RTDETRv2 vs. YOLO: une plongée profonde dans la détection d'objets en temps réel

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

Critères de performance : Vitesse et précision

Lors de la sélection d'un modèle de détection d'objets, le principal compromis se situe généralement entre la précision moyennemAP et la latence. Les données suivantes mettent en évidence les différences de performance entre RTDETRv2 et 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. YOLO donne la priorité à la vitesse brute et à l'efficacité, la variante "Tiny" atteignant une latence exceptionnellement faible adaptée aux environnements informatiques restreints. À l'inverse, RTDETRv2 vise une précision maximale, sa plus grande variante atteignant 54,3 mAP, ce qui la rend supérieure pour les tâches où la précision est primordiale.

RTDETRv2 : La centrale de transformation

RTDETRv2 s'appuie sur le succès de l'architecture du transformateur de détection (DETR), en s'attaquant au coût de calcul élevé généralement associé aux transformateurs de vision, tout en conservant leur capacité à capturer le contexte global.

Auteurs : Wenyu Lv, Yian Zhao, Qinyao Chang, Kui Huang, Guanzhong Wang et Yi Liu
Organisation :Baidu
Date : 2023-04-17 (Initial), 2024-07-24 (v2 Update)
Arxiv :RT-DETRv2: Amélioration de la base de référence avec Bag-of-Freebies
GitHub :DépôtRT-DETRv2

Architecture et capacités

RTDETRv2 utilise un codeur hybride qui traite efficacement les caractéristiques multi-échelles. Contrairement aux modèles YOLO traditionnels basés sur le CNN, RTDETR élimine le besoin d'un post-traitement de suppression non maximale (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 codeur hybride efficace qui découple l'interaction intra-échelle et la fusion inter-échelle, ce qui réduit considérablement la charge 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 confondre les détecteurs convolutionnels standard.

Utilisation de la mémoire du transformateur

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

En savoir plus sur RTDETR

YOLO: Optimisé pour l'efficacité

YOLO représente une approche rigoureuse de l'optimisation architecturale, s'appuyant sur la recherche d'architecture neuronale (NAS) pour trouver les structures les plus efficaces pour l'extraction et la fusion des caractéristiques.

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

Principales innovations architecturales

YOLO intègre plusieurs technologies avancées afin de 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 travers les échelles avec un coût de calcul minimal, améliorant la détection des petits objets sans ralentir les vitesses d'inférence.
ZeroHead : une tête de détection simplifiée qui réduit la complexité des couches de prédiction finales.

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

En savoir plus sur DAMO-YOLO

Scénarios d'application dans le monde réel

Le choix entre ces deux modèles dépend souvent des contraintes spécifiques de l'environnement de déploiement.

Quand choisir RTDETRv2

RTDETRv2 est le choix préféré pour les applications où la précision n'est pas négociable et où les ressources matérielles sont suffisantes.

Imagerie médicale : Dans l'analyse d'images médicales, l'absence de détection (faux négatif) peut avoir de graves conséquences. Le mAP élevé de RTDETRv2 le rend approprié pour la détection d'anomalies dans les radiographies ou les IRM.
Surveillance détaillée : Pour les systèmes de sécurité nécessitant une reconnaissance faciale ou l'identification de petits détails à distance, les capacités de contexte global de l'architecture du transformateur offrent un avantage certain.

Quand choisir YOLO

YOLO se distingue dans les environnements à ressources limitées ou dans les applications nécessitant une latence ultra-faible.

Robotique : Pour les robots mobiles autonomes qui traitent des données visuelles sur des dispositifs embarqués alimentés par batterie, l'efficacité de YOLO garantit une réactivité en temps réel.
Fabrication à grande vitesse : Dans le domaine de l'automatisation de la fabrication, la détection des défauts sur les bandes transporteuses en mouvement rapide nécessite les vitesses d'inférence rapides offertes par les variantes YOLO et small.

L'avantage Ultralytics : Pourquoi YOLO11 est le choix optimal

RTDETRv2 et YOLO offrent des caractéristiques intéressantes, Ultralytics YOLO11 fournit une solution holistique qui équilibre les performances, la convivialité et le soutien de l'écosystème, ce qui en fait le meilleur choix pour la plupart des développeurs et des chercheurs.

Un écosystème et une facilité d'utilisation inégalés

L'un des principaux obstacles 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. Qu'il s'agisse de segmentation d'instance, d'estimation de pose ou de 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 des tâches

Contrairement à YOLO, qui est principalement axé sur la détection, YOLO11 est une plateforme polyvalente. Elle prend en charge d'emblée un large éventail de tâches de vision par ordinateur, y compris la détection de la boîte englobante orientée (OBB), qui est cruciale pour l'imagerie aérienne et l'analyse de documents. Cette polyvalence permet aux équipes de s'appuyer sur un cadre unique pour répondre aux exigences de plusieurs projets.

Efficacité de la formation et gestion de la mémoire

YOLO11 est conçu pour être efficace. Il nécessite généralement moins de mémoire GPU (VRAM) pour l'entraînement que les modèles basés sur des transformateurs comme RTDETRv2. Cette efficacité réduit la barrière matérielle, permettant aux développeurs d'entraîner des modèles de pointe sur des GPU grand public ou d'utiliser efficacement les ressources du cloud via l'écosystèmeUltralytics . En outre, la vaste bibliothèque de poids pré-entraînés garantit que l'apprentissage par transfert est rapide et efficace, ce qui réduit considérablement le délai de mise sur le marché des solutions d'IA.

Pour ceux qui recherchent une solution robuste, bien entretenue et performante 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 :