Commencer

YOLOX vs PP-YOLOE+

Lors de la conception d’un pipeline robuste de vision par ordinateur, le choix du modèle de détection d’objets approprié est une décision cruciale. Le domaine des détecteurs d’objets en temps réel est très concurrentiel, et de nombreuses architectures visent à trouver le meilleur équilibre entre vitesse d’inférence et précision de détection. Cette comparaison technique évalue deux modèles majeurs, YOLOX et PP-YOLOE+, en examinant leurs architectures, leurs méthodes d’entraînement et leurs métriques de performance, afin d’aider les développeurs et les chercheurs à choisir le bon outil pour leurs environnements de déploiement.

Innovations et conception architecturales#

Les deux modèles ont été conçus pour répondre à des difficultés précises rencontrées dans les versions antérieures de YOLO, mais ils abordent différemment le compromis entre vitesse et précision.

YOLOX : faire le lien entre recherche et industrie#

Développé par Zheng Ge, Songtao Liu, Feng Wang, Zeming Li et Jian Sun chez Megvii, YOLOX est sorti le 18 juillet 2021. Il a marqué un tournant important dans la famille YOLO en adoptant pleinement une conception sans ancres. Tu peux consulter les recherches fondatrices dans leur article arXiv officiel et le code source original dans le dépôt GitHub de YOLOX.

YOLOX intègre une tête découplée qui sépare les tâches de classification et de régression, ce qui améliore considérablement la vitesse de convergence pendant l’entraînement. Il a également introduit des stratégies avancées d’attribution des étiquettes, comme SimOTA, pour attribuer dynamiquement les échantillons positifs. Le modèle est ainsi efficace, et ses variantes les plus petites conviennent aux environnements d’IA en périphérie, où les ressources de calcul sont fortement limitées.

En savoir plus sur YOLOX

PP-YOLOE+ : détection industrielle haute performance#

Présenté par les auteurs de PaddlePaddle chez Baidu le 2 avril 2022, PP-YOLOE+ est une évolution optimisée de la série PP-YOLO. Décrit dans leur publication arXiv, PP-YOLOE+ est étroitement intégré à l’écosystème Baidu et nécessite le framework PaddlePaddle. Les configurations du modèle sont disponibles dans le dépôt GitHub de PaddleDetection.

PP-YOLOE+ s’appuie sur un backbone CSPRepResNet et utilise une tête Efficient Task-aligned (ET-head) ainsi que Task Alignment Learning (TAL). Cette architecture obtient une précision moyenne (mAP) élevée sur le jeu de données COCO, ce qui en fait un choix solide pour la détection de défauts industriels et les traitements lourds côté serveur, lorsque la précision prime sur la réduction des dépendances.

En savoir plus sur PP-YOLOE+

Bancs d’essai de performances#

Comprendre les performances de ces modèles à différentes échelles est essentiel pour leur déploiement. Le tableau ci-dessous présente les principaux indicateurs, dont la mAP et les vitesses d’inférence après exportation vers TensorRT.

Modèletaille
(pixels)
mAPval50-95Vitesse
CPU ONNX
(ms)
Vitesse
T4 TensorRT10
(ms)
paramètres
(M)
FLOPs
(B)
YOLOXnano41625.8--0.911.08
YOLOXtiny41632.8--5.066.45
YOLOXs64040.5-2.569.026.8
YOLOXm64046.9-5.4325.373.8
YOLOXl64049.7-9.0454.2155.6
YOLOXx64051.1-16.199.1281.9
PP-YOLOE+t64039.9-2.844.8519.15
PP-YOLOE+s64043.7-2.627.9317.36
PP-YOLOE+m64049.8-5.5623.4349.91
PP-YOLOE+l64052.9-8.3652.2110.07
PP-YOLOE+x64054.7-14.398.42206.59
Considérations relatives au déploiement

PP-YOLOE+ est plus précis que YOLOX pour chaque taille comparable et utilise moins de FLOPs à partir de la taille s, PP-YOLOE+x atteignant la précision globale la plus élevée. YOLOX propose toutefois des variantes très légères (Nano et Tiny) qui conviennent aux microcontrôleurs basse consommation et aux anciens appareils mobiles.

Cas d’utilisation et recommandations#

Le choix entre YOLOX et PP-YOLOE+ dépend des exigences propres à ton projet, de tes contraintes de déploiement et de tes préférences en matière d’écosystème.

Quand choisir YOLOX#

YOLOX est un excellent choix pour :

  • Recherche sur la détection sans ancres : recherche universitaire qui utilise l’architecture épurée sans ancres de YOLOX comme référence pour expérimenter de nouvelles têtes de détection ou fonctions de perte.
  • Appareils périphériques ultralégers : déploiement sur des microcontrôleurs ou du matériel mobile ancien, où l’empreinte extrêmement réduite (0,91 M de paramètres) de la variante YOLOX-Nano est essentielle.
  • Études sur l’assignation d’étiquettes SimOTA : projets de recherche qui étudient les stratégies d’assignation d’étiquettes basées sur le transport optimal et leur impact sur la convergence de l’entraînement.

Quand choisir PP-YOLOE+#

PP-YOLOE+ est recommandé pour :

  • Intégration à l’écosystème PaddlePaddle : Les organisations dotées d’une infrastructure existante reposant sur le framework et les outils PaddlePaddle de Baidu.
  • Déploiement en périphérie avec Paddle Lite : Déploiement sur du matériel doté de noyaux d’inférence fortement optimisés spécifiquement pour Paddle Lite ou le moteur d’inférence Paddle.
  • Détection côté serveur de haute précision : Scénarios privilégiant une précision de détection maximale sur de puissants serveurs GPU, sans contrainte liée aux dépendances du framework.

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 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.

L’avantage Ultralytics : présentation de YOLO26#

YOLOX et PP-YOLOE+ ont chacun des avantages distincts, mais l’évolution rapide de l’IA appelle des outils qui associent haute précision et facilité d’utilisation. C’est là que les modèles Ultralytics, et en particulier Ultralytics YOLO26, se démarquent des anciens dépôts de recherche.

Lancé en janvier 2026, YOLO26 établit une nouvelle référence pour la détection d’objets moderne et les autres tâches de vision, avec une expérience de développement simplifiée.

Pourquoi les développeurs choisissent YOLO26#

  1. Conception de bout en bout sans NMS : s’appuyant sur l’entraînement sans NMS que YOLOv10 a introduit dans les modèles YOLO, YOLO26 prend en charge l’inférence native de bout en bout. En ignorant le post-traitement NMS grâce à sa tête facultative à correspondance un-à-un (nms=False), il offre une latence constante et simplifie les pipelines d’exportation pour les environnements en périphérie.
  2. Optimisation de l’entraînement : l’optimiseur MuSGD, hybride de SGD et de Muon (inspiré des méthodes des LLM comme Kimi K2 de Moonshot AI), améliore la stabilité de l’entraînement et la vitesse de convergence. YOLO26 utilise également ProgLoss + STAL (perte progressive et attribution des étiquettes adaptée aux petites cibles) pour améliorer la détection des petits objets, une fonctionnalité essentielle pour les applications faisant appel à l’imagerie aérienne et à la robotique.
  3. Efficacité matérielle : en supprimant Distribution Focal Loss (DFL), YOLO26 simplifie sa tête de détection et son graphe d’exportation. YOLO26n offre une inférence CPU jusqu’à 43 % plus rapide que YOLO11n, ce qui en fait un excellent choix pour les appareils dépourvus d’accélération GPU dédiée.
  4. Polyvalence : contrairement à PP-YOLOE+, qui se concentre strictement sur la détection, YOLO26 offre une prise en charge unifiée de nombreuses tâches. Il intègre une fonction de perte de segmentation sémantique spécialisée pour la segmentation d’instances, l’estimation résiduelle du logarithme de vraisemblance (RLE) pour une estimation de pose précise et une fonction de perte d’angle spécialisée pour les boîtes englobantes orientées (OBB).

Intégration à l’écosystème#

Ultralytics évite les installations complexes de frameworks. Avec l’API Python unifiée ou la plateforme Ultralytics intuitive, tu peux entraîner, valider et exporter des modèles en quelques lignes de code.

from ultralytics import YOLO

# Charger le petit modèle YOLO26
model = YOLO("yolo26s.pt")

# Entraîner sur un jeu de données personnalisé en limitant l’utilisation de mémoire CUDA
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Exécuter l’inférence
predictions = model("https://ultralytics.com/images/bus.jpg")

# Exporte nativement vers ONNX et tire pleinement parti de l’architecture sans NMS
model.export(format="onnx", nms=False)

Si tu évalues d’autres architectures robustes de l’écosystème Ultralytics, YOLO11 reste un choix fiable pour les déploiements existants, tandis que le modèle Transformer RT-DETR offre de solides capacités à ceux qui recherchent des solutions fondées sur les mécanismes d’attention.

Résumé#

Le choix entre YOLOX et PP-YOLOE+ dépend souvent des contraintes liées à ton framework principal : préfères-tu la flexibilité de PyTorch ou une intégration poussée avec PaddlePaddle de Baidu ? Pour les organisations qui prévoient de créer de nouvelles infrastructures d’IA, Ultralytics YOLO26 est toutefois la solution de remplacement recommandée. Avec l’inférence sans NMS en option, une faible empreinte mémoire et une prise en charge étendue des tâches, YOLO26 aide les équipes à créer des applications de vision par ordinateur rapides et efficaces.

Commentaires6

Pose une question, partage tes résultats ou aide quelqu’un d’autre.

  1. UltralyticsAssistantGitHubUltralytics

    👋 Hello, thank you for sharing your interest in comparing YOLOX and PP-YOLOE+ 🚀!

    For a detailed breakdown of performance, architecture, and use cases, you can explore our dedicated Compare YOLOX vs PP-YOLOE+ Guide. This resource provides valuable insights to help you choose the best model for your specific requirements.

    If you have specific questions or need further assistance, please provide more details about your use case. For example:

    • What type of dataset are you working with?
    • Are there specific metrics or constraints you are prioritizing?

    Join the Ultralytics community for more discussions and insights:

    • Real-time chat? Join us on Discord 🎧.
    • Prefer forum-style discussions? Check out Discourse.
    • Or head over to our Subreddit to connect with other users.

    Additionally, ensure you're using the latest version of the ultralytics package for optimal performance and features. Upgrade with the following command:

    pip install -U ultralytics

    This is an automated response to assist you quickly, but don't worry—an Ultralytics engineer will review your discussion and provide further input soon. Thanks for being part of the community! 😊

    1. Glenn JocherUltralytics(modifié)

      @UltralyticsAssistant Thanks for the automated response.

      @Amine-Torki You've raised a valid point about our documentation consistency. We're actively updating our comparison articles to reflect the latest models. The Ultralytics ecosystem now includes YOLO26 (our latest release) and YOLO11, both offering significant improvements over earlier models.

      For those comparing YOLOX and PP-YOLOE+, both are solid anchor-free detectors, but Ultralytics YOLO26 provides advantages in terms of ecosystem integration, versatility across multiple vision tasks, and overall performance balance. Our documentation team is working to ensure all comparison pages accurately represent the current state of YOLO development.

  2. Amine-TorkiGitHub

    "YOLOv8: The latest iteration in the YOLO series" Yeah another article written by ChatGPT, Ultralytics isn't what it used to be...

    -1
    1. Glenn JocherUltralytics(modifié)

      @Amine-Torki thank you for your feedback. Our documentation is continuously improved by both the Ultralytics team and community contributions to ensure accuracy and relevance. For the latest advancements, check out YOLO26 and YOLO11, which showcase our ongoing commitment to innovation in computer vision.

    2. Amine-TorkiGitHub(modifié)

      Hi. My question is about why saying in this article "YOLOv8: The latest iteration in the YOLO series" when there is, as you just said, YOLO11 and YOLOv10. Since the Technical Comparison was last updated 1 month ago, it just make me think it was written by a llm with lack of knowledge/hallucination on the latest updates.

    3. Glenn JocherUltralytics(modifié)

      Thank you for catching this! The article you referenced is an older resource, while our YOLO26 and YOLO11 documentation reflect the latest updates. We continuously improve our docs with community contributions - feel free to suggest edits via GitHub if you spot areas needing refresh! 😊