PP-YOLOE+ vs. RTDETRv2 : Une comparaison technique

Pour naviguer dans le paysage des modèles modernes de détection d'objets, il faut souvent choisir entre des architectures de réseaux neuronaux convolutionnels (CNN) bien établies et des conceptions émergentes basées sur des transformateurs. Cette comparaison technique examine PP-YOLOE+ et RTDETRv2, deux modèles très performants provenant de Baidu. Alors que PP-YOLOE+ représente l'évolution des CNN efficaces et sans ancrage au sein de l'écosystème PaddlePaddle , RTDETRv2 (Real-Time Detection Transformer version 2) repousse les limites de la précision en utilisant des transformateurs de vision.

Cette analyse dissèque leurs innovations architecturales, leurs mesures de performance et leurs scénarios de déploiement idéaux pour vous aider à sélectionner l'outil adéquat pour vos projets de vision par ordinateur.

PP-YOLOE+ : Le CNN efficace sans ancrage

PP-YOLOE+ est un détecteur d'objets industriel de pointe développé par l'équipe de PaddlePaddle . Il s'agit d'une mise à jour de PP-YOLOE, qui se concentre sur l'amélioration de l'équilibre entre l'efficacité de l'entraînement, la vitesse d'inférence et la précision de la détection. Fondé sur les principes de la famille YOLO (You Only Look Once), il crée une architecture rationalisée, sans ancrage, optimisée pour un déploiement pratique dans le monde réel.

• Auteurs : Auteurs de PaddlePaddle
• Organisation :Baidu
• Date : 2022-04-02
• Arxiv :https://arxiv.org/abs/2203.16250
• GitHub :https://github.com/PaddlePaddle/PaddleDetection/
• Docs :PaddleDetection PP-YOLOE+ README

Architecture et caractéristiques principales

PP-YOLOE+ utilise une épine dorsale CSPResNet évolutive, qui extrait efficacement les caractéristiques à plusieurs échelles. Son architecture se distingue par l'utilisation d'un cou CSPPAN (Cross Stage Partial Path Aggregation Network), qui améliore la fusion des caractéristiques. L'une des principales innovations est la tête efficace d'alignement des tâches (ET-Head), qui dissocie les tâches de classification et de localisation tout en garantissant leur alignement au cours de la formation par le biais de l'apprentissage de l'alignement des tâches (TAL). Cette approche élimine la nécessité d'un réglage sensible des hyperparamètres de la boîte d'ancrage.

Points forts et limites

La principale force de PP-YOLOE+ réside dans sa vitesse d'inférence. Il est conçu pour fonctionner extrêmement rapidement sur différents matériels, des GPU de qualité serveur aux appareils de pointe, sans sacrifier une précision significative. La conception sans ancrage simplifie le pipeline de formation, ce qui facilite l'adaptation à de nouveaux ensembles de données.

Toutefois, le fait de s'appuyer sur le PaddlePaddle peut être un obstacle pour les équipes profondément intégrées dans le cadre de PyTorch ou TensorFlow . Le portage de modèles ou la recherche d'outils de déploiement compatibles en dehors de la suite de Baidu peut entraîner des frictions.

En savoir plus sur PP-YOLOE+

RTDETRv2 : La centrale de transformation

RTDETRv2 représente une avancée significative dans la détection d'objets en temps réel en adaptant avec succès l'architecture Transformer - conçue à l'origine pour le traitement du langage naturel - à des tâches de vision à des vitesses compétitives. Il s'attaque au coût de calcul élevé généralement associé aux transformateurs, en offrant un "sac de cadeaux" qui améliore la ligne de base originale de RT-DETR .

• Auteurs : Wenyu Lv, Yian Zhao, Qinyao Chang, Kui Huang, Guanzhong Wang et Yi Liu
• Organisation :Baidu
• Date : 2023-04-17 (Original), 2024-07-24 (v2 Release)
• Arxiv:https://arxiv.org/abs/2304.08069RT-DETR), https://arxiv.org/abs/2407.17140RT-DETRv2)
• GitHub :DépôtRT-DETR sur GitHub
• Docs :DocumentationRT-DETRv2

Architecture et caractéristiques principales

RTDETRv2 utilise un codeur hybride qui traite efficacement les caractéristiques multi-échelles, en dissociant les interactions intra-échelle de la fusion inter-échelle. Cette conception lui permet de capturer le contexte global - les relationsentre des parties éloignées d'une image - de manière beaucoup plus efficace que les champs réceptifs locaux des CNN. Il utilise un mécanisme de sélection des requêtesIoU pour initialiser les requêtes d'objets, ce qui stabilise l'apprentissage et améliore la qualité de la détection finale. La mise à jour v2 introduit un décodeur flexible qui permet aux utilisateurs d'ajuster la vitesse d'inférence en modifiant les couches du décodeur sans réentraînement.

Points forts et limites

La caractéristique principale de RTDETRv2 est sa précision dans les scènes complexes, en particulier lorsque les objets sont occultés ou ne se distinguent pas clairement les uns des autres. Le mécanisme d'auto-attention permet au modèle de "raisonner" sur la scène de manière globale.

En savoir plus sur RTDETRv2

Analyse des performances : Vitesse vs. Précision

Le choix entre ces deux modèles dépend souvent des contraintes spécifiques de l'environnement de déploiement. Le tableau ci-dessous illustre les compromis, en comparant la précision moyenne (mAP) et la latence d'inférence.

Principaux enseignements :

• Efficacité des petits modèles : À l'extrémité inférieure du spectre, PP-YOLOE+s est presque deux fois plus rapide que RTDETRv2-s (2,62 ms contre 5,03 ms) tout en utilisant beaucoup moins de paramètres (7,93 M contre 20 M).
• Précision maximale :RTDETRv2 offre généralement une plus grande précision par paramètre dans le milieu de gamme (modèles M et L). Cependant, le plus grand PP-YOLOE+x atteint ou dépasse légèrement la précision de RTDETRv2-x (54,7 contre 54,3 mAP) tout en conservant une latence légèrement inférieure.
• Charge de calcul : Les modèles RTDETRv2 affichent systématiquement des nombres de FLOPs plus élevés, ce qui indique une charge de calcul plus importante qui affecte la durée de vie de la batterie et la production de chaleur dans les systèmes embarqués.

Applications concrètes

Quand choisir PP-YOLOE+ ?

• Fabrication à grande vitesse : Pour les lignes d'assemblage nécessitant un contrôle qualité à haute fréquence où la latence à la milliseconde est importante.
• Dispositifs de périphérie : Lors du déploiement sur du matériel avec des budgets d'énergie limités, comme les drones ou les scanners portables, où le nombre réduit de FLOPs et de paramètres est essentiel.
• L'écosystèmePaddlePaddle : Si votre infrastructure existante est déjà construite autour du cadre PaddlePaddle de Baidu.

Quand choisir RTDETRv2

• Scénarios complexes : Pour la conduite autonome ou la surveillance du trafic, où la compréhension de la relation entre les objets (contexte) est aussi importante que leur détection.
• Scènes encombrées : Dans les applications de surveillance à forte occlusion, le mécanisme d'attention globale du transformateur permet de maintenir la cohérence du suivi et de la détection mieux que les CNN purs.

L'avantage Ultralytics : Pourquoi YOLO11 se démarque

Alors que PP-YOLOE+ et RTDETRv2 sont des modèles redoutables, Ultralytics YOLO11 offre une alternative convaincante qui constitue souvent le meilleur choix pour la majorité des développeurs et des chercheurs.

• Facilité d'utilisation : Ultralytics donne la priorité à l'expérience des développeurs. Avec une API Python et un CLI simples, vous pouvez former, valider et déployer des modèles en quelques minutes. Contrairement à la configuration complexe souvent requise pour PaddleDetection ou les bases de code de recherche comme RT-DETR, les modèlesYOLO d'Ultralytics fonctionnent "prêts à l'emploi".
• Un écosystème bien entretenu : L'écosystème Ultralytics est dynamique et activement mis à jour. Il comprend des intégrations transparentes avec des outils d'annotation de données, de suivi d'expériences (comme MLflow et Comet) et de déploiement.
• Balance de performance :YOLO11 est conçu pour offrir un compromis optimal entre vitesse et précision. Il égale ou dépasse souvent la précision des modèles à transformateur tout en conservant la vitesse et l'efficacité de la mémoire des CNN.
• Efficacité de la mémoire : L'un des principaux avantages de YOLO11 est sa faible empreinte mémoire. L'entraînement de modèles basés sur des transformateurs comme RTDETRv2 peut nécessiter d'énormes quantités de VRAM du GPU . YOLO11 est optimisé pour s'entraîner efficacement sur du matériel grand public.
• Polyvalence : Contrairement à de nombreux concurrents qui se concentrent uniquement sur les boîtes englobantes, l'architecture du modèle YOLO11 prend en charge la détection d'objets, la segmentation d'instances, l'estimation de la pose, la classification et la détection d'objets orientés (OBB).

Exemple : Formation de YOLO11 en Python

L'exemple suivant démontre la simplicité du flux de travail d'Ultralytics par rapport à des structures plus complexes :

from ultralytics import YOLO

# Load a pre-trained YOLO11 model
model = YOLO("yolo11n.pt")

# Train the model on the COCO8 dataset for 100 epochs
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Run inference on an image
results = model("path/to/image.jpg")

Conclusion

PP-YOLOE+ et RTDETRv2 témoignent tous deux des progrès rapides réalisés dans le domaine de la vision par ordinateur. PP-YOLOE+ est un excellent choix pour ceux qui sont profondément intégrés dans l'écosystème PaddlePaddle et qui ont besoin d'une efficacité brute, tandis que RTDETRv2 démontre le potentiel de haute précision des transformateurs.

Cependant, pour les développeurs qui recherchent une solution polyvalente, facile à utiliser et soutenue par la communauté, sans compromis sur les performances, Ultralytics YOLO11 reste la norme recommandée. Son équilibre entre une faible utilisation de la mémoire, une vitesse élevée et des capacités multitâches en fait le choix le plus pratique pour faire passer les solutions d'IA du stade du prototype à celui de la production.

Explorer d’autres comparaisons

• YOLO11 vs. RT-DETR
• YOLO11 vs. PP-YOLOE+
• RT-DETR vs. YOLOv8
• YOLOv8 vs. EfficientDet

Commentaires