YOLOv7 vs RTDETRv2: Un confronto tecnico tra i moderni rilevatori di oggetti
La scelta dell'architettura ottimale per il rilevamento degli oggetti è un passo fondamentale nello sviluppo di soluzioni robuste di computer vision. Questa decisione implica spesso la necessità di trovare un complesso compromesso tra velocità di inferenza, accuratezza del rilevamento e requisiti di risorse computazionali. Questa guida fornisce un confronto tecnico approfondito tra YOLOv7, un rilevatore altamente ottimizzato basato su CNN noto per la sua velocità, e RTDETRv2, un modello all'avanguardia basato su trasformatori progettato per portare la comprensione del contesto globale nelle applicazioni in tempo reale.
YOLOv7: l'apice dell'efficienza della CNN
YOLOv7 rappresenta un'importante evoluzione della famiglia You Only Look OnceYOLO), rilasciata per spingere i confini di ciò che le reti neurali convoluzionali (CNN) possono raggiungere in scenari in tempo reale. Concentrandosi su perfezionamenti architetturali e strategie di addestramento avanzate, offre una velocità impressionante su hardware GPU .
- 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:https://github.com/WongKinYiu/yolov7
- Documenti:https://docs.ultralytics.com/models/yolov7/
Innovazioni architettoniche
YOLOv7 introduce la Extended Efficient Layer Aggregation Network (E-ELAN), un nuovo design della struttura portante che migliora la capacità di apprendimento della rete senza distruggere il percorso del gradiente. Ciò consente di ottenere reti più profonde che rimangono efficienti da addestrare. Una caratteristica distintiva di YOLOv7 è il "bag-of-freebies addestrabile", un insieme di metodi di ottimizzazione - come la ri-parametrizzazione del modello e l'assegnazione di etichette guidata da un lead grossolano a uno fine - che migliorano l'accuratezza senza aumentare la latenza dell'inferenza.
Punti di forza e debolezze
YOLOv7 eccelle negli ambienti in cui l'inferenza in tempo reale su GPU standard è la priorità. La sua architettura è altamente ottimizzata per CUDA e garantisce elevati FPS per i feed video. Tuttavia, in quanto CNN pura, può avere problemi con le dipendenze a lungo raggio rispetto ai trasformatori. Inoltre, la personalizzazione della sua complessa architettura può essere difficile per i principianti.
RTDETRv2: Trasformatori per il rilevamento in tempo reale
RTDETRv2 si basa sul successo del Real-Time Detection TransformerRT-DETR), sfruttando la potenza dei Vision Transformers (ViT) per catturare informazioni globali su un'immagine. A differenza delle CNN, che elaborano i quartieri locali di pixel, i trasformatori utilizzano meccanismi di autoattenzione per comprendere le relazioni tra oggetti distanti.
- Autori: Wenyu Lv, Yian Zhao, Qinyao Chang, Kui Huang, Guanzhong Wang e Yi Liu
- Organizzazione: Baidu
- Data: 2023-04-17 ( RT-DETR originale), 2024-07 (RTDETRv2)
- Arxiv:https://arxiv.org/abs/2304.08069
- GitHub:https://github.com/lyuwenyu/RT-DETR/tree/main/rtdetrv2_pytorch
Innovazioni architettoniche
RTDETRv2 impiega un'architettura ibrida. Utilizza una spina dorsale CNN per l'estrazione efficiente delle caratteristiche e un encoder-decoder trasformatore per la testa di rilevamento. Inoltre, è privo di ancoraggi, eliminando così la necessità di regolare manualmente le caselle di ancoraggio e la post-elaborazione della soppressione non massimaNMS) in alcune configurazioni. I miglioramenti della versione "v2" si concentrano su una spina dorsale flessibile e su strategie di addestramento migliorate per ridurre ulteriormente la latenza, mantenendo un'elevata precisione media (mAP).
Punti di forza e debolezze
Il vantaggio principale di RTDETRv2 è la sua precisione in scene complesse con occlusioni, grazie alla consapevolezza del contesto globale. Spesso supera le CNN di dimensioni simili in mAP. Tuttavia, questo ha un costo: i modelli trasformatori sono notoriamente affamati di memoria durante l'addestramento e possono essere più lenti a convergere. In genere richiedono GPU più potenti per un addestramento efficace rispetto alle CNN come YOLOv7.
Confronto delle prestazioni: Metriche e analisi
La tabella seguente presenta un confronto tra le principali metriche di prestazione. Mentre RTDETRv2-x raggiunge una precisione superiore, YOLOv7 offrono spesso un vantaggio competitivo in termini di velocità di inferenza pura su specifiche configurazioni hardware, grazie alla loro progettazione nativa CNN.
| Modello | dimensione (pixel) | mAPval 50-95 | Velocità CPU ONNX (ms) | Velocità T4 TensorRT10 (ms) | parametri (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv7l | 640 | 51.4 | - | 6.84 | 36.9 | 104.7 |
| YOLOv7x | 640 | 53.1 | - | 11.57 | 71.3 | 189.9 |
| 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 |
Comprendere i compromessi
Quando si sceglie tra queste architetture, bisogna considerare l'hardware di distribuzione. I trasformatori come RTDETRv2 spesso richiedono ottimizzazioni specifiche di TensorRT per raggiungere il loro massimo potenziale di velocità sulle GPU NVIDIA , mentre le CNN come YOLOv7 generalmente vengono eseguite in modo efficiente su una gamma più ampia di hardware con meno regolazioni.
Metodologia e risorse per la formazione
Le metodologie di addestramento differiscono in modo significativo tra le due architetture. YOLOv7 utilizza ottimizzatori standard di gradiente stocastico (SGD) o Adam , con particolare attenzione alle pipeline di aumento dei dati come Mosaic. È relativamente efficiente in termini di memoria, il che rende fattibile l'addestramento su GPU di fascia media.
Al contrario, RTDETRv2 richiede un regime di addestramento più impegnativo in termini di risorse. I meccanismi di autoattenzione dei trasformatori scalano quadraticamente con la lunghezza della sequenza (dimensione dell'immagine), comportando un maggiore utilizzo di VRAM. Gli utenti hanno spesso bisogno di GPUNVIDIA di fascia alta con grandi capacità di memoria (ad esempio, A100) per addestrare efficacemente le varianti RT-DETR più grandi. Inoltre, i trasformatori richiedono in genere programmi di addestramento più lunghi (più epoche) per convergere rispetto alle CNN.
Perché i modelli Ultralytics sono la scelta consigliata
Mentre YOLOv7 e RTDETRv2 sono modelli eccellenti di per sé, l'ecosistema diUltralytics , guidatodal modernissimo YOLO11, è un modello di riferimento. YOLO11-offre una soluzione più completa per lo sviluppo dell'IA moderna.
Facilità d'uso ed ecosistema superiori
I modelli Ultralytics sono stati progettati tenendo conto dell'esperienza degli sviluppatori. A differenza dei complessi file di configurazione e dell'impostazione manuale spesso richiesta da YOLOv7 o dalle esigenze specifiche dell'ambiente di RTDETRv2, Ultralytics fornisce un'API Python semplice e unificata. Ciò consente di caricare, addestrare e distribuire i modelli con poche righe di codice.
from ultralytics import YOLO
# Load a pre-trained YOLO11 model
model = YOLO("yolo11n.pt")
# Train the model on your custom dataset
model.train(data="coco8.yaml", epochs=100, imgsz=640)
# Run inference on an image
results = model("path/to/image.jpg")
Prestazioni equilibrate e versatilità
YOLO11 raggiunge un equilibrio eccezionale tra velocità e precisione, superando spesso in efficienza sia YOLOv7 che RT-DETR . I modelli Ultralytics non si limitano al rilevamento degli oggetti. Supportano in modo nativo un'ampia gamma di attività di computer vision all'interno dello stesso framework:
- Segmentazione dell'istanza: Delineazione precisa degli oggetti.
- Stima della posa: Rilevamento dei punti chiave per la posa umana o animale.
- Classificazione: Categorizzazione dell'immagine intera.
- Rilevamento di oggetti orientati (OBB): Rilevamento di oggetti ruotati (ad esempio, nelle immagini aeree).
Efficienza e formazione
I modelli Ultralytics sono ottimizzati per l'efficienza della memoria. In genere richiedono una quantità di memoria CUDA significativamente inferiore durante l'addestramento rispetto alle alternative basate su trasformatori come RTDETRv2, democratizzando l'accesso all'IA ad alte prestazioni. Grazie ai pesi pre-addestrati ampiamente disponibili e alle efficienti capacità di apprendimento per trasferimento, è possibile ottenere risultati pronti per la produzione in una frazione di tempo.
Conclusione
YOLOv7 rimane un forte concorrente per i sistemi tradizionali che richiedono un'inferenza CNN rigorosamente ottimizzata, mentre RTDETRv2 offre una precisione all'avanguardia per scene complesse in cui le risorse computazionali sono abbondanti. Tuttavia, per la maggior parte degli sviluppatori e dei ricercatori che cercano una soluzione moderna, versatile e facile da usare, Ultralytics YOLO11 è la scelta migliore.
Scegliendo Ultralytics, avrete accesso a una comunità fiorente, ad aggiornamenti frequenti e a un robusto set di strumenti che semplifica l'intero ciclo di vita di MLOps, dalla gestione dei dati all'implementazione.
Esplora altri confronti tra modelli
Per approfondire la vostra decisione, esplorate questi ulteriori confronti tecnici: