RTDETRv2 frente a YOLOv5: Evaluando Transformers de detección en tiempo real y CNN

La evolución de la visión por ordenador se ha definido en gran medida por la búsqueda incesante de equilibrar la precisión con la velocidad de inferencia en tiempo real. Al comparar RTDETRv2 y Ultralytics YOLOv5, los desarrolladores están esencialmente sopesando las sofisticadas capacidades de contexto global de las arquitecturas de transformer frente a la eficiencia altamente optimizada y probada en batalla de las Redes Neuronales Convolucionales (CNN).

Esta guía proporciona un análisis técnico detallado de estas dos arquitecturas destacadas, detallando sus métricas de rendimiento, metodologías de entrenamiento, requisitos de memoria y escenarios de despliegue ideales para ayudarte a elegir el mejor modelo de detección de objetos para tu caso de uso específico.

RTDETRv2: el enfoque del transformador para la detección en tiempo real

Partiendo del Real-Time Detection Transformer (RT-DETR) original, RTDETRv2 introduce una serie de "bag-of-freebies" para mejorar la arquitectura base sin sacrificar su latencia de inferencia.

• Autores: Wenyu Lv, Yian Zhao, Qinyao Chang, Kui Huang, Guanzhong Wang y Yi Liu
• Organización: Baidu
• Fecha: 24-07-2024
• Enlaces: Documento de Arxiv, Repositorio de GitHub

Arquitectura y capacidades

RTDETRv2 aprovecha una arquitectura híbrida CNN-Transformer. La CNN actúa como backbone para extraer características visuales de grano fino, mientras que las capas de encoder-decoder del transformer procesan todo el mapa de características para comprender el contexto global. Un sello distintivo importante de RTDETRv2 es su naturaleza end-to-end, eliminando completamente la necesidad de post-procesamiento con Non-Maximum Suppression (NMS).

Aunque RTDETRv2 logra una precisión impresionante, particularmente en escenas complejas y densas donde los objetos se superponen, conlleva notables inconvenientes. El mecanismo de atención inherente a los transformers exige una memoria CUDA significativamente mayor durante el entrenamiento en comparación con las CNN estándar. Además, si bien funciona bien en GPUs de gama alta como la NVIDIA A100 o T4, su arquitectura es notablemente más lenta en CPUs estándar y dispositivos de borde severamente limitados.

Aprende más sobre RTDETRv2

Ultralytics YOLOv5: El estándar de la industria para la eficiencia

Ultralytics YOLOv5 cambió fundamentalmente el panorama del aprendizaje automático aplicado cuando se lanzó, haciendo que la visión por ordenador de alto rendimiento fuera accesible para los desarrolladores de todo el mundo a través de un framework excepcionalmente intuitivo.

• Autor: Glenn Jocher
• Organización: Ultralytics
• Fecha: 26 de junio de 2020
• Enlaces: Documentación oficial, Repositorio de GitHub

Ecosistema y equilibrio de rendimiento

YOLOv5 está construido completamente sobre el framework PyTorch y se basa en una arquitectura CNN inmensamente eficiente. Fue diseñado desde cero para la facilidad de uso, contando con una API optimizada y parte de la documentación más extensa de la industria de la IA.

La mayor ventaja de YOLOv5 radica en su versatilidad inigualable y sus bajos requisitos de memoria. Entrenar un modelo YOLOv5 requiere mucha menos VRAM que los modelos basados en transformers, lo que lo hace accesible a investigadores e ingenieros con presupuestos de hardware limitados. Además, mientras que RTDETRv2 se centra exclusivamente en la detección de cuadros delimitadores, YOLOv5 ha evolucionado hasta convertirse en una potencia versátil que admite segmentación de instancias y clasificación de imágenes.

Más información sobre YOLOv5

Comparación de rendimiento y métricas

Al analizar el rendimiento bruto en el conjunto de datos COCO estándar, podemos ver distinciones claras en cómo estos modelos priorizan los recursos.

Analizando las compensaciones

Los datos revelan que RTDETRv2-x alcanza una precisión media (mAP) máxima del 54,3%, superando ligeramente el 50,7% de YOLOv5x. Sin embargo, esta pequeña ganancia en precisión conlleva un coste computacional masivo. YOLOv5x opera con menor latencia (11,89 ms frente a 15,03 ms en TensorRT) y requiere una fracción de la memoria. Para despliegues en el borde de ultrabajo consumo, YOLOv5n (Nano) sigue sin rival, completando inferencias en solo 1,12 ms con una huella de parámetros diminuta de 2,6M, un nivel en el que RTDETRv2 ni siquiera intenta competir.

Eficiencia de entrenamiento y simplicidad de código

Uno de los puntos fuertes clave del ecosistema Ultralytics es su API unificada. Incluso si decides utilizar la arquitectura de transformer de RT-DETR para una tarea específica de alta computación, puedes hacerlo completamente dentro del paquete de Python de Ultralytics, cambiando modelos sin problemas con solo una línea de código.

from ultralytics import RTDETR, YOLO

# Load the Ultralytics YOLOv5 small model
model_yolo = YOLO("yolov5s.pt")

# Load the RT-DETR large model via Ultralytics
model_rtdetr = RTDETR("rtdetr-l.pt")

# Train YOLOv5 effortlessly on your custom data
model_yolo.train(data="coco8.yaml", epochs=100, imgsz=640)

# Run inference with both models seamlessly
results_yolo = model_yolo("https://ultralytics.com/images/bus.jpg")
results_rtdetr = model_rtdetr("https://ultralytics.com/images/bus.jpg")

results_yolo[0].show()

Al aprovechar la biblioteca de Ultralytics, los desarrolladores obtienen acceso automáticamente a un ecosistema bien mantenido que cuenta con integraciones de seguimiento de experimentos (como Weights & Biases y Comet ML) y exportaciones con un solo clic a formatos de despliegue como ONNX y OpenVINO.

Aplicaciones en el mundo real y casos de uso ideales

Donde destaca RTDETRv2

RTDETRv2 es más adecuado para entornos donde las limitaciones de hardware son inexistentes y la máxima precisión posible es el único objetivo.

• Imágenes médicas del lado del servidor: Detección de anomalías microscópicas en rayos X de alta resolución.
• Imágenes satelitales: Seguimiento de objetos densos y superpuestos en tareas de vigilancia aérea en potentes clústeres en la nube.

Donde domina YOLOv5

YOLOv5 es el campeón indiscutible para despliegues prácticos en el mundo real a través de diversos hardware.

• Dispositivos de IA de borde: Despliegue de sistemas de alarma de seguridad en Raspberry Pi o dispositivos NVIDIA Jetson donde la memoria está estrictamente limitada.
• Aplicaciones móviles: Ejecución de inferencia rápida de detección de objetos y segmentación en tiempo real directamente en smartphones a través de CoreML o TFLite.
• Fabricación industrial de alta velocidad: Inspección de piezas en líneas de producción rápidas donde la latencia de milisegundos es crítica para el éxito operativo.

En última instancia, mientras que RTDETRv2 eleva el techo de precisión utilizando capas de transformer, el framework YOLO de Ultralytics proporciona un equilibrio inigualable de velocidad, requisitos de memoria ligeros y una experiencia de desarrollador brillantemente diseñada que reduce drásticamente el tiempo desde el prototipo hasta la producción.