YOLOv7 e RTDETRv2#

La visione artificiale continua a evolversi rapidamente, influenzata dalla competizione tra reti neurali convoluzionali (CNN) e Vision Transformer (ViT). Questo confronto tecnico esamina due architetture importanti: YOLOv7, un rilevatore di oggetti basato su CNN e 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 alla tradizionale famiglia YOLO, spingendo oltre i limiti del rilevamento di oggetti in tempo reale grazie a 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 si basa sull’architettura Extended Efficient Layer Aggregation Network (E-ELAN). Questo design strutturale consente al modello di apprendere caratteristiche più diversificate senza compromettere il percorso del gradiente originale. Inoltre, integra convoluzioni riparametrizzate pianificate, che ottimizzano la velocità di inferenza senza ridurre l’accuratezza. L’approccio basato su bag-of-freebies addestrabili consente di ottenere un buon compromesso tra velocità e accuratezza, rendendo il modello particolarmente adatto alle attività di rilevamento di oggetti in tempo reale su GPU di classe server.

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

Limitazioni#

Come molti modelli CNN precedenti, YOLOv7 si affida alla soppressione non massima (NMS) per la post-elaborazione. NMS introduce una latenza variabile, soprattutto nelle scene affollate, e può complicare il rispetto di rigidi requisiti di tempo reale sui dispositivi edge.

Scopri di più su YOLOv7

RTDETRv2: l’evoluzione dei Transformer in tempo reale#

RTDETRv2 si basa sul framework originale RT-DETR, dimostrando ulteriormente che i Transformer possono competere con le architetture YOLO in termini di latenza in tempo reale, mantenendo 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 importante passo avanti per i Vision Transformer. Sfrutta un processo flessibile di selezione delle query e un encoder ibrido efficiente per elaborare rapidamente caratteristiche a più scale. Introducendo una nuova «bag-of-freebies» progettata appositamente per i Detection Transformer (DETR), migliora l’accuratezza senza aumentare il costo di inferenza. Poiché non usa NMS, offre tempi di inferenza più prevedibili, utili nelle applicazioni per le smart city e nella guida autonoma.

Limitazioni#

Nonostante i progressi, RTDETRv2 mantiene i limiti tradizionali delle architetture basate su Transformer. Richiede molta più memoria CUDA durante l’addestramento e l’inferenza rispetto alle CNN. Inoltre, la convergenza durante l’addestramento è notevolmente più lenta e richiede grandi quantità di dati annotati di alta qualità, come il dataset COCO, oltre a ingenti risorse computazionali.

Scopri di più su RTDETRv2

Confronto delle prestazioni#

Quando confronti questi modelli, è utile considerare insieme accuratezza, velocità di inferenza pura e impronta computazionale. Di seguito trovi una tabella di confronto diretto.

Il vantaggio di Ultralytics: ecosistema ed evoluzione#

Sebbene YOLOv7 e RTDETRv2 offrano funzionalità solide, la distribuzione in ambienti di produzione spesso mette in luce difficoltà logistiche. L’ecosistema Ultralytics è progettato per ridurle, offrendo agli sviluppatori un’API unificata che nasconde le complessità tipiche delle pipeline di visione artificiale.

Versatilità ed efficienza nell'uso della memoria#

A differenza dei modelli Transformer, che richiedono grandi quantità di VRAM, i modelli Ultralytics YOLO sono efficienti nell’uso 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 di bounding box orientate (OBB), offrendo una flessibilità che RTDETRv2 al momento non ha.

Distribuzione#

Il passaggio dalla ricerca alla produzione richiede opzioni di distribuzione solide. L’API Ultralytics gestisce l’esportazione dei modelli nei formati standard del settore con una sola chiamata. Che tu scelga ONNX per la compatibilità multipiattaforma o TensorRT per la massima accelerazione GPU, la conversione è automatizzata.

Passare a Ultralytics YOLO26#

Per gli sviluppatori indecisi tra YOLOv7 e RTDETRv2, l’opzione consigliata è Ultralytics YOLO26. Rilasciato a gennaio 2026, YOLO26 combina la velocità delle CNN con l’inferenza end-to-end dei Transformer, affrontando al contempo molti dei rispettivi punti deboli.

YOLO26 introduce diverse innovazioni per le distribuzioni su server e dispositivi edge:

• Design end-to-end senza NMS: basandosi sull'addestramento senza NMS che YOLOv10 ha introdotto nei modelli YOLO, YOLO26 offre una head senza NMS opzionale (nms=False) che salta il post-processing NMS. Questo garantisce la latenza prevedibile di RTDETRv2 senza il sovraccarico computazionale di un transformer.
• Ottimizzatore MuSGD: Ispirato alle tecniche di addestramento dei modelli linguistici di grandi dimensioni, come Kimi K2 di Moonshot AI, YOLO26 usa una combinazione ibrida di SGD e Muon. Ciò migliora la stabilità dell’addestramento e la velocità di convergenza rispetto alle configurazioni standard con AdamW usate da molti ViT.
• ProgLoss + STAL: La Progressive Loss e l’assegnazione delle etichette consapevole degli oggetti piccoli migliorano il riconoscimento degli oggetti di piccole dimensioni, competendo direttamente con i vantaggi delle caratteristiche multiscala di RTDETRv2, aspetto fondamentale per l’automazione robotica.
• Ottimizzazione edge e rimozione della DFL: Eliminando la Distribution Focal Loss (DFL), YOLO26 semplifica la head di output; YOLO26n funziona su CPU fino al 43% più velocemente di YOLO11n, rendendo YOLO26 molto più facile da distribuire sui dispositivi edge rispetto ai pesanti modelli Transformer.

Esempio di addestramento con Ultralytics#

La semplicità dell’API Python di Ultralytics ti consente di addestrare un modello YOLO26s con poche righe di codice:

from ultralytics import YOLO

# Carica il modello YOLO26 small
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 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 massimo mAP.
• Scenari in cui è strettamente necessaria una latenza di inferenza prevedibile e senza NMS, a condizione di disporre della VRAM necessaria per supportare il backbone Transformer.

Quando scegliere Ultralytics YOLO26:

• La maggior parte dei nuovi progetti. Offre un’inferenza opzionale senza NMS, come RTDETRv2, supera YOLOv7 in velocità e accuratezza, usa meno VRAM ed è completamente integrato nella Ultralytics Platform per la gestione dei dataset, l’addestramento e la distribuzione.