RTDETRv2 vs EfficientDet: Un confronto tecnico completo

Nel panorama in evoluzione della computer vision, la scelta della giusta architettura di rilevamento degli oggetti è fondamentale per il successo del progetto. Questo confronto analizza RTDETRv2, un modello all'avanguardia basato su trasformatori e progettato per prestazioni in tempo reale, ed EfficientDet, una famiglia scalabile di reti neurali convoluzionali (CNN) ottimizzate per l'efficienza. Analizziamo le loro innovazioni architettoniche, le metriche delle prestazioni e gli scenari di implementazione ideali per aiutare gli sviluppatori a prendere decisioni informate.

Panoramica dei modelli

La scelta tra questi due modelli dipende spesso dai vincoli specifici dell'hardware di destinazione e dai requisiti di precisione dell'applicazione.

RTDETRv2

RTDETRv2 (Real-Time Detection Transformer v2) rappresenta un significativo passo avanti nell'applicazione delle architetture di trasformazione al rilevamento di oggetti in tempo reale. Sviluppato dai ricercatori di Baidu, si basa sul successo dell'originale RT-DETRottimizzando l'encoder ibrido e i meccanismi di selezione delle query per ottenere una precisione all'avanguardia con velocità di inferenza competitive su hardware GPU .

Autori: Wenyu Lv, Yian Zhao, Qinyao Chang, Kui Huang, Guanzhong Wang e Yi Liu
Organizzazione:Baidu
Data: 2023-04-17
Arxiv:RT-DETR: i DETR battono gli YOLO nel rilevamento di oggetti in tempo reale
GitHub:RepositoryRT-DETR
Documenti:DocumentazioneRT-DETRv2

Scopri di più su RTDETR

EfficientDet

EfficientDet, sviluppato da Google Brain, ha rivoluzionato il settore al suo rilascio introducendo un modo sistematico per scalare le dimensioni dei modelli. Combinando la spina dorsale EfficientNet con una rete di piramidi di funzioni bidirezionali ponderate (BiFPN), offre uno spettro di modelli (D0-D7) che compensano il costo computazionale con l'accuratezza, rendendolo altamente versatile per vari vincoli di risorse.

Autori: Mingxing Tan, Ruoming Pang e Quoc V. Le
Organizzazione:Google Research
Data: 2019-11-20
Arxiv:EfficientDet: Rilevamento scalabile ed efficiente di oggetti
GitHub:Repository AutoML
Documenti:Readme di EfficientDet

Scopri di più su EfficientDet

Analisi architettonica

La differenza fondamentale sta nei loro elementi costitutivi: uno sfrutta il contesto globale dei trasformatori, mentre l'altro affina l'efficienza delle convoluzioni.

RTDETRv2: Potenza del trasformatore

RTDETRv2 impiega un codificatore ibrido che elabora in modo efficiente le caratteristiche multiscala. A differenza delle CNN tradizionali, utilizza un meccanismo di selezione delle query IoU per concentrare l'attenzione sulle parti più rilevanti di un'immagine. Ciò consente al modello di gestire efficacemente scene complesse con occlusione e scale variabili degli oggetti. L'architettura disaccoppia l'interazione intra-scala e la fusione interscala, riducendo l'overhead computazionale tipicamente associato ai Vision Transformers (ViT).

Vantaggi del trasformatore

Il meccanismo di attenzione di RTDETRv2 permette di avere campi recettivi globali, consentendo al modello di comprendere le relazioni tra oggetti distanti in una scena meglio delle tipiche CNN.

EfficientDet: Efficienza scalabile

EfficientDet si basa sulla struttura portante di EfficientNet e introduce la BiFPN. La BiFPN consente una fusione semplice e veloce delle caratteristiche su più scale, apprendendo l'importanza delle diverse caratteristiche in ingresso. Inoltre, EfficientDet utilizza un metodo di scalatura composto che scala uniformemente la risoluzione, la profondità e la larghezza della rete. In questo modo, il modello può essere personalizzato: dal leggero D0 per le applicazioni mobili al pesante D7 per le attività server ad alta precisione.

Confronto delle prestazioni

I benchmark delle prestazioni evidenziano una chiara distinzione nella filosofia di progettazione. RTDETRv2 punta alla massima precisione su hardware potente, mentre EfficientDet offre un gradiente granulare di efficienza.

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

EfficientDet-d0	640	34.6	10.2	3.92	3.9	2.54
EfficientDet-d1	640	40.5	13.5	7.31	6.6	6.1
EfficientDet-d2	640	43.0	17.7	10.92	8.1	11.0
EfficientDet-d3	640	47.5	28.0	19.59	12.0	24.9
EfficientDet-d4	640	49.7	42.8	33.55	20.7	55.2
EfficientDet-d5	640	51.5	72.5	67.86	33.7	130.0
EfficientDet-d6	640	52.6	92.8	89.29	51.9	226.0
EfficientDet-d7	640	53.7	122.0	128.07	51.9	325.0

Come indicato nella tabella, RTDETRv2-x raggiunge un mAP superiore di 54,3, superando anche il più grande EfficientDet-d7 (53,7 mAP) e risultando significativamente più veloce su TensorRT (15,03 ms contro 128,07 ms). Tuttavia, per ambienti estremamente vincolati, EfficientDet-d0 rimane un'opzione incredibilmente leggera con parametri (3,9M) e FLOP minimi.

Punti di forza e debolezze

RTDETRv2 Punti di forza:

Alta precisione: Offre prestazioni di rilevamento di alto livello, in particolare sul difficile set di datiCOCO .
OttimizzazioneGPU : L'architettura è altamente parallelizzabile, il che la rende ideale per TensorRT sulle GPU NVIDIA .
Anchor-Free: elimina la necessità di regolare le caselle di ancoraggio, semplificando la pipeline di addestramento.

Punti di forza di EfficientDet:

Scalabilità: La gamma D0-D7 consente di adattare con precisione le dimensioni del modello alle capacità dell'hardware.
Basso calcolo: Le varianti più piccole (D0-D2) sono eccellenti per l'inferenza CPU o per i dispositivi mobili edge.
Affermato: Architettura matura con supporto diffuso in vari strumenti di conversione.

Punti deboli:

RTDETRv2: Richiede una notevole quantità di memoria CUDA per l'addestramento ed è generalmente più lento sulle CPU a causa delle operazioni di trasformazione.
EfficientDet: Latenza più elevata all'estremità di alta precisione (D7) rispetto ai rilevatori moderni; la formazione può essere più lenta a convergere.

Casi d'uso ideali

La scelta del modello giusto dipende in larga misura dall'ambiente applicativo specifico.

Scegliete RTDETRv2 per i sistemi di sorveglianza di alto livello, di guida autonoma o di ispezione industriale in cui è disponibile una GPU potente. La sua capacità di discernere i dettagli più fini lo rende adatto a compiti come il rilevamento di pillole nella produzione medica o l'analisi di immagini satellitari complesse.
Scegliete EfficientDet per i dispositivi IoT alimentati a batteria, per le applicazioni mobili o per gli scenari che richiedono un'ampia compatibilità tra diversi livelli di hardware. Si adatta bene agli scanner intelligenti per l'inventario del commercio al dettaglio o ai sistemi di allarme di sicurezza di base, dove il costo e il consumo di energia sono le principali preoccupazioni.

Il vantaggioYOLO di Ultralytics

Sia RTDETRv2 che EfficientDet hanno i loro meriti, Ultralytics YOLO11 offre una sintesi convincente delle loro migliori caratteristiche, racchiuse in un ecosistema facile da sviluppare.

Perché gli sviluppatori preferiscono Ultralytics

I modelli Ultralytics sono progettati non solo per i benchmark, ma anche per l'usabilità nel mondo reale.

Facilità d'uso: l'APIPython di Ultralytics e la CLI riducono drasticamente la complessità della formazione e della distribuzione. Gli utenti possono passare dall'installazione alla formazione su un set di dati personalizzato in pochi minuti.
Ecosistema ben curato: Sostenuto da una fiorente comunità e da frequenti aggiornamenti, il framework Ultralytics si integra perfettamente con strumenti MLOps come Weights & Biases MLFlow e Ultralytics HUB per la gestione dei dati.
Equilibrio delle prestazioni: YOLO11 raggiunge un compromesso velocità/accuratezza all'avanguardia. Spesso eguaglia o supera l'accuratezza di modelli trasformatori come RTDETRv2, pur mantenendo la velocità di inferenza caratteristica delle CNN.
Efficienza della memoria: A differenza dei pesanti requisiti di memoria della formazione basata su trasformatori, i modelli YOLO sono ottimizzati per l'utilizzo efficiente delle GPU , consentendo l'utilizzo di batch di dimensioni maggiori su hardware di livello consumer.
Versatilità: Un unico framework supporta il rilevamento di oggetti, la segmentazione di istanze, la stima della posa, la classificazione e il rilevamento di oggetti orientati (OBB).

Efficienza della formazione

Ultralytics fornisce pesi pre-addestrati che facilitano il Transfer Learning, riducendo significativamente i tempi di addestramento. Ecco come è semplice iniziare ad addestrare un modello YOLO11 :

from ultralytics import YOLO

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

# Train the model on the COCO8 dataset for 100 epochs
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

Distribuzione semplificata

I modelli Ultralytics possono essere esportati in numerosi formati come ONNX, TensorRT, CoreML e OpenVINO con un unico comando, semplificando il percorso dalla ricerca alla produzione. Per saperne di più sulle modalità di esportazione.

Conclusione

Nel confronto tra RTDETRv2 ed EfficientDet, il vincitore dipende dai vostri vincoli. RTDETRv2 eccelle in ambienti ad alta precisione e GPU, dimostrando che i trasformatori possono essere veloci. EfficientDet rimane una scelta solida per gli scenari edge altamente vincolati e a basso consumo.

Tuttavia, per la maggior parte degli sviluppatori che cercano una soluzione versatile, facile da usare e ad alte prestazioni, Ultralytics YOLO11 si distingue. La sua capacità di gestire molteplici attività di visione all'interno di un unico ecosistema coeso, unita a un'efficienza di memoria e a una velocità di addestramento superiori, lo rende la scelta ottimale per le moderne applicazioni di computer vision.

Esplora altri confronti

Per ampliare la comprensione dei modelli di rilevamento degli oggetti disponibili, si consiglia di esplorare questi confronti: