RTDETRv2 vs. YOLO: un'immersione profonda nel rilevamento di oggetti in tempo reale

Il panorama della computer vision è in rapida evoluzione, con i ricercatori che si spingono costantemente oltre i confini tra velocità di inferenza e precisione di rilevamento. Due importanti contendenti in questo campo sono RTDETRv2, un modello basato su trasformatori di Baidu, e YOLO, una rete convoluzionale altamente ottimizzata di Alibaba. Questo confronto tecnico esplora le diverse filosofie architettoniche di questi modelli, le loro metriche di prestazione e gli scenari applicativi ideali.

Benchmark delle prestazioni: Velocità e precisione

Quando si sceglie un modello di rilevamento degli oggetti, il compromesso principale è solitamente tra la precisione mediamAP) e la latenza. I dati seguenti evidenziano le differenze di prestazioni tra RTDETRv2 e YOLO sul dataset di validazione COCO .

Modello	dimensione ^(pixel)	mAP^val 50-95	Velocità ^{CPU ONNX (ms)}	Velocità ^{T4 TensorRT10 (ms)}	parametri ^(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

I dati rivelano una chiara distinzione nella filosofia di progettazione. YOLO privilegia la velocità grezza e l'efficienza, con la variante "Tiny" che raggiunge una latenza eccezionalmente bassa, adatta agli ambienti di edge computing con vincoli. Al contrario, RTDETRv2 punta alla massima accuratezza, con la sua variante più grande che raggiunge la ragguardevole cifra di 54,3 mAP, rendendolo superiore per le attività in cui la precisione è fondamentale.

RTDETRv2: La centrale elettrica del trasformatore

RTDETRv2 si basa sul successo dell'architettura del trasformatore di rilevamento (DETR), affrontando l'elevato costo computazionale tipicamente associato ai trasformatori di visione, pur mantenendo la loro capacità di catturare il contesto globale.

Autori: Wenyu Lv, Yian Zhao, Qinyao Chang, Kui Huang, Guanzhong Wang e Yi Liu
Organizzazione:Baidu
Data: 2023-04-17 (iniziale), 2024-07-24 (aggiornamento v2)
Arxiv:RT-DETRv2: Miglioramento della linea di base con Bag-of-Freebies
GitHub:RepositoryRT-DETRv2

Architettura e capacità

RTDETRv2 impiega un codificatore ibrido che elabora in modo efficiente le caratteristiche multiscala. A differenza dei tradizionali modelli YOLO basati su CNN, RTDETR elimina la necessità di una post-elaborazione di Non-Maximum Suppression (NMS). Questo approccio end-to-end semplifica la pipeline di distribuzione e riduce la variabilità della latenza nelle scene affollate.

Il modello utilizza un efficiente codificatore ibrido che disaccoppia l'interazione intrascala e la fusione interscala, riducendo significativamente l'overhead computazionale rispetto ai modelli DETR standard. Questo design gli consente di eccellere nell'identificazione di oggetti in ambienti complessi, dove l'occlusione potrebbe confondere i rilevatori convoluzionali standard.

Utilizzo della memoria del trasformatore

Sebbene RTDETRv2 offra un'elevata precisione, è importante notare che le architetture Transformer in genere consumano molta più memoria CUDA durante l'addestramento rispetto alle CNN. Gli utenti con una VRAM GPU limitata potrebbero trovare difficile l'addestramento di questi modelli rispetto ad alternative efficienti come YOLO11.

Scopri di più su RTDETR

YOLO: ottimizzato per l'efficienza

YOLO rappresenta un approccio rigoroso all'ottimizzazione dell'architettura, sfruttando la ricerca dell'architettura neurale (NAS) per trovare le strutture più efficienti per l'estrazione e la fusione delle caratteristiche.

Autori: Xianzhe Xu, Yiqi Jiang, Weihua Chen, Yilun Huang, Yuan Zhang e Xiuyu Sun
Organizzazione:Gruppo Alibaba
Data: 2022-11-23
Arxiv:YOLO: una relazione sulla progettazione del rilevamento di oggetti in tempo reale
GitHub:Repository YOLO

Le principali innovazioni architettoniche

YOLO integra diverse tecnologie avanzate per massimizzare il compromesso velocità-precisione:

Backbone MAE-NAS: Impiega un backbone scoperto tramite Method-Aware Efficient Neural Architecture Search, assicurando che ogni parametro contribuisca efficacemente all'estrazione delle caratteristiche.
RepGFPN: Un design specializzato del collo che fonde le caratteristiche su più scale con un costo computazionale minimo, migliorando il rilevamento di oggetti piccoli senza bloccare la velocità di inferenza.
ZeroHead: una testa di rilevamento semplificata che riduce la complessità degli strati di predizione finale.

Questo modello è particolarmente efficace negli scenari che richiedono un'elevata produttività, come le catene di montaggio industriali o il monitoraggio del traffico ad alta velocità, dove i millisecondi contano.

Scopri di più su DAMO-YOLO

Scenari applicativi del mondo reale

La scelta tra questi due modelli dipende spesso dai vincoli specifici dell'ambiente di distribuzione.

Quando scegliere RTDETRv2

RTDETRv2 è la scelta preferita per le applicazioni in cui la precisione non è negoziabile e le risorse hardware sono ampie.

Imaging medico: Nell'analisi delle immagini mediche, il mancato rilevamento (falso negativo) può avere gravi conseguenze. L'elevato mAP di RTDETRv2 lo rende adatto a rilevare anomalie nelle radiografie o nelle scansioni MRI.
Sorveglianza dettagliata: Per i sistemi di sicurezza che richiedono il riconoscimento facciale o l'identificazione di piccoli dettagli a distanza, le capacità di contesto globale dell'architettura del trasformatore offrono un vantaggio netto.

Quando scegliere YOLO

YOLO brilla in ambienti con risorse limitate o in applicazioni che richiedono una latenza bassissima.

Robotica: Per i robot mobili autonomi che elaborano dati visivi su dispositivi embedded alimentati a batteria, l'efficienza di YOLO garantisce la reattività in tempo reale.
Produzione ad alta velocità: Nell'automazione della produzione, il rilevamento di difetti su nastri trasportatori in rapido movimento richiede le rapide velocità di inferenza fornite dalle varianti YOLO e small.

Il vantaggio di Ultralytics : Perché YOLO11 è la scelta ottimale

Mentre RTDETRv2 e YOLO offrono caratteristiche interessanti, Ultralytics YOLO11 offre una soluzione olistica che bilancia prestazioni, usabilità e supporto dell'ecosistema, rendendola la scelta migliore per la maggior parte degli sviluppatori e dei ricercatori.

Ecosistema e usabilità senza pari

Uno degli ostacoli più significativi all'adozione di modelli di ricerca è la complessità della loro base di codice. Ultralytics elimina questo attrito con un'API Python unificata e di facile utilizzo. Che si tratti di segmentazione dell'istanza, stima della posa o classificazione, il flusso di lavoro rimane coerente e intuitivo.

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")

Versatilità tra i compiti

A differenza di YOLO, che si concentra principalmente sul rilevamento, YOLO11 è una piattaforma versatile. Supporta un'ampia gamma di attività di computer vision, tra cui il rilevamento dell 'Oriented Bounding Box (OBB), fondamentale per l'analisi di immagini aeree e documenti. Questa versatilità consente ai team di standardizzare un unico framework per i requisiti di più progetti.

Efficienza della formazione e gestione della memoria

YOLO11 è stato progettato per essere efficiente. In genere richiede meno memoria GPU (VRAM) per l'addestramento rispetto ai modelli basati su trasformatori come RTDETRv2. Questa efficienza abbassa la barriera hardware, consentendo agli sviluppatori di addestrare modelli all'avanguardia su GPU di livello consumer o di utilizzare efficacemente le risorse cloud tramite l'ecosistemaUltralytics . Inoltre, l'ampia libreria di pesi pre-addestrati garantisce che l'apprendimento per trasferimento sia rapido ed efficace, riducendo significativamente il time-to-market delle soluzioni di intelligenza artificiale.

Per chi cerca una soluzione robusta, ben curata e ad alte prestazioni che si evolve con il settore, Ultralytics YOLO11 rimane lo standard consigliato.

Esplora altri confronti

Per capire meglio come questi modelli si inseriscono nel più ampio panorama della computer vision, esplorate questi confronti correlati: