YOLOX vs PP-YOLOE+#

Pour concevoir un pipeline de vision par ordinateur robuste, choisir le modèle de détection d’objets adapté est une décision cruciale. Le domaine des détecteurs d’objets en temps réel est très concurrentiel : de nombreuses architectures cherchent à offrir le meilleur équilibre entre vitesse d’inférence et précision de détection. Dans cette comparaison technique, nous évaluons deux modèles importants : YOLOX et PP-YOLOE+. En examinant leurs architectures, leurs méthodes d’entraînement et leurs indicateurs de performance, nous voulons fournir aux développeurs et aux chercheurs les informations nécessaires pour choisir l’outil adapté à leurs environnements de déploiement.

Innovations et conception architecturales#

Les deux modèles ont été conçus pour répondre à des difficultés précises rencontrées dans les premières versions de YOLO, mais ils abordent de manière fondamentalement différente 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 de 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 travaux de recherche fondateurs dans leur article officiel sur Arxiv et le code source d’origine dans le dépôt GitHub de YOLOX.

YOLOX intègre une tête découplée qui sépare les tâches de classification et de régression, ce qui accélère considérablement la convergence pendant l’entraînement. Il a aussi introduit des stratégies avancées d’affectation des étiquettes, comme SimOTA, pour affecter dynamiquement les échantillons positifs. Le modèle est ainsi très efficace, notamment dans les environnements d’IA en périphérie où les ressources informatiques sont strictement 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 hautement optimisée de la série PP-YOLO. Décrit dans leur publication sur 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 puissant réseau dorsal CSPRepResNet et utilise une tête Efficient Task-aligned (ET-head), ainsi que l’apprentissage par alignement des tâches (TAL). Cette architecture atteint une précision moyenne moyenne (mAP) remarquable sur le jeu de données COCO, ce qui en fait un excellent choix pour la détection de défauts industriels et les traitements lourds côté serveur, où 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.

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 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 exclusivement CPU : les appareils dépourvus d’accélération GPU dédiée, où l’inférence CPU jusqu’à 43 % plus rapide de YOLO26 constitue un avantage décisif.
• Détection de petits objets : les situations difficiles, comme l’imagerie aérienne par drone ou l’analyse de capteurs IoT, où ProgLoss et STAL améliorent considérablement la précision pour les objets minuscules.

L’avantage Ultralytics : présentation de YOLO26#

YOLOX et PP-YOLOE+ présentent chacun des avantages distincts, mais l’évolution rapide de l’IA exige des outils qui allient une précision de pointe à une facilité d’utilisation inégalée. C’est là que les modèles Ultralytics, en particulier le nouveau Ultralytics YOLO26, surpassent les anciens dépôts de recherche.

Sorti en janvier 2026, YOLO26 établit une nouvelle référence pour la détection d’objets moderne et bien plus encore, avec une expérience de développement que les frameworks concurrents ne peuvent tout simplement pas égaler.

Pourquoi les développeurs choisissent YOLO26#

1. Conception de bout en bout sans NMS : en s’appuyant sur des concepts introduits dans YOLOv10, YOLO26 prend en charge l’inférence native de bout en bout. En ignorant le post-traitement par suppression non maximale (NMS) grâce à sa tête facultative à correspondance un à un (nms=False), il garantit une latence très constante et simplifie considérablement les pipelines d’exportation pour les environnements en périphérie.
2. Optimisation de nouvelle génération : l’optimiseur MuSGD, qui associe SGD et Muon (inspiré des méthodes des LLM, comme Kimi K2 de Moonshot AI), révolutionne la stabilité de l’entraînement et assure une convergence plus rapide. De plus, YOLO26 utilise ProgLoss + STAL pour améliorer considérablement la reconnaissance des petits objets, une fonctionnalité essentielle pour les applications impliquant l’imagerie aérienne et la robotique.
3. Efficacité matérielle inégalée : en supprimant la perte focale de distribution (DFL), YOLO26 simplifie sa tête de détection et son graphe d’exportation. Il offre une inférence CPU jusqu’à 43 % plus rapide, ce qui en fait le choix de référence pour les appareils dépourvus d’accélération GPU dédiée.
4. Polyvalence exceptionnelle : contrairement à PP-YOLOE+, qui se concentre exclusivement 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 de log-vraisemblance (RLE) pour une estimation de pose précise et des mécanismes avancés de perte angulaire pour les boîtes englobantes orientées (OBB).

Intégration fluide à l’écosystème#

Ultralytics élimine les difficultés liées à l’installation de frameworks complexes. Avec l’API Python unifiée ou l’Ultralytics Platform intuitive, tu peux entraîner, valider et exporter des modèles en quelques lignes de code seulement.

from ultralytics import YOLO

# Charger le modèle YOLO26 small à la pointe de la technologie
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)

# Exécute l’inférence en toute simplicité
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)

Pour les utilisateurs qui évaluent d’autres architectures robustes de l’écosystème Ultralytics, YOLO11 reste un choix très fiable pour les déploiements existants, tandis que le RT-DETR basé sur Transformer offre d’excellentes capacités à ceux qui recherchent des solutions fondées sur l’attention.

Résumé#

Le choix entre YOLOX et PP-YOLOE+ dépend souvent des contraintes de ton framework principal : préfères-tu la flexibilité de PyTorch ou l’intégration poussée avec PaddlePaddle de Baidu ? Toutefois, pour les organisations qui cherchent à pérenniser leur infrastructure d’IA, Ultralytics YOLO26 offre une solution de loin supérieure. Grâce à son inférence sans NMS facultative, à son faible encombrement mémoire et à sa polyvalence complète pour diverses tâches, YOLO26 permet aux équipes de créer plus facilement que jamais des applications de vision par ordinateur plus rapides, plus intelligentes et plus efficaces.