Multiscale Real-Time Object Detection in the NMS-Free Era: A Comparative Performance Evaluation of YOLOv8 and YOLO26

Résumé Technique : Détection d'Objets en Temps Réel Multi-échelle à l'Ère de la Suppression Non Maximale (NMS)

Énoncé du Problème
Les pipelines de détection d'objets en temps réel ont longtemps reposé sur la Suppression Non Maximale (NMS) comme étape critique de post-traitement pour filtrer les prédictions de boîtes englobantes redondantes. Bien qu'efficace pour la déduplication, la NMS introduit trois limitations principales : (1) une variance de latence qui s'adapte à la densité de la scène, perturbant l'exécution synchrone sur le matériel de périphérie ; (2) une sensibilité aux hyperparamètres nécessitant un réglage manuel des seuils d'Intersection sur Union (IoU) par déploiement ; et (3) une incompatibilité avec les accélérateurs à arithmétique entière où le filtrage séquentiel perturbe les graphes d'exécution parallèle.

Bien que des architectures récentes comme YOLO26 (introduite par Ultralytics au début de 2026) proposent des conceptions natives de bout en bout, sans NMS, pour résoudre ces problèmes, leurs performances empiriques par rapport aux modèles établis basés sur la NMS comme YOLOv8 restent peu explorées. Les benchmarks existants, principalement MS COCO, mettent l'accent sur les objets de taille moyenne à grande et ne parviennent pas à tester spécifiquement des modes de défaillance tels que la fidélité des petits objets dans la surveillance aérienne ou la généralisation à travers des taxonomies héritées.

Méthodologie
Cette étude conduit une évaluation comparative approfondie de YOLOv8 et YOLO26 à travers cinq échelles de modèles (nano, petit, moyen, grand et extra-grand). L'évaluation utilise deux ensembles de données distincts pour tester sous pression différentes capacités de détection :

• Pascal VOC : Un benchmark fondamental pour la détection d'objets générale avec des instances relativement grandes et bien centrées.
• VisDrone2019-DET : Un ensemble de données capturé par drone caractérisé par des scènes denses et des défis sévères liés aux petits objets (75 % des objets occupent < 2 000 pixels).

La méthodologie implique l'entraînement et le réglage fin des deux familles de modèles sur ces ensembles de données en utilisant des configurations identiques (entrée 640×640, taille de lot 16, 100 époques) sur un GPU NVIDIA RTX 6000 Ada. La performance est évaluée via :

1. Précision de Détection : Précision, Rappel, Score F1, mAP@50 et mAP@50:95.
2. Efficacité Computationsnelle : Taille du modèle, nombre de paramètres, GFLOPs et latence CPU/GPU.
3. Analyse Architecturale : Une comparaison côte à côte des fonctions de perte, des stratégies d'affectation des étiquettes et des pipelines de post-traitement.

Différences Architecturales Clés
L'article met en évidence des divergences fondamentales entre les deux familles de modèles :

• YOLOv8 : Utilise une tête découplée avec une Perte de Focalisation de Distribution (DFL) pour la régression des boîtes englobantes et repose sur la NMS pour le post-traitement. Il emploie l'Apprentissage de l'Alignement des Tâches (TAL) pour l'affectation des étiquettes.
• YOLO26 : Adopte une architecture native de bout en bout qui élimine la NMS et la DFL. Les innovations clés incluent :
  • Affectation d'Étiquettes Un-à-Un : Impose des prédictions déterministes et non redondantes sans post-traitement.
  • Régression Directe : Remplace la DFL par une régression directe des coordonnées pour réduire la surcharge de quantification sur le matériel de périphérie.
  • Affectation d'Étiquettes Sensible aux Petits Cibles (STAL) : Un critère d'affectation dynamique qui abaisse le seuil IoU pour les objets minuscules afin d'éviter la disparition du gradient.
  • Équilibrage Progressif de la Perte (ProgLoss) : Une stratégie de modulation de perte dépendante du temps qui déplace l'accent de l'apprentissage sémantique vers la précision géométrique pendant l'entraînement.
  • Optimiseur MuSGD : Une variante d'optimiseur normalisée spectralement conçue pour stabiliser les backbones légers.

Résultats Clés

• Performance Pascal VOC : YOLO26 démontre un avantage constant par rapport à YOLOv8 sur la plupart des échelles, atteignant une précision, un rappel, des scores F1 et des métriques mAP plus élevés. La variante YOLO26-extra-grand (x) atteint la précision globale la plus élevée, bien que le gain marginal par rapport à la variante grande (l) suggère des rendements décroissants à l'échelle la plus élevée.
• Performance VisDrone : Les deux modèles peinent considérablement sur l'ensemble de données VisDrone en raison des cibles petites et denses. Bien que YOLO26 atteigne toujours les scores les plus élevés à l'échelle extra-grande, l'écart de performance entre YOLO26 et YOLOv8 se réduit considérablement par rapport à Pascal VOC. Les deux architectures font face à des défis dans la localisation précise des petits objets aériens.
• Efficacité et Latence :
  • Complexité du Modèle : YOLO26 présente généralement des nombres de paramètres plus faibles, des tailles de modèles plus petites et des GFLOPs réduits par rapport aux échelles équivalentes de YOLOv8.
  • Latence : Contrairement à l'hypothèse selon laquelle les conceptions sans NMS offrent universellement une latence plus faible, YOLOv8 reste compétitif, et dans certains cas plus rapide, sur le matériel GPU à des échelles comparables. Sur CPU, la latence augmente fortement pour les deux familles à mesure que l'échelle croît.
  • Déploiement : La suppression de la DFL dans YOLO26 est notée comme bénéfique pour la quantification INT8 et le déploiement sur périphérie, réduisant la diversité des opérateurs et la surcharge d'inférence.

Signification et Revendications
L'article affirme que la sélection du détecteur n'est pas déterminée uniquement par la nouveauté architecturale mais dépend fortement des caractéristiques de l'ensemble de données, de l'échelle des objets et des contraintes matérielles.

• Supériorité Contextuelle : YOLO26 offre des performances supérieures et une compacité de modèle pour la détection d'objets générale (Pascal VOC) et les scénarios de déploiement sur périphérie nécessitant une latence déterministe.
• Limites des Conceptions Sans NMS : L'étude remet en question l'hypothèse selon laquelle les architectures plus récentes dominent universellement leurs prédécesseurs. Plus précisément, la conception sans NMS ne garantit pas une supériorité universelle de déploiement, en particulier dans les environnements limités par le GPU où YOLOv8 reste compétitif.
• Défis des Petits Objets : Les résultats soulignent que même les architectures sans NMS les plus avancées peinent avec la détection d'objets denses et petits dans les images aériennes, indiquant que des changements architecturaux seuls ne peuvent pas résoudre pleinement le problème des « petits objets » sans une optimisation spécifique à l'ensemble de données.

L'étude conclut que si YOLO26 représente une alternative solide à YOLOv8, particulièrement pour les contraintes de précision et de taille de modèle, le choix optimal pour un déploiement dans le monde réel nécessite une évaluation nuancée de la distribution de données spécifique et de l'environnement matériel.