YOLOX vs RTDETRv2
Choisir l’architecture optimale pour les applications de vision par ordinateur nécessite de trouver un équilibre minutieux entre précision, vitesse d’inférence et faisabilité du déploiement. Cette analyse technique explore les principales différences entre YOLOX, une architecture CNN sans ancres largement utilisée, et RTDETRv2, un Transformer de détection en temps réel.
Bien que les deux modèles aient apporté une contribution importante au domaine de la détection d’objets, les développeurs qui créent des applications prêtes pour la production constatent souvent que des solutions plus récentes comme Ultralytics YOLO26 offrent une meilleure efficacité d’entraînement, des besoins en mémoire réduits et un écosystème de déploiement plus mature.
YOLOX : rapprocher la recherche de l’industrie#
YOLOX s’est imposé comme une adaptation sans ancres populaire de la série YOLO, en introduisant une conception simplifiée qui a apporté des gains de performances notables au moment de sa sortie.
- Auteurs : Zheng Ge, Songtao Liu, Feng Wang, Zeming Li et Jian Sun
- Organisation : Megvii
- Date : 18 juillet 2021
- Liens : arXiv, GitHub, Documentation
Innovations architecturales#
YOLOX a fait passer la famille YOLO à un paradigme sans ancres, en intégrant une tête découplée et la stratégie d’attribution des étiquettes SimOTA. En éliminant les boîtes d’ancrage, l’architecture a considérablement réduit le nombre de paramètres de conception et amélioré la généralisation sur divers jeux de données de référence. Ses versions légères, YOLOX-Nano et YOLOX-Tiny, sont devenues des choix populaires pour déployer des applications d’IA visuelle sur des appareils périphériques.
YOLOX a apporté des avancées notables, mais sa dépendance au post-traitement traditionnel par suppression non maximale (NMS) peut entraîner une latence supérieure à celle des modèles nativement de bout en bout.
RTDETRv2 : faire progresser les Transformers visuels en temps réel#
S’appuyant sur son prédécesseur RT-DETR, RTDETRv2 utilise les Vision Transformers (ViTs) pour atteindre une précision compétitive tout en conservant des vitesses d’inférence en temps réel.
- Auteurs : Wenyu Lv, Yian Zhao, Qinyao Chang, Kui Huang, Guanzhong Wang et Yi Liu
- Organisation : Baidu
- Date : 2024-07-24
- Liens : arXiv, GitHub
Innovations architecturales#
RTDETRv2 repense le pipeline de détection grâce à une architecture fondée sur un Transformer qui contourne nativement la NMS. Pour cela, il utilise un encodeur hybride et une sélection de requêtes tenant compte de l’IoU, ce qui améliore l’initialisation des requêtes d’objets. Le modèle gère efficacement les caractéristiques multi-échelles, ce qui lui permet de capturer des détails complexes dans des environnements difficiles, comme la détection dans des vidéos de circulation nocturne.
Cependant, les Transformers sont gourmands en ressources. L’entraînement de RTDETRv2 nécessite généralement beaucoup plus de mémoire GPU et de cycles de calcul que les solutions de remplacement fondées sur des CNN, ce qui peut être un obstacle pour les équipes soumises à des contraintes budgétaires strictes ou qui ont besoin d’effectuer régulièrement du réglage de modèle.
Tableau comparatif des performances#
Pour évaluer objectivement ces architectures, nous examinons leurs performances sur le jeu de données COCO. Le tableau ci-dessous présente les compromis entre précision (mAP), nombre de paramètres et complexité de calcul.
| Modèle | taille (pixels) | mAPval50-95 | Vitesse CPU ONNX (ms) | Vitesse T4 TensorRT10 (ms) | paramètres (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOXnano | 416 | 25.8 | - | - | 0.91 | 1.08 |
| YOLOXtiny | 416 | 32.8 | - | - | 5.06 | 6.45 |
| YOLOXs | 640 | 40.5 | - | 2.56 | 9.0 | 26.8 |
| YOLOXm | 640 | 46.9 | - | 5.43 | 25.3 | 73.8 |
| YOLOXl | 640 | 49.7 | - | 9.04 | 54.2 | 155.6 |
| YOLOXx | 640 | 51.1 | - | 16.1 | 99.1 | 281.9 |
| RTDETRv2-s | 640 | 48.1 | - | 5.03 | 20 | 60 |
| RTDETRv2-m | 640 | 51.9 | - | 7.51 | 36 | 100 |
| RTDETRv2-l | 640 | 53.4 | - | 9.76 | 42 | 136 |
| RTDETRv2-x | 640 | 54.3 | - | 15.03 | 76 | 259 |
RTDETRv2 atteint une précision supérieure pour une latence similaire (par exemple, 54,3 mAP à 15,03 ms pour RTDETRv2-x contre 51,1 mAP à 16,1 ms pour YOLOXx), tandis que YOLOX conserve l’avantage de profils légers en nombre de paramètres, en particulier avec ses variantes Nano et Tiny.
Cas d’utilisation et recommandations#
Le choix entre YOLOX et RT-DETR 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 RT-DETR#
RT-DETR est recommandé pour :
- Recherche sur la détection basée sur les Transformer : projets étudiant les mécanismes d’attention et les architectures Transformer pour la détection d’objets de bout en bout sans NMS.
- Scénarios exigeant une grande précision et une latence flexible : applications où la précision de détection est prioritaire et où une latence d’inférence légèrement supérieure est acceptable.
- Détection de grands objets : scènes composées principalement d’objets de taille moyenne à grande, pour lesquelles le mécanisme d’attention globale des Transformer offre un avantage naturel.
Quand choisir Ultralytics (YOLO26)#
Pour la plupart des nouveaux projets, Ultralytics YOLO26 offre la meilleure combinaison de performances et d’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 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.
L’avantage Ultralytics : YOLO26#
YOLOX et RTDETRv2 ont chacun leurs points forts, mais Ultralytics YOLO26, lancé en janvier 2026, répond à nombre des compromis historiques entre vitesse, précision et facilité de déploiement.
1. Architecture de bout en bout sans NMS#
S’inspirant des modèles Transformer tout en conservant l’efficacité des CNN, YOLO26 propose une architecture optionnelle de bout en bout sans NMS (nms=False). En éliminant la suppression non maximale comme étape de post-traitement, YOLO26 simplifie les pipelines de déploiement et assure une latence d’inférence constante sur divers appareils périphériques, sans les réglages complexes des seuils.
2. Inférence CPU jusqu’à 43 % plus rapide#
Contrairement aux architectures Transformer comme RTDETRv2, qui dépendent généralement des GPU, YOLO26 est optimisé pour les environnements d’informatique en périphérie. Après la suppression de Distribution Focal Loss (DFL), YOLO26 simplifie l’exportation des modèles, et YOLO26n atteint une inférence CPU jusqu’à 43 % plus rapide que YOLO11n, ce qui en fait un excellent choix pour l’intégration dans du matériel comme le Raspberry Pi ou les appareils mobiles standards.
3. Efficacité de l’entraînement avec MuSGD#
L’entraînement de modèles Transformer entraîne souvent une consommation excessive de mémoire CUDA et des durées d’entraînement prolongées. YOLO26 introduit l’optimiseur MuSGD, hybride de la descente de gradient stochastique et de l’optimiseur Muon inspiré des LLM, pour stabiliser l’entraînement et accélérer la convergence. Associée à son architecture CNN, cette approche réduit les exigences matérielles d’entraînement par rapport à RTDETRv2.
4. Écosystème et polyvalence#
L’écosystème Ultralytics offre aux développeurs une expérience intuitive et simplifiée. Grâce à une documentation complète, à une communauté active et à la plateforme Ultralytics propulsée par le cloud, la gestion de tout le cycle de vie de l’IA est simple. YOLO26 est également polyvalent : alors que RTDETRv2 se concentre sur la détection d’objets, YOLO26 prend nativement en charge les tâches de segmentation d’instances, de classification d’images, d’estimation de pose et de boîtes englobantes orientées (OBB). Grâce à ProgLoss + STAL, la nouvelle méthode de perte progressive et d’attribution des étiquettes adaptée aux petites cibles, YOLO26 améliore également la détection des petits objets, une fonctionnalité essentielle pour l’imagerie aérienne et la détection de défauts industriels.
Intégration avec Ultralytics#
Le déploiement de modèles ne devrait pas t’obliger à te débattre avec des bases de code complexes et fragmentées. L’API Python Ultralytics te permet de charger, d’entraîner et d’exporter des modèles de pointe en quelques lignes de code seulement.
from ultralytics import YOLO
# Charger le dernier modèle YOLO26 nano pour des performances optimales en périphérie
model = YOLO("yolo26n.pt")
# Entraîner le modèle sur ton jeu de données personnalisé avec une utilisation minimale de mémoire
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# Valider les performances du modèle
metrics = model.val()
# Exporter au format ONNX ou TensorRT pour le déploiement
model.export(format="onnx")En utilisant Ultralytics, tu évites les configurations d’environnement complexes généralement associées aux dépôts de recherche, ce qui accélère ta mise sur le marché.
Conclusion#
YOLOX et RTDETRv2 représentent des étapes importantes dans l’évolution de la détection d’objets en temps réel. YOLOX a prouvé la viabilité des CNN efficaces sans ancres, tandis que RTDETRv2 a adapté avec succès les Transformers aux contraintes du temps réel.
Cependant, pour les applications modernes, de l’analyse du commerce de détail intelligent à la robotique embarquée, Ultralytics YOLO26 est le choix recommandé. En combinant l’inférence sans NMS, une vitesse élevée sur CPU, une empreinte mémoire réduite et la prise en charge de la plateforme Ultralytics, YOLO26 aide les développeurs à créer des systèmes de vision par ordinateur fiables et performants.
Commentaires
Pose une question, partage tes résultats ou aide quelqu’un d’autre.