RTDETRv2 vs. DAMO-YOLO : Un examen approfondi de la détection d'objets en temps réel

Le paysage de la computer vision évolue rapidement, les chercheurs repoussant constamment les limites entre la vitesse d'inférence et la précision de la détection. RTDETRv2, un modèle basé sur un transformateur de Baidu, et DAMO-YOLO, un réseau convolutionnel hautement optimisé d'Alibaba, sont deux concurrents importants dans ce domaine. Cette comparaison technique explore les philosophies architecturales distinctes de ces modèles, leurs mesures de performance et les scénarios d'application idéaux.

Benchmarks de performance : rapidité vs. précision

Lors de la sélection d'un modèle de détection d'objets, le compromis principal réside généralement entre la précision moyenne (mAP) et la latence. Les données suivantes mettent en évidence les différences de performances entre RTDETRv2 et DAMO-YOLO sur l'ensemble de données de validation COCO.

Modèle	Taille ^(pixels)	mAP^val 50-95	Vitesse ^{CPU ONNX (ms)}	Vitesse ^{T4 TensorRT10 (ms)}	paramètres ^(M)	FLOPs ^(B)
RTDETRv2-s	640	48.1	-	5.03	20	60
RTDETRv2-m	640	51.9	-	7.51	36	100
RTDETRv2-l	640	53.4	-	9.76	42	136
RTDETRv2-x	640	54.3	-	15.03	76	259

DAMO-YOLOt	640	42.0	-	2.32	8.5	18.1
DAMO-YOLOs	640	46.0	-	3.45	16.3	37.8
DAMO-YOLOm	640	49.2	-	5.09	28.2	61.8
DAMO-YOLOl	640	50.8	-	7.18	42.1	97.3

Les données révèlent une distinction claire dans la philosophie de conception. DAMO-YOLO privilégie la vitesse brute et l'efficacité, avec la variante 'Tiny' atteignant une latence exceptionnellement faible, adaptée aux environnements d'edge computing contraints. Inversement, RTDETRv2 vise une précision maximale, avec sa plus grande variante atteignant un mAP notable de 54,3, ce qui la rend supérieure pour les tâches où la précision est primordiale.

RTDETRv2 : La centrale Transformer

RTDETRv2 s’appuie sur le succès de l’architecture Detection Transformer (DETR), en s’attaquant au coût de calcul élevé généralement associé aux transformateurs de vision tout en conservant leur capacité à saisir le contexte global.

Auteurs : Wenyu Lv, Yian Zhao, Qinyao Chang, Kui Huang, Guanzhong Wang et Yi Liu
Organisation :Baidu
Date : 2023-04-17 (initiale), 2024-07-24 (mise à jour v2)
Arxiv:RT-DETRv2 : Base de référence améliorée avec Bag-of-Freebies
GitHub :Dépôt RT-DETRv2

Architecture et capacités

RTDETRv2 utilise un encodeur hybride qui traite efficacement les caractéristiques multi-échelles. Contrairement aux modèles YOLO traditionnels basés sur CNN, RTDETR élimine le besoin de post-traitement Non-Maximum Suppression (NMS). Cette approche de bout en bout simplifie le pipeline de déploiement et réduit la variabilité de la latence dans les scènes encombrées.

Le modèle utilise un encodeur hybride efficace qui découple l'interaction intra-échelle et la fusion inter-échelles, réduisant considérablement la surcharge de calcul par rapport aux modèles DETR standard. Cette conception lui permet d'exceller dans l'identification d'objets dans des environnements complexes où l'occlusion pourrait dérouter les détecteurs convolutionnels standard.

Utilisation de la mémoire par les Transformers

Bien que RTDETRv2 offre une haute précision, il est important de noter que les architectures Transformer consomment généralement beaucoup plus de mémoire CUDA pendant l'entraînement par rapport aux CNN. Les utilisateurs disposant d'une VRAM GPU limitée peuvent trouver l'entraînement de ces modèles difficile par rapport aux alternatives efficaces comme YOLO11.

En savoir plus sur RTDETR

DAMO-YOLO : Optimisé pour l'efficacité

DAMO-YOLO représente une approche rigoureuse de l'optimisation architecturale, tirant parti de la recherche d'architecture neuronale (NAS) pour trouver les structures les plus efficaces pour l'extraction et la fusion de caractéristiques.

Auteurs : Xianzhe Xu, Yiqi Jiang, Weihua Chen, Yilun Huang, Yuan Zhang et Xiuyu Sun
Organisation :Alibaba Group
Date : 2022-11-23
Arxiv :DAMO-YOLO : un rapport sur la conception de la detect d’objets en temps réel
GitHub :Dépôt DAMO-YOLO

Principales innovations architecturales

DAMO-YOLO intègre plusieurs technologies avancées pour maximiser le compromis vitesse-précision :

L'épine dorsale MAE-NAS : Il utilise une épine dorsale découverte par le biais d'une recherche d'architecture neuronale efficace tenant compte des méthodes, ce qui garantit que chaque paramètre contribue efficacement à l'extraction des caractéristiques.
RepGFPN : Une conception de cou spécialisée qui fusionne les caractéristiques à différentes échelles avec un coût de calcul minimal, améliorant ainsi la détection des petits objets sans bloquer les vitesses d'inférence.
ZeroHead : Une tête de détection simplifiée qui réduit la complexité des couches de prédiction finales.

Ce modèle est particulièrement performant dans les scénarios nécessitant un débit élevé, tels que les chaînes de montage industrielles ou la surveillance du trafic à grande vitesse, où chaque milliseconde compte.

En savoir plus sur DAMO-YOLO

Scénarios d'application dans le monde réel

Le choix entre ces deux modèles se résume souvent aux contraintes spécifiques de l'environnement de déploiement.

Quand choisir RTDETRv2

RTDETRv2 est le choix préféré pour les applications où la précision est non négociable et les ressources matérielles sont amples.

Imagerie médicale : Dans l'analyse d’images médicales, le fait de manquer une détection (faux négatif) peut avoir de graves conséquences. Le mAP élevé de RT-DETRv2 le rend approprié pour la détection d’anomalies dans les radiographies ou les IRM.
Surveillance détaillée : Pour les systèmes de sécurité nécessitant la reconnaissance faciale ou l’identification de petits détails à distance, les capacités de contexte global de l’architecture de transformateur offrent un avantage distinct.

Quand choisir DAMO-YOLO

DAMO-YOLO excelle dans les environnements aux ressources limitées ou les applications nécessitant une latence ultra-faible.

Robotique : Pour les robots mobiles autonomes qui traitent des données visuelles sur des appareils embarqués alimentés par batterie, l'efficacité de DAMO-YOLO garantit une réactivité en temps réel.
Fabrication à haute vitesse : Dans l’automatisation de la fabrication, la détection des défauts sur les chaînes de montage rapides nécessite les vitesses d’inférence rapides fournies par les variantes DAMO-YOLO-tiny et small.

L'avantage Ultralytics : pourquoi YOLO11 est le choix optimal

Bien que RTDETRv2 et DAMO-YOLO offrent des fonctionnalités intéressantes, Ultralytics YOLO11 fournit une solution holistique qui équilibre les performances, la convivialité et le support de l'écosystème, ce qui en fait le choix supérieur pour la plupart des développeurs et des chercheurs.

Écosystème et convivialité inégalés

L'un des obstacles les plus importants à l'adoption de modèles de recherche est la complexité de leur base de code. Ultralytics élimine cette friction grâce à une API Python unifiée et conviviale. Que vous effectuiez une segmentation d'instance, une estimation de pose ou une classification, le flux de travail reste cohérent et intuitif.

from ultralytics import YOLO

# Load a model (YOLO11 offers various sizes: n, s, m, l, x)
model = YOLO("yolo11n.pt")

# Train the model with a single line of code
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

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

Polyvalence dans toutes les tâches

Contrairement à DAMO-YOLO, qui se concentre principalement sur la détection, YOLO11 est une plateforme polyvalente. Il prend en charge un large éventail de tâches de vision par ordinateur prêtes à l'emploi, notamment la détection de boîtes englobantes orientées (OBB), qui est essentielle pour l'imagerie aérienne et l'analyse de documents. Cette polyvalence permet aux équipes de se standardiser sur un framework unique pour répondre aux exigences de plusieurs projets.

Efficacité de l'entraînement et gestion de la mémoire

YOLO11 est conçu pour l'efficacité. Il nécessite généralement moins de mémoire GPU (VRAM) pour l'entraînement par rapport aux modèles basés sur les transformateurs comme RTDETRv2. Cette efficacité abaisse la barrière matérielle, permettant aux développeurs d'entraîner des modèles à la pointe de la technologie sur des GPU grand public ou d'utiliser efficacement les ressources cloud via l'écosystème Ultralytics. De plus, la vaste bibliothèque de poids pré-entraînés garantit que l'apprentissage par transfert est rapide et efficace, réduisant considérablement le délai de commercialisation des solutions d'IA.

Pour ceux qui recherchent une solution robuste, bien maintenue et à haute performance qui évolue avec l'industrie, Ultralytics YOLO11 reste la norme recommandée.

Explorer d’autres comparaisons

Pour mieux comprendre comment ces modèles s'intègrent dans le paysage plus large de la vision par ordinateur, explorez ces comparaisons connexes :