RTDETRv2 contro YOLOv5: Valutazione di Transformer di rilevamento in tempo reale e CNN

L'evoluzione della computer vision è stata ampiamente definita dall'incessante ricerca di un equilibrio tra precisione e velocità di inferenza in tempo reale. Quando confronti RTDETRv2 e Ultralytics YOLOv5, come sviluppatore stai essenzialmente soppesando le sofisticate capacità di contesto globale delle architetture transformer rispetto all'efficienza altamente ottimizzata e collaudata delle Reti Neurali Convoluzionali (CNN).

Questa guida fornisce un'analisi tecnica approfondita di queste due architetture di rilievo, descrivendo in dettaglio le loro metriche di prestazioni, metodologie di addestramento, requisiti di memoria e scenari di distribuzione ideali per aiutarti a scegliere il miglior modello di rilevamento oggetti per il tuo specifico caso d'uso.

RTDETRv2: L'approccio Transformer al rilevamento in tempo reale

Basandosi sull'originale Real-Time Detection Transformer (RT-DETR), RTDETRv2 introduce una serie di "bag-of-freebies" per migliorare l'architettura di base senza sacrificare la sua latenza di inferenza.

• Autori: Wenyu Lv, Yian Zhao, Qinyao Chang, Kui Huang, Guanzhong Wang e Yi Liu
• Organizzazione: Baidu
• Data: 24-07-2024
• Link: Documento Arxiv, Repository GitHub

Architettura e funzionalità

RTDETRv2 sfrutta un'architettura ibrida CNN-Transformer. La CNN funge da backbone per estrarre caratteristiche visive dettagliate, mentre gli strati encoder-decoder del transformer elaborano l'intera mappa delle caratteristiche per comprendere il contesto globale. Un segno distintivo principale di RTDETRv2 è la sua natura end-to-end, che elimina completamente la necessità di post-elaborazione Non-Maximum Suppression (NMS).

Sebbene RTDETRv2 raggiunga una precisione impressionante, in particolare in scene complesse e dense in cui gli oggetti si sovrappongono, presenta notevoli compromessi. Il meccanismo di attenzione intrinseco ai transformer richiede una memoria CUDA significativamente maggiore durante l'addestramento rispetto alle CNN standard. Inoltre, sebbene funzioni bene su GPU di fascia alta come NVIDIA A100 o T4, la sua architettura è notevolmente più lenta su CPU standard e dispositivi edge severamente limitati.

Scopri di più su RTDETRv2

Ultralytics YOLOv5: Lo standard industriale per l'efficienza

Ultralytics YOLOv5 ha cambiato radicalmente il panorama dell'apprendimento automatico applicato quando è stato rilasciato, rendendo la computer vision ad alte prestazioni accessibile agli sviluppatori di tutto il mondo attraverso un framework eccezionalmente intuitivo.

• Autore: Glenn Jocher
• Organizzazione: Ultralytics
• Data: 26 giugno 2020
• Link: Documentazione ufficiale, Repository GitHub

Equilibrio tra ecosistema e prestazioni

YOLOv5 è costruito interamente sul framework PyTorch e si basa su un'architettura CNN immensamente efficiente. È stato progettato da zero per la facilità d'uso, presentando un'API snella e alcune delle documentazioni più complete nel settore dell'IA.

Il più grande vantaggio di YOLOv5 risiede nella sua versatilità senza pari e nei bassi requisiti di memoria. L'addestramento di un modello YOLOv5 richiede molta meno VRAM rispetto ai modelli basati su transformer, rendendolo accessibile a ricercatori e ingegneri con budget hardware limitati. Inoltre, mentre RTDETRv2 si concentra esclusivamente sul rilevamento di bounding box, YOLOv5 si è evoluto in una versatile potenza che supporta l'segmentazione di istanze e la classificazione di immagini.

Scopri di più su YOLOv5

Confronto tra prestazioni e metriche

Analizzando le prestazioni grezze sul dataset COCO standard, possiamo vedere chiare distinzioni nel modo in cui questi modelli danno priorità alle risorse.

Analisi dei compromessi

I dati rivelano che RTDETRv2-x raggiunge una mean Average Precision (mAP) di picco del 54,3%, superando leggermente il 50,7% di YOLOv5x. Tuttavia, questo lieve guadagno di precisione ha un costo computazionale enorme. YOLOv5x opera con una latenza inferiore (11,89 ms contro 15,03 ms su TensorRT) e richiede una frazione dell'impronta di memoria. Per distribuzioni edge a bassissimo consumo, YOLOv5n (Nano) rimane imbattuto, completando le inferenze in soli 1,12 ms con un'impronta di soli 2,6M di parametri: un livello in cui RTDETRv2 non tenta nemmeno di competere.

Efficienza dell'addestramento e semplicità del codice

Uno dei punti di forza dell'ecosistema Ultralytics è la sua API unificata. Anche se decidi di utilizzare l'architettura transformer di RT-DETR per un'attività specifica ad alto calcolo, puoi farlo interamente all'interno del pacchetto Python di Ultralytics, scambiando i modelli senza problemi con una sola riga di codice.

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()

Sfruttando la libreria Ultralytics, ottieni automaticamente l'accesso a un ecosistema ben mantenuto che include integrazioni di tracciamento degli esperimenti (come Weights & Biases e Comet ML) ed esportazioni con un clic verso formati di distribuzione come ONNX e OpenVINO.

Applicazioni nel mondo reale e casi d'uso ideali

Dove eccelle RTDETRv2

RTDETRv2 è più adatto per ambienti in cui le limitazioni hardware sono inesistenti e la massima precisione possibile è l'unico obiettivo.

• Imaging medico lato server: Rilevamento di anomalie microscopiche in radiografie ad alta risoluzione.
• Immagini satellitari: Tracciamento di oggetti densi e sovrapposti in attività di sorveglianza aerea su potenti cluster cloud.

Dove domina YOLOv5

YOLOv5 è l'indiscusso campione per la distribuzione pratica nel mondo reale su hardware diversificato.

• Dispositivi Edge AI: Distribuzione di sistemi di allarme di sicurezza su Raspberry Pi o dispositivi NVIDIA Jetson in cui la memoria è rigorosamente limitata.
• Applicazioni mobili: Esecuzione di inferenza rapida in tempo reale su bounding box e segmentazione direttamente su smartphone tramite CoreML o TFLite.
• Produzione industriale ad alta velocità: Ispezione di componenti su linee di produzione rapide dove la latenza al millisecondo è fondamentale per il successo operativo.

In definitiva, mentre RTDETRv2 spinge il limite di precisione utilizzando strati transformer, il framework Ultralytics YOLO fornisce un equilibrio senza pari di velocità, requisiti di memoria leggeri ed un'esperienza di sviluppo progettata in modo brillante che riduce drasticamente il tempo dal prototipo alla produzione.