YOLOv7 e RTDETRv2#

Il settore della visione artificiale continua a evolversi rapidamente, influenzato fortemente dalla competizione tra reti neurali convoluzionali (CNNs) e Transformer per la visione (ViTs). Questo confronto tecnico analizza due architetture di primo piano: YOLOv7, un rilevatore di oggetti basato su CNN altamente ottimizzato, e RTDETRv2, un Transformer per il rilevamento in tempo reale all’avanguardia.

Analizzando le differenze architetturali, le metriche di prestazione e gli scenari di distribuzione ideali, gli sviluppatori possono prendere decisioni consapevoli quando integrano questi modelli di IA per la visione nelle pipeline di produzione.

YOLOv7: l’architettura CNN bag-of-freebies#

YOLOv7 ha introdotto diverse ottimizzazioni strutturali che hanno cambiato il paradigma della tradizionale famiglia YOLO, spingendo al limite il rilevamento degli oggetti in tempo reale tramite una serie di "bag-of-freebies addestrabili".

Caratteristiche principali:

• Autori: Chien-Yao Wang, Alexey Bochkovskiy, Hong-Yuan Mark Liao
• Organizzazione: Institute of Information Science, Academia Sinica
• Data: 2022-07-06
• Arxiv: https://arxiv.org/abs/2207.02696
• GitHub: WongKinYiu/yolov7

Architettura e punti di forza#

YOLOv7 sfrutta l’architettura E-ELAN, una rete di aggregazione dei livelli estesa ed efficiente (E-ELAN). Questa architettura strutturale consente al modello di apprendere caratteristiche più diversificate senza distruggere il percorso originale del gradiente. Inoltre, integra convoluzioni riparametrizzate pianificate, che ottimizzano la velocità di inferenza senza ridurre l’accuratezza. Il suo approccio basato su un bag-of-freebies addestrabile consente di ottenere compromessi notevoli tra velocità e accuratezza, rendendolo particolarmente adatto alle attività di rilevamento degli oggetti in tempo reale su GPU di classe server.

YOLOv7 è anche molto versatile. Oltre al normale rilevamento con bounding box, il repository offre branch per la stima della posa e la segmentazione delle istanze, a dimostrazione della sua adattabilità.

Limitazioni#

Come molti modelli CNN legacy, YOLOv7 si affida alla soppressione dei non massimi (NMS) per la post-elaborazione. NMS introduce una latenza variabile, soprattutto nelle scene affollate, e può complicare le garanzie rigorose di funzionamento in tempo reale sui dispositivi edge.

Scopri di più su YOLOv7

RTDETRv2: l’evoluzione dei Transformer in tempo reale#

RTDETRv2 si basa sul framework RT-DETR originale e dimostra ulteriormente che i Transformer possono competere con le architetture YOLO in termini di latenza in tempo reale, mantenendo al contempo un’elevata accuratezza spaziale.

Caratteristiche principali:

• Autori: Wenyu Lv, Yian Zhao, Qinyao Chang, Kui Huang, Guanzhong Wang, Yi Liu
• Organizzazione: Baidu
• Data: 2024-07-24
• Arxiv: https://arxiv.org/abs/2407.17140
• GitHub: lyuwenyu/RT-DETR

Architettura e punti di forza#

RTDETRv2 rappresenta un significativo passo avanti per i Transformer per la visione. Sfrutta un processo flessibile di selezione delle query e un encoder ibrido efficiente per elaborare rapidamente caratteristiche multiscala. Introducendo un nuovo "bag-of-freebies" progettato appositamente per i Transformer di rilevamento (DETRs), porta al limite il ragionamento spaziale. Essendo nativamente privo di NMS, garantisce tempi di inferenza deterministici, una caratteristica fondamentale per le rigorose applicazioni per smart city e la guida autonoma.

Limitazioni#

Nonostante i progressi, RTDETRv2 si porta dietro i limiti tradizionali delle architetture basate su Transformer. Richiede molta più memoria CUDA durante l’addestramento e l’inferenza rispetto alle CNN. Inoltre, i tempi di convergenza dell’addestramento sono sensibilmente più lunghi e richiedono grandi quantità di dati annotati di alta qualità, come il dataset COCO, e notevoli risorse di calcolo.

Scopri di più su RTDETRv2

Confronto delle prestazioni#

Per confrontare questi modelli, dobbiamo considerare il quadro nel suo insieme: precisione, velocità di inferenza effettiva e ingombro computazionale. Di seguito trovi una tabella di confronto diretto.

Il vantaggio di Ultralytics: ecosistema ed evoluzione#

YOLOv7 e RTDETRv2 offrono funzionalità solide, ma il loro impiego in ambienti di produzione spesso fa emergere ostacoli logistici. È qui che l’ecosistema Ultralytics si distingue. Progettato per un’integrazione end-to-end senza problemi, il framework Ultralytics offre agli sviluppatori un’API unificata che astrae le complessità tipiche delle pipeline di visione artificiale.

Versatilità senza pari ed efficienza della memoria#

A differenza dei rigidi modelli Transformer, che consumano enormi quantità di VRAM, i modelli Ultralytics YOLO mantengono un’elevata efficienza della memoria. Ciò consente un rapido addestramento dei modelli su hardware accessibile. L’ecosistema supporta nativamente diverse attività di visione artificiale da un’unica base di codice, tra cui la classificazione delle immagini e il rilevamento con bounding box orientate (OBB), offrendo una flessibilità che al momento manca a RTDETRv2.

Distribuzione senza interruzioni#

Per passare dalla ricerca alla produzione servono opzioni di distribuzione solide. L’API Ultralytics gestisce nativamente l’esportazione dei modelli in un clic nei formati standard del settore. Che tu punti alla compatibilità multipiattaforma con ONNX o alla massima accelerazione GPU con TensorRT, la pipeline è completamente automatizzata e affidabile.

L’aggiornamento definitivo: Ultralytics YOLO26#

Per gli sviluppatori indecisi tra YOLOv7 e RTDETRv2, la strada migliore è in realtà il nuovo standard nell’IA per la visione: Ultralytics YOLO26. Rilasciato a gennaio 2026, YOLO26 colma il divario tra la velocità delle CNN e la sofisticata capacità di ragionamento dei Transformer, eliminandone al contempo completamente i rispettivi punti deboli.

YOLO26 introduce innovazioni rivoluzionarie, pensate sia per le distribuzioni su server sia per quelle edge:

• Architettura end-to-end senza NMS: Introdotta per la prima volta in YOLOv10, YOLO26 offre una head nativa senza NMS (nms=False) che elimina la post-elaborazione NMS. In questo modo garantisce la latenza deterministica di RTDETRv2 senza l’oneroso carico computazionale di un Transformer.
• Ottimizzatore MuSGD: Ispirato alle tecniche di addestramento dei modelli linguistici di grandi dimensioni, come Kimi K2 di Moonshot AI, YOLO26 utilizza una combinazione di SGD e Muon. Offre una stabilità dell’addestramento senza precedenti e tempi di convergenza notevolmente più rapidi rispetto alle implementazioni standard di AdamW utilizzate dai ViTs.
• ProgLoss + STAL: Queste funzioni di loss avanzate migliorano notevolmente il riconoscimento degli oggetti piccoli, competendo direttamente con i vantaggi delle caratteristiche multiscala di RTDETRv2, una capacità fondamentale per l’automazione robotica.
• Ottimizzazione edge e rimozione di DFL: Rimuovendo la Distribution Focal Loss (DFL), YOLO26 semplifica la head di output e raggiunge un’inferenza su CPU fino al 43% più veloce: è quindi molto più adatto alla distribuzione su dispositivi edge rispetto ai pesanti modelli Transformer.

Esempio di addestramento con Ultralytics#

La semplicità dell’API Python di Ultralytics ti permette di addestrare il modello all’avanguardia YOLO26 con poche righe di codice:

from ultralytics import YOLO

# Carica il modello YOLO26 small, altamente efficiente
model = YOLO("yolo26s.pt")

# Addestra il modello sul dataset COCO8
# Il framework gestisce automaticamente l’aumento dei dati e la selezione dell’ottimizzatore
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device="0")

# Esporta facilmente in TensorRT per la distribuzione
model.export(format="engine", dynamic=True)

Casi d'uso ideali#

La scelta dell’architettura giusta dipende soprattutto dai vincoli di distribuzione e dalla disponibilità di hardware:

Quando prendere in considerazione YOLOv7:

• Progetti di ricerca legacy in cui YOLOv7 è una baseline consolidata.
• Ambienti in cui l’accelerazione GPU è ampiamente disponibile e la variabilità della latenza dovuta alla NMS è accettabile.

Quando prendere in considerazione RTDETRv2:

• Distribuzioni su server di fascia alta che richiedono il valore mAP massimo assoluto.
• Scenari in cui è strettamente necessaria una latenza di inferenza deterministica (senza NMS), a condizione di disporre della VRAM necessaria per supportare il suo backbone Transformer.

Quando scegliere Ultralytics YOLO26:

• Quasi sempre. Offre il determinismo senza NMS di RTDETRv2, supera YOLOv7 in velocità e accuratezza, utilizza molta meno VRAM ed è completamente integrato nella Ultralytics Platform per gestire dataset, addestramento e distribuzione senza fatica.