RTDETRv2 vs. YOLOv5 : Évaluation des transformers de détection en temps réel et des CNN

L'évolution de la vision par ordinateur a été largement définie par la quête incessante d'un équilibre entre précision et vitesse d'inférence en temps réel. En comparant RTDETRv2 et Ultralytics YOLOv5, les développeurs pèsent essentiellement les capacités sophistiquées de contexte global des architectures transformer face à l'efficacité hautement optimisée et éprouvée des réseaux de neurones convolutifs (CNN).

Ce guide fournit une analyse technique approfondie de ces deux architectures majeures, détaillant leurs métriques de performance, méthodologies d'entraînement, besoins en mémoire et scénarios de déploiement idéaux pour t'aider à choisir le meilleur modèle de détection d'objets pour ton cas d'usage spécifique.

RTDETRv2 : L'approche Transformer pour la détection en temps réel

S'appuyant sur le Real-Time Detection Transformer (RT-DETR) original, RTDETRv2 introduit une série de "bag-of-freebies" pour améliorer l'architecture de base sans sacrifier sa latence d'inférence.

• Auteurs : Wenyu Lv, Yian Zhao, Qinyao Chang, Kui Huang, Guanzhong Wang et Yi Liu
• Organisation : Baidu
• Date : 2024-07-24
• Liens : Article Arxiv, Dépôt GitHub

Architecture et capacités

RTDETRv2 exploite une architecture hybride CNN-Transformer. Le CNN agit comme une backbone pour extraire des caractéristiques visuelles fines, tandis que les couches encodeur-décodeur du transformer traitent l'intégralité de la carte de caractéristiques pour comprendre le contexte global. Une caractéristique majeure de RTDETRv2 est sa nature end-to-end, éliminant complètement le besoin de post-traitement par Non-Maximum Suppression (NMS).

Bien que RTDETRv2 atteigne une précision impressionnante, particulièrement dans les scènes complexes et denses où les objets se chevauchent, cela s'accompagne de compromis notables. Le mécanisme d'attention inhérent aux transformers exige beaucoup plus de mémoire CUDA lors de l'entraînement par rapport aux CNN standards. De plus, bien qu'il soit performant sur des GPU haut de gamme comme le NVIDIA A100 ou T4, son architecture est nettement plus lente sur des CPU standards et des appareils edge sévèrement contraints.

En savoir plus sur RTDETRv2

Ultralytics YOLOv5 : La référence industrielle pour l'efficacité

Ultralytics YOLOv5 a fondamentalement changé le paysage de l'apprentissage automatique appliqué lors de sa sortie, rendant la vision par ordinateur haute performance accessible aux développeurs du monde entier grâce à un framework exceptionnellement intuitif.

• Auteur : Glenn Jocher
• Organisation : Ultralytics
• Date : 26 juin 2020
• Liens : Documentation officielle, Dépôt GitHub

Équilibre entre écosystème et performance

YOLOv5 est entièrement construit sur le framework PyTorch et repose sur une architecture CNN extrêmement efficace. Il a été conçu dès le départ pour la facilité d'utilisation, intégrant une API simplifiée et l'une des documentations les plus exhaustives de l'industrie de l'IA.

Le plus grand avantage de YOLOv5 réside dans sa polyvalence inégalée et ses faibles besoins en mémoire. L'entraînement d'un modèle YOLOv5 nécessite nettement moins de VRAM que les modèles basés sur des transformers, le rendant accessible aux chercheurs et ingénieurs ayant des budgets matériels limités. De plus, alors que RTDETRv2 se concentre exclusivement sur la détection par boîte englobante, YOLOv5 a évolué en une solution polyvalente prenant en charge la segmentation d'instances et la classification d'images.

En savoir plus sur YOLOv5

Comparaison des performances et des métriques

En analysant les performances brutes sur le jeu de données COCO standard, nous pouvons observer des distinctions claires dans la manière dont ces modèles privilégient les ressources.

Analyse des compromis

Les données révèlent que RTDETRv2-x atteint une mean Average Precision (mAP) maximale de 54,3 %, surpassant légèrement les 50,7 % du YOLOv5x. Cependant, ce gain mineur en précision s'accompagne d'un coût computationnel massif. YOLOv5x fonctionne avec une latence plus faible (11,89 ms contre 15,03 ms sur TensorRT) et nécessite une fraction de l'empreinte mémoire. Pour les déploiements edge à très faible consommation, YOLOv5n (Nano) reste incontesté, complétant des inférences en seulement 1,12 ms avec une empreinte minuscule de 2,6 M de paramètres — une catégorie dans laquelle RTDETRv2 ne tente même pas de rivaliser.

Efficacité de l'entraînement et simplicité du code

L'une des forces clés de l'écosystème Ultralytics est son API unifiée. Même si tu décides d'utiliser l'architecture transformer de RT-DETR pour une tâche spécifique gourmande en calcul, tu peux le faire entièrement au sein du package Python Ultralytics, en remplaçant les modèles de manière transparente avec une seule ligne de code.

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()

En utilisant la bibliothèque Ultralytics, tu accèdes automatiquement à un écosystème bien entretenu proposant des intégrations de suivi d'expériences (comme Weights & Biases et Comet ML) ainsi que des exportations en un clic vers des formats de déploiement comme ONNX et OpenVINO.

Applications réelles et cas d'utilisation idéaux

Où RTDETRv2 brille

RTDETRv2 est mieux adapté aux environnements où les limitations matérielles sont inexistantes et où la précision maximale possible est le seul objectif.

• Imagerie médicale côté serveur : Détection d'anomalies microscopiques dans des radiographies haute résolution.
• Imagerie satellite : Suivi d'objets denses et superposés dans des tâches de surveillance aérienne sur de puissants clusters cloud.

Où YOLOv5 domine

YOLOv5 est le champion incontesté pour le déploiement pratique en conditions réelles sur du matériel diversifié.

• Appareils Edge AI : Déploiement de systèmes d'alarme de sécurité sur Raspberry Pi ou NVIDIA Jetson où la mémoire est strictement limitée.
• Applications mobiles : Exécution rapide d'inférences de segmentation et de boîtes englobantes en temps réel directement sur smartphones via CoreML ou TFLite.
• Fabrication industrielle à haute vitesse : Inspection de pièces sur des lignes de production rapides où la latence en millisecondes est critique pour le succès opérationnel.

En fin de compte, alors que RTDETRv2 repousse le plafond de précision en utilisant des couches transformer, le framework Ultralytics YOLO offre un équilibre inégalé entre vitesse, besoins légers en mémoire et une expérience développeur brillamment conçue qui réduit considérablement le temps entre le prototype et la production.