RTDETRv2 vs. PP-YOLOE+ : Une comparaison technique des transformateurs et des CNN

Le paysage de la détection d'objets a considérablement évolué, se ramifiant en différentes philosophies architecturales. D'un côté, nous avons l'efficacité établie des réseaux neuronaux convolutifs (CNN), et de l'autre, la puissance émergente des Vision Transformers (ViTs). Cette comparaison explore deux modèles importants développés par Baidu : RTDETRv2 (Real-Time Detection Transformer v2) et PP-YOLOE+.

Alors que PP-YOLOE+ représente le summum de la détection affinée basée sur CNN et sans ancrage au sein de l'écosystème PaddlePaddle, RTDETRv2 repousse les limites en adaptant l'architecture Transformer aux applications en temps réel. Comprendre les nuances entre ces deux approches, allant de leur conception de réseau neuronal à leurs exigences de déploiement, est essentiel pour les ingénieurs qui choisissent le bon outil pour leurs projets de vision par ordinateur.

RTDETRv2 : L’évolution du Transformer

RTDETRv2 s’appuie sur le succès du RT-DETR original, visant à résoudre le coût de calcul élevé généralement associé aux modèles basés sur DETR tout en conservant leur compréhension supérieure du contexte global. Il est conçu pour combler le fossé entre la haute précision des transformateurs et la vitesse requise pour l’inférence en temps réel.

• Auteurs : Wenyu Lv, Yian Zhao, Qinyao Chang, Kui Huang, Guanzhong Wang et Yi Liu
• Organisation :Baidu
• Date : 2023-04-17 (RT-DETR original), mises à jour v2 suivies
• Arxiv :https://arxiv.org/abs/2304.08069
• GitHub :https://github.com/lyuwenyu/RT-DETR/tree/main/rtdetrv2_pytorch

Architecture et principales fonctionnalités

RTDETRv2 utilise un encodeur hybride qui traite efficacement les caractéristiques multi-échelles. Contrairement aux CNN traditionnels qui reposent fortement sur les convolutions locales, l'architecture de transformateur utilise des mécanismes d'auto-attention pour capturer les dépendances à longue portée à travers l'image. Une innovation clé est la sélection de requête basée sur l'IoU, qui améliore l'initialisation des requêtes d'objet, conduisant à une convergence plus rapide et à une meilleure précision. De plus, il élimine le besoin de post-traitement Non-Maximum Suppression (NMS), rendant le pipeline véritablement de bout en bout.

Points forts et faiblesses

Points forts :

• Contexte global : Le mécanisme d'attention permet au modèle de comprendre les relations entre les parties distantes d'une image, excellent dans les scènes encombrées ou lorsque le contexte est vital.
• Logique de bout en bout : La suppression de la NMS simplifie le pipeline de déploiement et supprime un hyperparamètre qui nécessite souvent un réglage manuel.
• Haute précision : Il obtient généralement une précision moyenne (mAP) plus élevée sur des ensembles de données comme COCO par rapport aux CNN de taille similaire.

Faiblesses :

• Intensité des ressources : Malgré les optimisations, les transformateurs consomment intrinsèquement plus de mémoire CUDA et nécessitent des GPU plus puissants pour l'entraînement par rapport aux CNN efficaces.
• Complexité de l’entraînement : La convergence peut être plus lente, et la recette d’entraînement est souvent plus sensible aux hyperparamètres que les modèles YOLO standard.

En savoir plus sur RTDETRv2

PP-YOLOE+: La centrale CNN sans ancres

PP-YOLOE+ est une évolution de la série YOLO développée spécifiquement pour le framework PaddlePaddle. Il se concentre sur le déploiement pratique, en optimisant le compromis entre la vitesse d'inférence et la précision de la détection en utilisant une architecture CNN pure.

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

Architecture et principales fonctionnalités

PP-YOLOE+ dispose d'un backbone CSPRepResNet et d'un neck de réseau d'agrégation de chemins (PAN). Surtout, il utilise une tête sans ancrage, ce qui simplifie la conception en supprimant le besoin de boîtes d'ancrage prédéfinies. Le modèle utilise l'apprentissage de l'alignement des tâches (TAL), une stratégie d'attribution d'étiquettes dynamique qui garantit que les tâches de classification et de localisation sont bien synchronisées, améliorant ainsi la qualité des prédictions finales.

Points forts et faiblesses

Points forts :

• Vitesse d’inférence : En tant que modèle basé sur CNN, il est hautement optimisé pour la vitesse, en particulier sur le matériel Edge où les opérations de convolution sont bien accélérées.
• Conception simplifiée : La nature sans ancres réduit le nombre d'hyperparamètres et d'heuristiques d'ingénierie nécessaires.
• Performance équilibrée : Offre un rapport précision/vitesse compétitif, ce qui le rend adapté aux applications industrielles à usage général.

Faiblesses :

• Dépendance au framework : Être profondément lié à l’écosystème PaddlePaddle peut créer des frictions pour les équipes travaillant principalement dans les flux de travail PyTorch ou TensorFlow.
• Champs Réceptifs Locaux : Bien qu'efficaces, les CNN ont plus de difficultés que les transformateurs à capturer le contexte global dans des scènes visuelles très complexes.

En savoir plus sur PP-YOLOE+

Analyse des performances : précision vs. efficacité

Le choix entre RTDETRv2 et PP-YOLOE+ se résume souvent aux contraintes spécifiques de l'environnement de déploiement. Si le matériel permet une surcharge de calcul plus élevée, RTDETRv2 offre des capacités de détection supérieures. Inversement, pour les scénarios d'inférence en temps réel strictement contraints, PP-YOLOE+ reste un concurrent solide.

Informations sur les données :

• Précision : Le plus grand modèle PP-YOLOE+x atteint le mAP le plus élevé (54,7), dépassant le RTDETRv2-x. Cependant, en regardant les tailles moyennes et grandes, RTDETRv2 offre généralement une plus grande précision par niveau de modèle.
• Latence : PP-YOLOE+s est le roi de la vitesse ici à 2,62 ms sur TensorRT, soulignant l'efficacité des architectures CNN pour les tâches légères.
• Calcul : Les modèles RTDETRv2 nécessitent généralement moins de paramètres que leurs homologues directs PP-YOLOE+ (p. ex., RTDETRv2-x a 76 millions de paramètres contre PP-YOLOE+x à 98 millions), mais l’architecture de transformateur entraîne souvent des FLOPs et une consommation de mémoire plus élevés pendant le fonctionnement.

L'avantage Ultralytics : pourquoi les développeurs choisissent YOLO11

Bien que l'exploration de modèles comme RTDETRv2 et PP-YOLOE+ donne un aperçu des différentes approches architecturales, la plupart des développeurs ont besoin d'une solution qui équilibre les performances avec la convivialité et la prise en charge de l'écosystème. C'est là qu'Ultralytics YOLO11 excelle.

Ultralytics YOLO11 n'est pas seulement un modèle ; il fait partie d'un framework complet d'IA de vision conçu pour rationaliser l'ensemble du cycle de vie des opérations d'apprentissage automatique (MLOps).

Principaux avantages des modèles Ultralytics

• Facilité d'utilisation : Contrairement à la configuration complexe souvent requise pour les modèles de transformateurs orientés recherche ou les outils spécifiques à un framework comme PaddleDetection, Ultralytics offre une expérience « Zéro à Héro ». Vous pouvez entraîner un modèle de pointe en quelques lignes de code Python.
• Efficacité de la mémoire : Les modèles basés sur transformateur comme RTDETRv2 sont notoirement gourmands en mémoire, nécessitant une quantité importante de mémoire CUDA pour l’entraînement. Les modèles Ultralytics YOLO sont optimisés pour l’efficacité, permettant l’entraînement sur des GPU grand public et le déploiement sur des appareils périphériques comme Raspberry Pi ou Jetson Nano.
• Polyvalence : Alors que PP-YOLOE+ et RTDETRv2 se concentrent principalement sur la détection, YOLO11 prend en charge nativement un large éventail de tâches, notamment la segmentation d’instance, l’estimation de pose, la classification et la détection d’objets orientés (obb).
• Écosystème bien maintenu : Avec des mises à jour fréquentes, une documentation exhaustive et une communauté massive, Ultralytics vous assure de ne jamais être bloqué par un manque de soutien ou des dépendances obsolètes.
• Efficacité de l'entraînement : Ultralytics fournit des poids pré-entraînés facilement disponibles et des pipelines robustes d'augmentation des données qui aident les modèles à converger plus rapidement avec moins de données.

Implémentation simple avec Ultralytics

Le code suivant démontre la facilité avec laquelle il est possible d'entraîner et de déployer un modèle à l'aide de l'API python Ultralytics, soulignant la conception conviviale par rapport aux référentiels académiques plus complexes.

from ultralytics import YOLO

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

# Train the model on your custom dataset
# This handles data loading, augmentation, and logging automatically
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Run inference on an image
# Returns a list of Result objects with boxes, masks, keypoints, etc.
results = model("path/to/image.jpg")

# Export the model to ONNX for deployment
model.export(format="onnx")

Conclusion : Faire le bon choix

Lorsque vous choisissez entre RTDETRv2, PP-YOLOE+ et Ultralytics YOLO11, la décision doit être guidée par les exigences spécifiques de votre application.

• Choisissez RTDETRv2 si vous menez des recherches académiques ou si vous travaillez sur du matériel haut de gamme où la maximisation de la précision dans des scènes complexes et encombrées est la seule mesure qui compte, et que vous pouvez vous permettre les coûts de formation plus élevés.
• Choisissez PP-YOLOE+ si vous êtes profondément intégré dans l’écosystème Baidu/PaddlePaddle et que vous avez besoin d’un détecteur solide basé sur CNN qui fonctionne efficacement sur du matériel pris en charge spécifique.
• Choisissez Ultralytics YOLO11 pour la grande majorité des applications commerciales et pratiques. Son équilibre supérieur entre vitesse, précision et efficacité de la mémoire, combiné à la prise en charge de la segmentation et du tracking, en fait le choix le plus productif pour les développeurs. La facilité de déploiement vers des formats tels que TensorRT, CoreML et OpenVINO garantit que votre modèle peut fonctionner n'importe où, du cloud à la périphérie.

Explorer d’autres comparaisons de modèles

Pour mieux comprendre comment ces architectures se comparent à d'autres solutions de pointe, explorez ces comparaisons détaillées :

• RT-DETR vs. YOLOv8
• YOLO11 vs. YOLOv10
• PP-YOLOE+ vs. YOLOv8
• RT-DETR vs. EfficientDet
• YOLO11 vs. YOLOX

Commentaires