RTDETRv2 vs YOLOv7 : Une comparaison technique détaillée

Le paysage de la détection d'objets en temps réel a été témoin d'une concurrence féroce entre les réseaux neuronaux convolutifs (CNN) et les Vision Transformers (ViTs) émergents. Deux étapes importantes de cette évolution sont RTDETRv2 (Real-Time Detection Transformer v2) et YOLOv7 (You Only Look Once version 7). Alors que YOLOv7 représente le summum de l'optimisation efficace de l'architecture CNN, RTDETRv2 introduit la puissance des transformateurs pour éliminer le besoin d'étapes de post-traitement comme la suppression non maximale (NMS).

Cette comparaison explore les spécifications techniques, les différences architecturales et les métriques de performance des deux modèles afin d'aider les développeurs à choisir l'outil adapté à leurs applications de vision par ordinateur.

Métriques de performance : précision vs. vitesse

Le tableau suivant présente une comparaison directe des indicateurs clés de performance. RTDETRv2-x démontre une précision supérieure avec un mAP plus élevé, en grande partie grâce à sa compréhension du contexte global basée sur les transformeurs. Cependant, YOLOv7 reste compétitif, en particulier dans les scénarios où un poids plus léger et des vitesses d'inférence équilibrées sur différents matériels sont requis.

RTDETRv2 : L’approche Transformer

RTDETRv2 s’appuie sur le succès du RT-DETR original, le premier détecteur basé sur un transformateur à rivaliser véritablement avec les modèles YOLO en termes de vitesse en temps réel. Développé par des chercheurs de Baidu, il s’attaque aux goulots d’étranglement de calcul associés à l’interaction multi-échelle dans les architectures DETR standard.

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

Principales caractéristiques architecturales

RTDETRv2 utilise un encodeur hybride qui traite efficacement les caractéristiques multi-échelles en découplant l'interaction intra-échelle et la fusion inter-échelles. Cette conception réduit considérablement les coûts de calcul par rapport aux transformateurs standard. Une caractéristique remarquable est sa sélection de requête basée sur l'IoU, qui améliore l'initialisation des requêtes d'objet, conduisant à une convergence plus rapide et à une plus grande précision. Contrairement aux modèles basés sur CNN, RTDETRv2 est sans NMS, ce qui signifie qu'il ne nécessite pas de post-traitement Non-Maximum Suppression, simplifiant ainsi le pipeline de déploiement et réduisant le jitter de latence.

En savoir plus sur RT-DETR

YOLOv7 : Le sommet du CNN

YOLOv7 repousse les limites de ce qui est possible avec les réseaux neuronaux convolutionnels. Il se concentre sur l'optimisation du processus d'entraînement et de l'architecture du modèle pour obtenir un "sac de cadeaux gratuits" — des méthodes qui augmentent la précision sans augmenter le coût d'inférence.

• Auteurs : Chien-Yao Wang, Alexey Bochkovskiy et Hong-Yuan Mark Liao
• Organisation : Institute of Information Science, Academia Sinica
• Date : 2022-07-06
• Arxiv :https://arxiv.org/abs/2207.02696
• GitHub :https://github.com/WongKinYiu/yolov7

Principales caractéristiques architecturales

YOLOv7 introduit E-ELAN (Extended Efficient Layer Aggregation Network), qui améliore la capacité d'apprentissage du réseau en contrôlant la longueur du chemin de gradient. Il emploie également la re-paramétrisation du modèle, une technique où la structure du modèle est complexe pendant l'entraînement pour un meilleur apprentissage, mais simplifiée pendant l'inférence pour la vitesse. Cela permet à YOLOv7 de maintenir des performances élevées sur les GPU tout en conservant des paramètres relativement bas par rapport aux modèles de transformateurs.

En savoir plus sur YOLOv7

Analyse comparative

Architecture et polyvalence

La différence fondamentale réside dans la conception du backbone et de la tête. YOLOv7 s'appuie sur des structures CNN profondes qui sont hautement optimisées pour l'accélération CUDA mais peuvent avoir des difficultés avec les dépendances à longue portée dans une image. RTDETRv2 exploite les mécanismes d'attention pour comprendre les relations entre les pixels distants, ce qui le rend robuste dans les environnements encombrés. Cependant, cela se fait au prix d'une consommation de mémoire plus élevée pendant l'entraînement.

Les modèles Ultralytics comme YOLO11 comblent cette lacune en proposant une architecture basée sur le CNN qui intègre des modules modernes de type attention, offrant la vitesse des CNN avec la précision habituellement réservée aux transformateurs. En outre, alors que RTDETRv2 est avant tout un détecteur d'objets, les modèles Ultralytics les plus récents prennent en charge la segmentation des instances, l'estimation de la pose et la classification en mode natif.

Entraînement et facilité d'utilisation

L'entraînement de modèles de transformateur comme RTDETRv2 nécessite généralement une mémoire GPU importante et des époques d'entraînement plus longues pour converger par rapport aux CNN comme YOLOv7.

Pour les développeurs recherchant Efficacité de l'entraînement et Facilité d'utilisation, l'écosystème Ultralytics offre un avantage distinct. Avec le ultralytics Package Python, les utilisateurs peuvent entraîner, valider et déployer des modèles avec seulement quelques lignes de code, en accédant à une suite de poids pré-entraînés pour diverses tâches.

from ultralytics import RTDETR, YOLO

# Load an Ultralytics YOLOv7-style model (if available) or YOLO11
model_yolo = YOLO("yolo11n.pt")  # Recommended for best performance
model_yolo.train(data="coco8.yaml", epochs=10)

# Load RT-DETR for comparison
model_rtdetr = RTDETR("rtdetr-l.pt")
model_rtdetr.predict("asset.jpg")

Déploiement et écosystème

YOLOv7 bénéficie d’une prise en charge généralisée en raison de son ancienneté, mais l’intégration dans les pipelines MLOps modernes peut être manuelle. RTDETRv2 est plus récent et bénéficie d’une prise en charge croissante. En revanche, les modèles Ultralytics bénéficient d’un écosystème bien entretenu, y compris l’exportation transparente vers ONNX, TensorRT et CoreML, et l’intégration avec des outils tels que Ultralytics HUB pour la formation dans le cloud et la gestion des ensembles de données.

Cas d'utilisation idéaux

• Choisissez RTDETRv2 si : Vous disposez d'une grande quantité de mémoire GPU et que vous avez besoin d'une haute précision dans les scènes avec une forte occlusion ou un fort encombrement, où le NMS échoue traditionnellement. Il est excellent pour la recherche et les systèmes de surveillance haut de gamme.
• Choisissez YOLOv7 si : Vous avez besoin d'une architecture CNN héritée éprouvée qui fonctionne efficacement sur du matériel GPU standard pour les tâches de détection à usage général.
• Choisissez Ultralytics YOLO11 si : Vous avez besoin du meilleur équilibre entre performance de vitesse et de précision, des exigences de mémoire plus faibles et d'un modèle polyvalent capable de détecter, de segmenter et d'estimer la pose. C'est le choix idéal pour les développeurs qui apprécient un flux de travail simplifié et une documentation complète.

Conclusion

RTDETRv2 et YOLOv7 ont tous deux façonné l'orientation de la vision par ordinateur. RTDETRv2 a réussi à remettre en question l'idée que les transformateurs sont trop lents pour les applications en temps réel, tandis que YOLOv7 a démontré l'efficacité durable des CNN. Cependant, pour la plupart des applications du monde réel d'aujourd'hui, le modèle Ultralytics YOLO11 offre une expérience de développement supérieure, combinant les meilleurs attributs de ces prédécesseurs avec un écosystème moderne et favorable.

Explorer d’autres comparaisons

Pour mieux comprendre le paysage des modèles, explorez ces comparaisons :

• YOLO11 vs. RT-DETR
• YOLOv8 vs. RT-DETR
• YOLOv7 vs. YOLOv8
• YOLOv10 vs. RT-DETR
• YOLOv9 vs. YOLOv7

Commentaires