YOLO12 : détection d’objets axée sur l’attention#

Présentation#

YOLO12, lancé début 2025, introduit une architecture axée sur l’attention qui s’éloigne des approches traditionnelles basées sur les CNN utilisées dans les modèles YOLO précédents, tout en conservant la vitesse d’inférence en temps réel essentielle à de nombreuses applications. Ce modèle atteint une grande précision en détection d’objets grâce à de nouvelles innovations méthodologiques dans les mécanismes d’attention et l’architecture globale du réseau, tout en maintenant des performances en temps réel. Malgré ces avantages, YOLO12 reste une version développée par la communauté et peut présenter une instabilité à l’entraînement, une consommation mémoire élevée et un débit CPU plus faible en raison de ses blocs d’attention lourds ; Ultralytics recommande donc YOLO11 ou YOLO26 pour la plupart des charges de production.

Fonctionnalités clés#

• Mécanisme d’attention par zone : une nouvelle approche d’auto-attention qui traite efficacement de grands champs récepteurs. Elle divise les cartes de caractéristiques en l régions de même taille (4 par défaut), horizontalement ou verticalement, évitant les opérations complexes tout en conservant un grand champ récepteur effectif. Cela réduit considérablement le coût de calcul par rapport à l’auto-attention standard.
• Réseaux résiduels efficaces d’agrégation de couches (R-ELAN) : un module d’agrégation de caractéristiques amélioré, basé sur ELAN et conçu pour relever les défis d’optimisation, en particulier dans les modèles à grande échelle axés sur l’attention. R-ELAN introduit :
  • Des connexions résiduelles au niveau des blocs avec mise à l’échelle (semblable à la mise à l’échelle des couches).
  • Une méthode d’agrégation de caractéristiques repensée, qui crée une structure de type goulot d’étranglement.
• Architecture d’attention optimisée : YOLO12 rationalise le mécanisme d’attention standard afin d’améliorer son efficacité et sa compatibilité avec le framework YOLO. Cela comprend :
  • L’utilisation de FlashAttention pour réduire au minimum la surcharge liée aux accès mémoire.
  • La suppression de l’encodage positionnel pour obtenir un modèle plus simple et plus rapide.
  • L’ajustement du ratio MLP (de la valeur habituelle de 4 à 1,2 ou 2) pour mieux équilibrer les calculs entre les couches d’attention et les couches à propagation avant.
  • La réduction de la profondeur des blocs empilés pour améliorer l’optimisation.
  • L’utilisation d’opérations de convolution (lorsqu’elles sont pertinentes) pour leur efficacité de calcul.
  • L’ajout d’une convolution séparable 7x7 (« percepteur de position ») au mécanisme d’attention afin d’encoder implicitement les informations de position.
• Prise en charge complète des tâches : YOLO12 prend en charge plusieurs tâches essentielles de vision par ordinateur : la détection d’objets, la segmentation d’instances, la classification d’images, l’estimation de pose et la détection d’objets orientés (OBB).
• Efficacité accrue : atteint une précision supérieure avec moins de paramètres que de nombreux modèles antérieurs, offrant ainsi un meilleur équilibre entre vitesse et précision.
• Déploiement flexible : conçu pour être déployé sur diverses plateformes, des appareils en périphérie au cloud.

Tâches et modes pris en charge#

YOLO12 prend en charge diverses tâches de vision par ordinateur. Le tableau ci-dessous indique les tâches prises en charge et les modes opérationnels (inférence, validation, entraînement et exportation) disponibles pour chacune :

Toutes les architectures YOLO12 prennent en charge chaque mode dès qu’un point de contrôle entraîné est disponible. La colonne Pretrained Weights indique uniquement si Ultralytics publie un .pt préentraîné officiel sur ultralytics/assets : pour la segmentation, la pose, la classification et OBB, tu dois entraîner ton propre point de contrôle à partir du fichier .yaml correspondant avant de lancer l’inférence, la validation ou l’exportation.

Indicateurs de performance#

YOLO12 présente des améliorations notables en matière de précision à toutes les échelles de modèle, avec certains compromis de vitesse par rapport aux modèles YOLO antérieurs les plus rapides. Voici les résultats quantitatifs pour la détection d’objets sur le jeu de validation COCO :

Performances de détection (COCO val2017)#

• Vitesse d’inférence mesurée sur un GPU NVIDIA T4 avec la précision FP16 de TensorRT.
• Les comparaisons indiquent l’amélioration relative de mAP et la variation en pourcentage de la vitesse (une valeur positive indique une accélération ; une valeur négative, un ralentissement). Elles sont effectuées par rapport aux résultats publiés pour YOLOv10, YOLO11 et RT-DETR, lorsqu’ils sont disponibles.

Exemples d'utilisation#

Cette section présente des exemples d’entraînement et d’inférence avec YOLO12. Pour une documentation plus complète sur ces modes et d’autres (notamment la validation et l’exportation), consulte les pages dédiées à la prédiction et à l’entraînement.

Les exemples ci-dessous portent sur les modèles YOLO12 Detect (pour la détection d’objets). Pour les autres tâches prises en charge (segmentation, classification, estimation de pose et détection d’objets orientés), consulte la documentation dédiée à chaque tâche : Segment, Classify, Pose et OBB.

from ultralytics import YOLO

# Charger un modèle YOLO12n préentraîné sur COCO
model = YOLO("yolo12n.pt")

# Entraîner le modèle sur le jeu de données d'exemple COCO8 pendant 100 époques
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Lancer l’inférence avec le modèle YOLO12n sur l’image 'bus.jpg'
results = model("path/to/bus.jpg")

Améliorations clés#

1. Amélioration de l’extraction de caractéristiques :

   • Attention par zone : traite efficacement de grands champs récepteurs et réduit le coût de calcul.
   • Équilibre optimisé : améliore l’équilibre entre les calculs des réseaux d’attention et à propagation avant.
   • R-ELAN : améliore l’agrégation de caractéristiques grâce à l’architecture R-ELAN.

2. Innovations en matière d’optimisation :

   • Connexions résiduelles : introduit des connexions résiduelles avec mise à l’échelle pour stabiliser l’entraînement, en particulier dans les modèles de grande taille.
   • Intégration des caractéristiques affinée : met en œuvre une méthode améliorée d’intégration des caractéristiques dans R-ELAN.
   • FlashAttention : intègre FlashAttention pour réduire la surcharge liée aux accès mémoire.

3. Efficacité architecturale :

   • Moins de paramètres : réduit le nombre de paramètres tout en maintenant ou en améliorant la précision par rapport à de nombreux modèles précédents.
   • Attention rationalisée : utilise une implémentation simplifiée de l’attention, sans encodage positionnel.
   • Ratios MLP optimisés : ajuste les ratios MLP afin de répartir plus efficacement les ressources de calcul.

Configuration requise#

Par défaut, l’implémentation Ultralytics de YOLO12 ne nécessite pas FlashAttention. Toutefois, FlashAttention peut être compilé et utilisé en option avec YOLO12. Pour compiler FlashAttention, il faut l’un des GPU NVIDIA suivants :

• GPU Turing (p. ex. T4, gamme Quadro RTX)
• GPU Ampere (p. ex. gamme RTX30, A30/40/100)
• GPU Ada Lovelace (p. ex. gamme RTX40)
• GPU Hopper (p. ex., H100/H200)

Citations et remerciements#

Si tu utilises YOLO12 dans tes recherches, cite les travaux originaux de l'université de Buffalo et de l'Académie chinoise des sciences :

@inproceedings{tian2025yolov12,
  title={YOLOv12: Attention-Centric Real-Time Object Detectors},
  author={Tian, Yunjie and Ye, Qixiang and Doermann, David},
  booktitle={Advances in Neural Information Processing Systems},
  volume={38},
  pages={78433--78457},
  year={2025},
  url={https://proceedings.neurips.cc/paper_files/paper/2025/file/7103444259031cc58051f8c9a4868533-Paper-Conference.pdf}
}

@software{yolo12,
  author = {Tian, Yunjie and Ye, Qixiang and Doermann, David},
  title = {YOLO12: Attention-Centric Real-Time Object Detectors},
  year = {2025},
  url = {https://github.com/sunsmarterjie/yolov12},
  license = {AGPL-3.0}
}

L'article sur YOLO12 a été publié dans les actes de NeurIPS 2025, avec une prépublication sur arXiv.

FAQ#