YOLOv11: An Overview of the Key Architectural Enhancements
- Publication
- Lieu de publication non encore vérifié
- Premier dépôt sur arXiv
- arXiv:2410.17725
Citer cet article · BibTeX
La référence correspond à la version liée et cite les auteurs de l’article original.
@misc{objectdetectionyolov112024,
title = {{YOLOv11: An Overview of the Key Architectural Enhancements}},
author = {Rahima Khanam and Muhammad Hussain},
year = {2024},
eprint = {2410.17725},
archivePrefix = {arXiv},
url = {https://arxiv.org/abs/2410.17725}
}
Il est rare d'avoir un article à lire lors de la sortie d'une nouvelle architecture YOLO. Celui-ci est une synthèse indépendante, et non une publication officielle d'Ultralytics.
Quoi qu'il en soit, encourageons l'initiative.
Définir le problème
Dans le domaine de la détection d'objets, le nom YOLO résonne depuis dix ans.
En 2015, Redmon lance le slogan « You Only Look Once ». Il écarte alors les détecteurs en deux étapes qui dominent le domaine et traite résolument la détection comme un problème de régression, en classant et localisant les objets en une seule passe.
Depuis, chaque génération de YOLO est devenue synonyme de « détection en temps réel ».
Mais, à mesure que la famille YOLO évolue, deux questions fondamentales reviennent sur le devant de la scène :
- Le compromis entre performance et vitesse : les petits modèles sont rapides mais moins précis ; les grands sont précis mais plus lents.
- L'intégration de plusieurs tâches : détection, segmentation, estimation de pose et boîtes orientées coexistent dans les applications. Les modèles Ultralytics antérieurs prenaient déjà en charge plusieurs de ces tâches ; il faut voir comment la nouvelle version les rassemble dans une interface cohérente.
L'équipe Ultralytics tente donc de faire évoluer YOLO vers un système de vision polyvalent.
Ah bon ? Une telle chose existe ? Regardons cela ensemble.
Résoudre le problème
Cet article présente une synthèse indépendante de l'architecture de YOLO11 ; pour les détails des modules ci-dessous, nous avons également consulté la configuration officielle des modèles Ultralytics et leur implémentation. La figure 1 montre les modules et les tâches de façon conceptuelle, sans détailler toutes les couches. L'architecture conserve la structure classique en trois parties :
- Backbone → Neck → Head
Rien n'est entièrement repensé ici. Quelques modifications locales cherchent plutôt à stabiliser le compromis entre performance et efficacité.
Backbone : de petits remplacements
-
C2f → C3k2
Le bloc C2f, courant dans la version précédente, cède la place au nouveau bloc C3k2.
C3k2 conserve la structure externe de séparation et de concaténation de C2f. Selon la taille et la configuration du modèle, ses unités internes sont des Bottleneck ou des C3k ; il ne s'agit pas simplement de découper une grande convolution en deux petites. Les résultats globaux publiés par Ultralytics montrent un compromis latence-précision intéressant, mais ce schéma ne suffit pas à attribuer le gain à C3k2 seul.
-
SPPF + C2PSA
Après SPPF, le backbone comporte un module C2PSA (Cross Stage Partial with Spatial Attention).
Il applique l'attention à une partie des canaux pour combiner les caractéristiques de différentes positions. L'article suppose que cela pourrait aider pour les petits objets ou les occultations, sans fournir d'ablation distincte pour ces deux cas.
Ce type d'attention n'a toutefois rien de particulièrement nouveau ; c'est davantage une façon de « suivre la tendance ».
Neck : de petites corrections à la fusion des caractéristiques
Le neck sert toujours à réunir des caractéristiques de résolutions différentes.
Ici aussi, YOLOv11 utilise des blocs C3k2 pour traiter les caractéristiques après suréchantillonnage, sous-échantillonnage et concaténation ; C2PSA se trouve à la fin du backbone, après SPPF.
La courbe vitesse-précision globale figure dans la comparaison ci-dessous ; elle ne permet pas d'isoler la contribution des changements apportés au neck.
Head : l'extension de la couche de sortie
Dans la configuration du modèle, head inclut le chemin de fusion des caractéristiques utilisant des blocs C3k2. La couche finale Detect reçoit les cartes de caractéristiques de trois échelles et prédit, par des branches séparées, les boîtes englobantes et les scores de classe. Elle ne produit pas de score distinct de présence d'objet (objectness).
Intégration de plusieurs tâches
YOLO11 conserve aussi le positionnement de « cadre multitâche » d'Ultralytics : des variantes de modèles propres à chaque tâche partagent les mêmes outils, mais un modèle unique n'accomplit pas toutes les tâches à la fois.
Comme le montre le tableau suivant :
Outre la détection d'objets standard, Ultralytics propose des variantes YOLO11 pour la segmentation, l'estimation de pose, les boîtes orientées (OBB) et la classification, avec des interfaces cohérentes pour l'inférence, la validation, l'entraînement et l'exportation.
Cette intégration a un intérêt concret. Chercheurs et développeurs peuvent choisir, dans une même chaîne d'outils, des modèles YOLO11 adaptés à la détection, à la segmentation, à l'estimation de pose ou à d'autres tâches.
Il faut toutefois garder à l'esprit que YOLOv11 n'atteint pas la meilleure précision sur toutes les tâches ; il se situe plus souvent à un niveau « utilisable et cohérent ».
Autrement dit, sa force ne réside pas dans une performance record pour une tâche donnée, mais dans le fait de réunir plusieurs besoins de vision par ordinateur derrière un même point d'entrée, au sein d'un écosystème multitâche relativement stable. Ce positionnement correspond aussi à la stratégie produit d'Ultralytics et permet à la série YOLO de couvrir davantage d'applications concrètes.
Discussion
Dans cette figure comparative tirée de l'article, l'axe horizontal indique la latence pour une image sur un GPU T4 avec TensorRT 10 FP16, et l'axe vertical le mAP@50–95 sur COCO val. Il faut donc considérer ensemble précision et latence.
Les YOLO11 n, s, m et x dessinent une courbe compétitive à leurs niveaux de latence respectifs. Les tableaux officiels donnent par exemple 51,5 mAP pour YOLO11m, contre 52,9 pour YOLOv8l, mais 20,1 millions de paramètres au lieu de 43,7 millions : c'est un compromis entre précision et taille du modèle.
Dans la partie où la latence est élevée, YOLO11x atteint environ 54,5 mAP@50–95 pour 12 à 13 ms ; dans la partie à faible latence, YOLO11s se situe autour de 47 mAP pour 2,5 ms. Ces chiffres dépendent du matériel, de la précision numérique et du moteur d'inférence utilisés pour la figure : il faut encore mesurer les performances dans l'environnement de déploiement réel.
Conclusion
Après la lecture de cet article, nous estimons que la contribution de YOLOv11 tient davantage à des ajustements d'ingénierie qu'à une percée méthodologique.
Il utilise C3k2 dans le backbone et le chemin de fusion du neck, et ajoute C2PSA après SPPF. Les résultats globaux montrent une efficacité intéressante et de bonnes performances à faible latence, sans isoler l'apport de chaque module. Ces modifications ne changent pas le principe de base de YOLO : elles optimisent une conception existante.
À vrai dire, une amélioration de cette ampleur ne suffit guère à justifier l'étiquette de « nouvelle génération d'architecture »...
Mais qui sait ? Puisque cette version est sortie, acceptons-la donc.