RTDETRv2 vs YOLOv7
La visione artificiale ha fatto rapidi progressi negli ultimi anni, grazie agli sviluppi sia delle reti neurali convoluzionali (CNN) sia dei Vision Transformer (ViT). Per scegliere un'architettura da distribuire, devi comprendere i compromessi tra velocità, accuratezza e carico computazionale. Questa guida confronta le differenze tecniche tra due architetture note, RTDETRv2 e YOLOv7, e presenta il più recente YOLO26 di Ultralytics.
RTDETRv2: l'approccio Transformer al rilevamento in tempo reale#
RTDETRv2 (versione 2 del Real-Time Detection Transformer) si basa sul predecessore e dimostra che le architetture basate su Transformer possono competere negli scenari in tempo reale senza ricorrere ai tradizionali passaggi di post-elaborazione.
- Autori: Wenyu Lv, Yian Zhao, Qinyao Chang, Kui Huang, Guanzhong Wang e Yi Liu
- Organizzazione: Baidu
- Data: 2024-07-24
- arXiv: https://arxiv.org/abs/2407.17140
- GitHub: Repository RTDETRv2
Punti salienti dell'architettura#
RTDETRv2 usa un encoder ibrido e un decoder transformer. Il meccanismo di autoattenzione consente al modello di elaborare l'intera immagine in una sola volta, permettendogli di cogliere relazioni spaziali che i kernel convoluzionali strettamente locali non riescono a rilevare. Il suo tratto distintivo è un design nativamente privo di NMS. Eliminando la soppressione dei non massimi (NMS), RTDETRv2 rimuove un collo di bottiglia comune che introduce una latenza di inferenza variabile durante la distribuzione.
Punti di forza e limiti#
Il principale punto di forza di RTDETRv2 è la capacità di gestire oggetti numerosi e sovrapposti in scene complesse. Il contesto globale fornito dai livelli di attenzione Transformer migliora l'accuratezza, soprattutto negli scenari in cui le occlusioni sono frequenti.
Tuttavia, questo comporta un costo computazionale. Durante l'addestramento e l'inferenza, i modelli Transformer richiedono in genere più memoria delle CNN. Ciò limita le dimensioni dei batch sulle GPU consumer e può allungare i cicli di iterazione per gli sviluppatori che ottimizzano dataset personalizzati.
YOLOv7: una baseline CNN per la velocità#
Rilasciato due anni prima di RTDETRv2, YOLOv7 ha introdotto diverse ottimizzazioni strutturali al framework YOLO classico, stabilendo al momento della pubblicazione un benchmark di riferimento per i rilevatori in tempo reale basati su CNN.
- Autori: Chien-Yao Wang, Alexey Bochkovskiy e Hong-Yuan Mark Liao
- Organizzazione: Institute of Information Science, Academia Sinica, Taiwan
- Data: 2022-07-06
- arXiv: https://arxiv.org/abs/2207.02696
- GitHub: Repository di YOLOv7
Punti salienti dell'architettura#
L'architettura di YOLOv7 si basa sul concetto di Extended Efficient Layer Aggregation Network (E-ELAN). Questo approccio ottimizza il percorso del gradiente, consentendo al modello di apprendere in modo più efficace senza un grande aumento della complessità computazionale. Gli autori hanno inoltre introdotto i "trainable bag-of-freebies", un insieme di metodi che migliora la precisione del modello durante l'addestramento senza aumentare il costo dell'inferenza.
Punti di forza e limiti#
YOLOv7 rimane un modello efficace per le attività standard di rilevamento di oggetti, con elaborazione rapida sulle GPU consumer. Essendo una CNN, durante l'addestramento richiede in genere meno memoria CUDA rispetto ai modelli basati su Transformer come RTDETRv2.
Nonostante questi vantaggi, YOLOv7 si affida ancora a NMS per la post-elaborazione. Negli ambienti con un'elevata densità di predizioni, il passaggio NMS può causare fluttuazioni nei tempi di elaborazione, rendendo difficili le rigorose garanzie di funzionamento in tempo reale. Inoltre, YOLOv7 gestisce attività come la segmentazione di istanze e la stima della posa in rami di codice separati anziché in un unico framework unificato.
Confronto delle prestazioni#
La tabella seguente confronta la precisione media (mAP), il numero di parametri e la velocità di inferenza sul set di validazione COCO.
| Modello | dimensione (pixel) | mAPval50-95 | 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 |
| YOLOv7l | 640 | 51.4 | - | 6.84 | 36.9 | 104.7 |
| YOLOv7x | 640 | 53.1 | - | 11.57 | 71.3 | 189.9 |
RTDETRv2-x raggiunge il valore mAP più alto (54.3), ma ha anche il maggior numero di parametri e di FLOPs. YOLOv7l (51.4 mAP, 6.84 ms) è leggermente più veloce di RTDETRv2-m (51.9 mAP, 7.51 ms), mentre RTDETRv2-l (53.4 mAP, 9.76 ms) è sia più preciso sia più veloce di YOLOv7x (53.1 mAP, 11.57 ms). Qui nessuno dei due modelli riporta le velocità su CPU, quindi chi punta ad ambienti a basso consumo senza GPU dedicata dovrebbe misurare autonomamente l'inferenza su CPU.
La soluzione moderna: arriva YOLO26#
RTDETRv2 e YOLOv7 hanno entrambi fatto progredire le applicazioni di visione artificiale, e il settore ha continuato a evolversi. Rilasciato a gennaio 2026, YOLO26 combina l'efficienza delle CNN con l'inferenza opzionale senza NMS, simile a quella dei rilevatori basati su Transformer.
Per sviluppatori e ricercatori che realizzano nuovi sistemi, la Ultralytics Platform integrata e l'ecosistema Python offrono un flusso di lavoro unificato che riduce il lavoro di integrazione e manutenzione.
Innovazioni chiave di YOLO26#
- Design end-to-end senza NMS: YOLO26 supporta l'inferenza end-to-end nativa e salta la post-elaborazione NMS grazie alla sua testa opzionale one-to-one (
nms=False), per una distribuzione più rapida e semplice. Questo approccio, introdotto per la prima volta in YOLOv10, mantiene stabile la latenza indipendentemente dalla densità degli oggetti. - Inferenza su CPU fino al 43% più veloce: YOLO26n è fino al 43% più veloce su CPU di YOLO11n, caratteristica utile per l'edge computing e per i dispositivi senza GPU, sui quali è più difficile distribuire modelli Transformer più pesanti.
- Ottimizzatore MuSGD: un ibrido di SGD e Muon (ispirato a Kimi K2 di Moonshot AI) che porta nella visione artificiale le tecniche di addestramento dei modelli linguistici di grandi dimensioni (LLM), per un addestramento più stabile e una convergenza più rapida.
- Rimozione di DFL: Distribution Focal Loss è stata rimossa, semplificando il grafo computazionale e agevolando l'esportazione su NPU integrate e ambienti TensorRT.
- ProgLoss + STAL: Progressive Loss e Small-Target-Aware Label Assignment (STAL) migliorano il riconoscimento degli oggetti piccoli, fondamentale per la robotica, l'IoT e l'analisi di immagini aeree.
- Miglioramenti specifici per attività: YOLO26 non è pensato solo per il rilevamento. Include prototipi multiscala per la segmentazione, la stima della log-verosimiglianza residua (RLE) per la stima della posa e una loss angolare specializzata che risolve i problemi dei bordi dei bounding box orientati (OBB).
Un'esperienza di sviluppo più semplice#
Un vantaggio fondamentale dei modelli Ultralytics come YOLO26 (o il diffuso YOLO11) è l'ecosistema ben mantenuto. Per addestrare un modello su un dataset personalizzato bastano poche righe di codice:
from ultralytics import YOLO
# Inizializza il modello YOLO26
model = YOLO("yolo26s.pt")
# Addestra il modello sul dataset COCO8
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# Esporta per la distribuzione edge
model.export(format="onnx", dynamic=True)Casi d'uso e applicazioni ideali#
La scelta tra queste architetture dipende dall'hardware di destinazione e dai requisiti operativi specifici.
Quando prendere in considerazione RTDETRv2#
RTDETRv2 è efficace negli ambienti di elaborazione lato server dotati di GPU potenti. Il suo meccanismo di attenzione globale lo rende adatto alla comprensione di scene complesse, come il monitoraggio di eventi molto affollati o l'imaging medico specialistico, in cui le caratteristiche sovrapposte richiedono un'analisi contestuale approfondita.
Quando prendere in considerazione YOLOv7#
YOLOv7 viene spesso mantenuto nella ricerca accademica legacy come modello di riferimento per i confronti. Si trova anche in implementazioni industriali meno recenti, in cui le pipeline esistenti sono codificate per versioni specifiche di PyTorch e non richiedono la flessibilità multi-task dei framework più recenti.
Perché YOLO26 è lo standard consigliato#
Per le moderne infrastrutture di smart city, la navigazione dei droni e la produzione ad alta velocità, YOLO26 offre un buon equilibrio tra velocità e precisione. I requisiti di memoria inferiori rendono l'ottimizzazione degli iperparametri e l'addestramento accessibili sull'hardware consumer, mentre l'inferenza opzionale senza NMS e le ottimizzazioni per CPU sono adatte a dispositivi edge con risorse limitate, come Raspberry Pi o NVIDIA Jetson.
Vuoi sapere come si confrontano questi modelli con altre architetture? Consulta le nostre guide dettagliate su YOLO11 vs. RT-DETR e YOLOv8 vs. YOLOv7 per trovare la soluzione giusta per il tuo progetto di IA per la visione.
Commenti
Fai una domanda, condividi i tuoi risultati o aiuta qualcun altro.