YOLOX contre YOLOv8
Le domaine de la vision par ordinateur a connu des progrès rapides en matière de détection d'objets en temps réel au cours des dernières années. Alors que les chercheurs et les ingénieurs continuent d'améliorer la précision et la vitesse, il peut être difficile de s'y retrouver parmi les modèles disponibles. Ce guide propose une comparaison technique de deux architectures influentes : YOLOX et Ultralytics YOLOv8.
En analysant leurs architectures, leurs méthodes d'entraînement et leurs capacités de déploiement, les développeurs peuvent faire des choix éclairés lorsqu'ils sélectionnent le framework adapté à leurs projets d'intelligence artificielle.
YOLOX : faire le lien entre recherche et industrie#
YOLOX s'est imposé comme un modèle important qui a contribué à combler l'écart entre la recherche universitaire et les applications industrielles. Il a marqué le retour à une conception sans ancres, réduisant considérablement le nombre de paramètres de conception et le réglage heuristique requis par les détecteurs à ancres précédents.
Détails du modèle :
- Auteurs : Zheng Ge, Songtao Liu, Feng Wang, Zeming Li et Jian Sun
- Organisation : Megvii
- Date : 2021-07-18
- arXiv : YOLOX : dépasser la série YOLO en 2021
- GitHub : Megvii-BaseDetection/YOLOX
- Docs : Documentation de YOLOX
Points forts de l’architecture#
YOLOX intègre plusieurs modifications clés qui le distinguent de ses prédécesseurs. La plus notable est sa tête découplée, qui sépare les tâches de classification et de régression des boîtes englobantes en voies distinctes. Ce choix architectural réduit le conflit entre l'alignement spatial nécessaire à la régression et l'invariance à la translation requise pour la classification, ce qui accélère la convergence pendant l'entraînement.
En outre, YOLOX utilise la stratégie d’assignation des étiquettes SimOTA. Cette méthode d’assignation dynamique formule l’appariement des objets de vérité terrain aux prédictions comme un problème de transport optimal, ce qui réduit efficacement le temps d’entraînement tout en améliorant la précision moyenne moyenne (mAP). Le modèle utilise également de puissantes techniques d’augmentation des données, notamment MixUp et Mosaic, mais les désactive pendant les dernières époques afin de stabiliser les caractéristiques apprises.
YOLOv8 : la référence polyvalente de l’écosystème#
Fruit d'années de recherche continue, Ultralytics YOLOv8 représente une avancée majeure pour les modèles Ultralytics. Conçu dès le départ non seulement comme un détecteur d'objets, mais aussi comme un framework polyvalent et complet capable de relever de nombreux défis de reconnaissance visuelle grâce à une API accessible.
Détails du modèle :
- Auteurs : Glenn Jocher, Ayush Chaurasia et Jing Qiu
- Organisation : Ultralytics
- Date : 2023-01-10
- GitHub : ultralytics/ultralytics
- Documentation : Documentation de YOLOv8
Améliorations architecturales#
YOLOv8 introduit une architecture simplifiée qui remplace le module C3 par le module C2f, plus efficace, améliorant le flux de gradient et l'extraction de caractéristiques sans augmenter fortement le nombre de paramètres. Comme YOLOX, YOLOv8 utilise une conception sans ancres et une tête découplée ; toutefois, il affine le calcul de la fonction de perte en intégrant Distribution Focal Loss (DFL) et la perte CIoU, ce qui produit des prédictions de boîtes englobantes plus précises, en particulier pour les objets petits ou qui se chevauchent.
L'un des principaux atouts de YOLOv8 est son intégration poussée à l'écosystème Ultralytics. Que tu utilises l'API Python unifiée ou l'interface visuelle d'Ultralytics Platform, le passage de l'entraînement au déploiement est simple, avec une prise en charge native des formats allant d'ONNX à TensorRT.
Au-delà de la détection d'objets standard, YOLOv8 prend nativement en charge la segmentation d'instances, la classification d'images, l'estimation de pose et les boîtes englobantes orientées (OBB). Cette polyvalence multi-tâche en fait un choix intéressant pour les environnements de production complexes où plusieurs types de modèles doivent être maintenus.
Comparaison des performances et des métriques#
Pour comparer ces modèles, les développeurs doivent tenir compte des compromis entre précision, latence d'inférence et surcharge de calcul. Le tableau ci-dessous présente les résultats de référence des deux familles de modèles.
| 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 |
| YOLOv8n | 640 | 37.3 | 80.4 | 1.47 | 3.2 | 8.7 |
| YOLOv8s | 640 | 44.9 | 128.4 | 2.66 | 11.2 | 28.6 |
| YOLOv8m | 640 | 50.2 | 234.7 | 5.86 | 25.9 | 78.9 |
| YOLOv8l | 640 | 52.9 | 375.2 | 9.06 | 43.7 | 165.1 |
| YOLOv8x | 640 | 53.9 | 479.1 | 14.37 | 68.2 | 257.8 |
YOLOv8 obtient systématiquement un mAP supérieur à celui de YOLOX à nombre de paramètres comparable, tout en conservant de bonnes vitesses sur GPU. De plus, les modèles Ultralytics sont réputés pour leurs besoins en mémoire réduits pendant l'entraînement. C'est un avantage crucial pour augmenter la taille des lots sur du matériel grand public, notamment par rapport aux architectures Transformer gourmandes en ressources, comme RT-DETR, qui consomment nettement plus de mémoire CUDA.
Expérience de développement et de déploiement#
L’utilisation d’anciennes bases de code de recherche nécessite souvent de configurer des environnements complexes et d’écrire du code passe-partout personnalisé pour l’inférence. À l’inverse, l’API Ultralytics réduit ces tâches à quelques lignes de Python.
from ultralytics import YOLO
# Initialiser le petit modèle YOLOv8
model = YOLO("yolov8s.pt")
# Entraîner le modèle sur un jeu de données personnalisé
train_results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# Valide la précision du modèle
metrics = model.val()
# Exécuter l’inférence sur une image de test
predictions = model("https://ultralytics.com/images/bus.jpg")
predictions[0].show()Cette interface unifiée est emblématique de l’écosystème Ultralytics bien entretenu : les développeurs passent ainsi moins de temps à déboguer les problèmes d’environnement et davantage à faire évoluer leurs solutions de vision par ordinateur.
Cas d’utilisation et recommandations#
Le choix entre YOLOX et YOLOv8 dépend des besoins spécifiques de 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 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 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.
Perspectives : l’architecture YOLO26#
YOLOv8 offre un excellent compromis entre précision et facilité d'utilisation, mais l'IA continue d'évoluer rapidement. Publié en janvier 2026, YOLO26 est le modèle recommandé pour les déploiements modernes en périphérie et dans le cloud, et s'appuie sur les fondations des générations précédentes.
YOLO26 introduit une conception de bout en bout sans NMS : sa tête optionnelle à correspondance un-à-un (nms=False) ignore l'étape heuristique de post-traitement NMS, ce qui garantit une latence stable et prévisible sur diverses cibles de déploiement. Grâce à la suppression du module Distribution Focal Loss (DFL), YOLO26n offre une inférence CPU jusqu'à 43 % plus rapide que YOLO11n, ce qui fait de YOLO26 un excellent choix pour les systèmes embarqués et les applications mobiles.
YOLO26 améliore également la stabilité de l'entraînement grâce à l'optimiseur MuSGD, une approche hybride combinant SGD et Muon qui accélère la convergence. Avec ProgLoss + STAL (perte progressive et attribution des étiquettes tenant compte des petites cibles), YOLO26 améliore la détection des petits objets, essentielle pour la cartographie par drone et les systèmes d'alarme de sécurité.
Conclusion et recommandations#
YOLOX a marqué une étape importante dans le passage aux méthodes sans ancres, mais l'absence d'un écosystème intégré et multi-tâche limite son utilisation dans des environnements de production exigeant un rythme soutenu.
Pour les développeurs qui privilégient une expérience fluide, une prise en charge polyvalente des tâches et une communauté solide, YOLOv8 reste un choix fiable. Toutefois, pour ceux qui cherchent à maximiser les performances de l'informatique en périphérie, à éliminer les goulots d'étranglement liés au NMS et à obtenir la plus grande précision grâce aux dernières innovations en matière d'entraînement, YOLO26 est le modèle recommandé pour tout nouveau projet de vision par ordinateur.
Si tu souhaites découvrir d'autres modèles de la gamme Ultralytics, tu peux également consulter les caractéristiques de performance de YOLO11 ou lire l'article sur l'approche sans NMS introduite avec YOLOv10.
Commentaires1
Pose une question, partage tes résultats ou aide quelqu’un d’autre.
zaraquinnat(modifié)
Excellent technical comparison! YOLOX introduced some innovative ideas like decoupled heads and anchor-free design, which definitely influenced later models. However, this YOLOv8 comparison shows how v8 builds on such advancements with a cleaner architecture, better task flexibility, and improved performance across various benchmarks. Both have their strengths depending on the application.