YOLOv7 vs RTDETRv2: Un confronto dettagliato tra i modelli
La scelta del giusto modello di rilevamento degli oggetti è fondamentale per i progetti di computer vision. Questa pagina fornisce un confronto tecnico tra YOLOv7 e RTDETRv2, due modelli all'avanguardia, per aiutarvi a prendere una decisione consapevole. Approfondiamo le differenze architettoniche, le metriche delle prestazioni e le applicazioni ideali.
| Modello | dimensione (pixel) |
mAPval 50-95 |
Velocità CPU ONNX (ms) |
Velocità T4TensorRT10 (ms) |
params (M) |
FLOP (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 |
YOLOv7: l'esperto di efficienza in tempo reale
YOLOv7, introdotto nel luglio 2022 dagli autori Chien-Yao Wang, Alexey Bochkovskiy e Hong-Yuan Mark Liao dell'Institute of Information Science, Academia Sinica, Taiwan, è famoso per la sua velocità ed efficienza nei compiti di rilevamento degli oggetti. Il progetto perfeziona l'architettura dei precedenti modelli YOLO , privilegiando la rapidità di inferenza senza sacrificare in modo significativo l'accuratezza.
Architettura e caratteristiche principali
L'architettura di YOLOv7 si basa sulle reti neurali convoluzionali (CNN) e incorpora diverse caratteristiche chiave per ottimizzare le prestazioni:
- E-ELAN (Extended Efficient Layer Aggregation Network): Migliora l'efficienza dell'estrazione delle caratteristiche, consentendo al modello di apprendere in modo più efficace.
- Scalatura del modello: Utilizza tecniche di scalatura composte per regolare la profondità e l'ampiezza del modello, consentendo la flessibilità per le diverse risorse computazionali e le esigenze di prestazioni.
- Formazione a teste ausiliarie: Utilizza teste di perdita ausiliarie durante l'addestramento per approfondire l'apprendimento della rete e migliorare la precisione complessiva.
Queste scelte architettoniche consentono a YOLOv7 di raggiungere un forte equilibrio tra velocità e precisione, rendendolo adatto ad applicazioni in tempo reale. Per maggiori dettagli, consultare il documento YOLOv7 su Arxiv e il repository ufficiale YOLOv7 su GitHub.
Metriche di prestazione
YOLOv7 è stato progettato per eccellere in scenari in cui la bassa latenza è fondamentale. Le sue prestazioni sono caratterizzate da:
- mAPval50-95: Raggiunge fino al 53,1% di mAP sul set di dati COCO.
- Velocità di inferenza (T4 TensorRT10): Fino a 6,84 ms, per un'elaborazione in tempo reale.
- Dimensioni del modello (parametri): A partire da 36,9 M di parametri, offre un modello di dimensioni compatte per una distribuzione efficiente.
Casi d'uso e punti di forza
YOLOv7 è particolarmente adatto alle applicazioni che richiedono il rilevamento di oggetti in tempo reale su dispositivi con risorse limitate, tra cui:
- Robotica: Fornire una percezione veloce per la navigazione e l'interazione robotica.
- Sorveglianza: Consentire il monitoraggio e l'analisi in tempo reale nei sistemi di sicurezza. Scoprite come YOLOv8 può migliorare i sistemi di allarme di sicurezza.
- Dispositivi edge: Distribuzione su dispositivi edge con potenza di calcolo limitata, come NVIDIA Jetson o Raspberry Pi.
Il suo punto di forza principale è la velocità e le dimensioni relativamente ridotte del modello, che lo rendono altamente distribuibile su diverse piattaforme hardware. Per saperne di più sull'architettura e sulle funzionalità di YOLOv7, consultate i documenti di YOLOv7.
RTDETRv2: Precisione con l'efficienza del trasformatore
RTDETRv2 (Real-Time Detection Transformer version 2), presentato nel luglio 2024 dagli autori Wenyu Lv, Yian Zhao, Qinyao Chang, Kui Huang, Guanzhong Wang e Yi Liu di Baidu, adotta un approccio diverso integrando i trasformatori di visione (ViT) per il rilevamento degli oggetti. A differenza della base CNN di YOLO, RTDETRv2 sfrutta i trasformatori per catturare il contesto globale dell'immagine, che potenzialmente può portare a una maggiore precisione, pur mantenendo le prestazioni in tempo reale.
Architettura e caratteristiche principali
L'architettura di RTDETRv2 è definita da:
- Backbone Vision Transformer (ViT): Utilizza un codificatore trasformatore per elaborare l'intera immagine, catturando le dipendenze a lungo raggio cruciali per la comprensione di scene complesse.
- Estrazione ibrida di caratteristiche CNN: Combina le CNN per l'estrazione iniziale delle caratteristiche con strati trasformatori per integrare efficacemente il contesto globale.
- Rilevamento senza ancoraggi: Semplifica il processo di rilevamento eliminando la necessità di scatole di ancoraggio predefinite, migliorando la flessibilità del modello e riducendo la complessità.
Questo design basato su trasformatori consente a RTDETRv2 di raggiungere potenzialmente una precisione superiore, soprattutto in ambienti intricati e ingombri. Per saperne di più sui trasformatori di visione, consultate la nostra pagina di glossario sui trasformatori di visione (ViT). Il documento su RTDETRv2 è disponibile su Arxiv e il repository ufficiale su GitHub fornisce dettagli sull'implementazione.
Metriche di prestazione
RTDETRv2 privilegia l'accuratezza pur mantenendo una velocità competitiva, offrendo le seguenti metriche di prestazione:
- mAPval50-95: Raggiunge il 54,3% di mAPval50-95, dimostrando un'elevata precisione nel rilevamento degli oggetti.
- Velocità di inferenza (T4 TensorRT10): Parte da 5,03 ms, garantendo una capacità in tempo reale su un hardware adeguato.
- Dimensioni del modello (parametri): Inizia con i parametri 20M, offrendo una gamma di dimensioni del modello per le diverse esigenze di implementazione.
Casi d'uso e punti di forza
RTDETRv2 è ideale per le applicazioni in cui è fondamentale un'elevata precisione e sono disponibili risorse di calcolo:
- Veicoli autonomi: Fornire una percezione ambientale affidabile e precisa per una navigazione sicura. Esplorare l'intelligenza artificiale nelle auto a guida autonoma per le relative applicazioni.
- Imaging medico: Rilevamento preciso delle anomalie nelle immagini mediche per agevolare la diagnosi e la pianificazione del trattamento. Per saperne di più sulle applicazioni dell 'IA nel settore sanitario.
- Analisi di immagini ad alta risoluzione: Attività che richiedono l'analisi dettagliata di immagini di grandi dimensioni, come l'analisi di immagini satellitari o l'ispezione industriale.
Il punto di forza di RTDETRv2 è la sua architettura a trasformatori, che facilita l'estrazione di caratteristiche robuste e una maggiore precisione, rendendolo eccellente per compiti di rilevamento complessi. Ulteriori dettagli sono disponibili nel README di RT-DETR su GitHub.
Per saperne di più su RTDETRv2
Conclusione
Sia YOLOv7 che RTDETRv2 sono potenti modelli di rilevamento degli oggetti, ciascuno con punti di forza unici. YOLOv7 eccelle nelle applicazioni in tempo reale che richiedono velocità ed efficienza, mentre RTDETRv2 privilegia la precisione grazie alla sua architettura basata su trasformatori. La scelta dovrebbe essere in linea con i requisiti specifici del progetto: velocità per attività sensibili al tempo o precisione per analisi dettagliate.
Per altri confronti e modelli, potresti essere interessato anche a:
