosystème Ultralytics intégré prend en charge ces complexités.

Que tu choisisses YOLOv8 ou YOLOv9 (entièrement pris en charge par la bibliothèque Ultralytics), tu bénéficies d'une API unifiée, de techniques d'augmentation des données automatiques et d'une exportation simplifiée au format ONNX. Les architectures Ultralytics s'entraînent également efficacement et évitent la forte consommation de mémoire CUDA fréquente avec les grands modèles basés sur des Transformers.

Exemple de code d’entraînement#

L’entraînement de l’un ou l’autre modèle avec l’API Python est simple et ne nécessite que quelques lignes de code.

from ultralytics import YOLO

# Charger le modèle souhaité (remplacer « yolov9c.pt » par « yolov8n.pt » si nécessaire)
model = YOLO("yolov8n.pt")

# Entraîner le modèle sur ton jeu de données personnalisé
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Valider les métriques de performance du modèle
metrics = model.val()

# Exporter au format ONNX pour un déploiement en production
model.export(format="onnx")

Cas d’utilisation et recommandations#

Le choix entre YOLOv9 et YOLOv8 dépend des exigences précises 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 YOLOv8#

YOLOv8 est recommandé pour :

• Déploiement polyvalent multi-tâches : Les projets qui nécessitent un modèle éprouvé pour la détection, la segmentation, la classification et l'estimation de pose au sein de 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 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 sans GPU : Les appareils dépourvus d'accélération GPU dédiée, où l'inférence CPU jusqu'à 43 % plus rapide de YOLO26 (YOLO26n par rapport à YOLO11n) procure un avantage décisif.
• 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.

Perspectives : l’arrivée de YOLO26#

YOLOv8 et YOLOv9 sont tous deux performants, mais le domaine de la vision par ordinateur évolue rapidement. Pour les déploiements modernes, Ultralytics recommande Ultralytics YOLO26, sorti en janvier 2026.

YOLO26 transforme l'exécution des détecteurs d'objets en production. Il propose une conception native de bout en bout sans NMS (facultative via nms=False), qui élimine la latence du post-traitement NMS et sa variabilité. Pour mieux prendre en charge le matériel périphérique et à faible consommation, YOLO26 propose la suppression de DFL (Distribution Focal Loss), qui simplifie les exportations mobiles.

Pour l'entraînement, YOLO26 utilise l'optimiseur MuSGD, un hybride de SGD et de Muon qui transpose aux tâches de vision la stabilité d'entraînement inspirée des LLM et accélère la convergence. Avec une inférence CPU jusqu'à 43 % plus rapide (YOLO26n par rapport à YOLO11n) et ProgLoss + STAL (Progressive Loss et attribution d'étiquettes tenant compte des petites cibles) pour améliorer la détection des petits objets, YOLO26 est le choix recommandé pour les nouveaux projets d'entreprise.

Applications et cas d’utilisation concrets#

Le choix entre YOLOv8 et YOLOv9 dépend essentiellement des contraintes de ton projet et du matériel cible.

• Imagerie médicale et soins de santé : lorsque chaque pixel compte, comme dans les systèmes de détection des tumeurs, l'architecture GELAN de YOLOv9 aide à préserver les détails fins, ce qui peut réduire les faux négatifs dans les diagnostics critiques.
• Commerce de détail et analyse des stocks : pour les systèmes intelligents de supermarché qui suivent des rayons densément garnis, YOLOv9 offre le mAP nécessaire pour distinguer de manière fiable les articles qui se chevauchent.
• Villes intelligentes et surveillance du trafic : dans le domaine dynamique de la logistique et de la gestion du trafic, la faible latence et la robustesse éprouvée de YOLOv8 en font un modèle idéal pour suivre simultanément des véhicules sur plusieurs flux de caméras.
• Déploiements en périphérie : si tu déploies le modèle sur des appareils à ressources limitées comme un Raspberry Pi ou du matériel mobile, les blocs C2f efficaces de YOLOv8 (et les optimisations CPU de YOLO26) offrent un pipeline d'inférence plus fluide et économe en batterie.