RTDETRv2 vs EfficientDet
A escolha da arquitetura de rede neural ideal é uma decisão determinante para qualquer projeto de visão computacional. Esta comparação técnica analisa dois modelos de deteção de objetos influentes: o RTDETRv2, um detetor em tempo real baseado em Transformer, e o EfficientDet, uma rede neural convolucional altamente escalável. Avalia as respetivas arquiteturas, métricas de desempenho, métodos de treino e cenários de implementação mais adequados, para te ajudar a tomar decisões baseadas em dados para os teus pipelines de IA.
RTDETRv2: o Transformer de detecção em tempo real#
Com base no sucesso do RT-DETR original, RTDETRv2 aprimora o paradigma de detecção de objetos baseado em Transformer. Ao otimizar as estruturas do codificador e do decodificador, ele oferece alta precisão e mantém velocidades de inferência em tempo real, preenchendo efetivamente a lacuna entre as CNNs tradicionais e os Transformers de visão.
Detalhes do modelo
- Autores: Wenyu Lv, Yian Zhao, Qinyao Chang, Kui Huang, Guanzhong Wang e Yi Liu
- Organização: Baidu
- Data: 2024-07-24
- Links: arXiv, GitHub, Documentação
Arquitetura e principais pontos fortes#
O RTDETRv2 utiliza uma arquitetura híbrida que combina uma base CNN robusta (frequentemente ResNet ou HGNet) com um descodificador Transformer eficiente. A característica mais marcante do RTDETRv2 é a capacidade nativa de contornar a supressão não máxima (NMS). Os detetores tradicionais precisam de NMS para filtrar caixas delimitadoras duplicadas, o que acrescenta latência de inferência variável durante o pós-processamento. O RTDETRv2 formula a deteção como um problema de previsão direta de conjuntos e utiliza correspondência bipartida para produzir previsões únicas.
Este modelo tem melhor desempenho em implementações do lado do servidor, onde há memória GPU abundante. O seu mecanismo de atenção global oferece uma forte compreensão do contexto, tornando-o especialmente adequado para separar objetos sobrepostos em ambientes densos e desordenados, como sistemas automatizados de alarmes de segurança ou monitorização de multidões densas.
Limitações#
Embora potentes, as arquiteturas Transformer exigem, por natureza, mais memória CUDA durante o treino do que as CNN padrão. O ajuste fino do RTDETRv2 também pode demorar mais tempo a convergir com novos dados de treino, tornando a prototipagem rápida mais exigente em recursos.
EfficientDet: CNNs escaláveis e eficientes#
EfficientDet introduziu uma família de modelos de detecção de objetos otimizados tanto para precisão quanto para eficiência em uma ampla variedade de restrições de recursos. Ele continua sendo um exemplo clássico de projeto escalável de visão de máquina.
Detalhes do modelo
- Autores: Mingxing Tan, Ruoming Pang e Quoc V. Le
- Organização: Google
- Data: 2019-11-20
- Links: arXiv, GitHub, Documentação
Arquitetura e principais pontos fortes#
A inovação do EfficientDet assenta em duas áreas fundamentais: a rede piramidal de características bidirecional (BiFPN) e um método de escalabilidade composta. A BiFPN permite uma extração de características multiescala simples e rápida ao introduzir pesos aprendíveis para determinar a importância de diferentes características de entrada, aplicando repetidamente a fusão de características multiescala de cima para baixo e de baixo para cima. O método de escalabilidade composta aumenta uniformemente, em simultâneo, a resolução, a profundidade e a largura da rede.
Os modelos EfficientDet vão do leve D0 ao muito maior D7. Isso torna-os versáteis para implementações de IA de borda, nas quais os programadores têm de equilibrar orçamentos computacionais reduzidos com requisitos de precisão, como nas primeiras aplicações móveis de realidade aumentada.
Limitações#
EfficientDet é uma arquitetura mais antiga que depende muito de caixas-âncora e do pipeline tradicional de pós-processamento NMS. O processo de geração de âncoras exige ajuste cuidadoso de hiperparâmetros, e a etapa NMS pode se tornar um gargalo na implantação em hardware embarcado, como um Raspberry Pi. Também não oferece suporte nativo a tarefas modernas, como estimativa de pose ou caixas delimitadoras orientadas (OBB).
Sabe mais sobre o EfficientDet
Comparação de desempenho e métricas#
Para compreender as vantagens e desvantagens exatas entre esses modelos, é preciso analisar a taxa de transferência e a eficiência em relação à quantidade de parâmetros. A tabela abaixo mostra como a moderna série RTDETRv2 se compara à família escalável EfficientDet.
| Modelo | tamanho (pixels) | mAPval50-95 | Velocidade CPU ONNX (ms) | Velocidade T4 TensorRT10 (ms) | parâmetros (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 |
| EfficientDet-d0 | 512 | 34.6 | - | 3.92 | 3.9 | 2.54 |
| EfficientDet-d1 | 640 | 40.5 | - | 7.31 | 6.6 | 6.1 |
| EfficientDet-d2 | 768 | 43.0 | - | 10.92 | 8.1 | 11.0 |
| EfficientDet-d3 | 896 | 47.5 | - | 19.59 | 12.0 | 24.9 |
| EfficientDet-d4 | 1024 | 49.7 | - | 33.55 | 20.7 | 55.2 |
| EfficientDet-d5 | 1280 | 51.5 | - | 67.86 | 33.7 | 130.0 |
| EfficientDet-d6 | 1280 | 52.6 | - | 89.29 | 51.9 | 226.0 |
| EfficientDet-d7 | 1536 | 53.7 | - | 128.07 | 51.9 | 325.0 |
Como se vê acima, o RTDETRv2 iguala ou supera a precisão média média (mAP) dos modelos EfficientDet de dimensão semelhante, sendo muito mais rápido em GPU (por exemplo, 53.4 mAP a 9.76 ms para o RTDETRv2-l, contra 52.6 mAP a 89.29 ms para o EfficientDet-d6), e utiliza a sua arquitetura Transformer para aumentar a precisão.
Casos de uso e recomendações#
A escolha entre RT-DETR e EfficientDet depende dos requisitos específicos do teu projeto, das restrições de implantação e das preferências de ecossistema.
Quando escolher o RT-DETR#
O RT-DETR é uma ótima opção para:
- Pesquisa em detecção baseada em Transformer: Projetos que exploram mecanismos de atenção e arquiteturas Transformer para detecção de objetos ponta a ponta sem NMS.
- Cenários de alta precisão com latência flexível: Aplicações em que a precisão da detecção é a prioridade máxima e uma latência de inferência um pouco maior é aceitável.
- Detecção de objetos grandes: Cenas com objetos predominantemente médios ou grandes, nas quais o mecanismo de atenção global dos Transformers oferece uma vantagem natural.
Quando escolher o EfficientDet#
O EfficientDet é recomendado para:
- Google Cloud e pipelines de TPU: Sistemas baseados em TensorFlow na infraestrutura de TPU do Google Cloud, onde a implementação de referência do EfficientDet oferece suporte ao treinamento em TPU.
- Investigação sobre escalonamento composto: Avaliação comparativa académica centrada no estudo dos efeitos do escalonamento equilibrado da profundidade, largura e resolução da rede.
- Implementação móvel através do LiteRT: Projetos que exigem especificamente a exportação para LiteRT (anteriormente TensorFlow Lite) para Android ou dispositivos Linux integrados.
Quando escolher Ultralytics (YOLO26)#
Para a maioria dos projetos novos, Ultralytics YOLO26 oferece a melhor combinação de desempenho e experiência para desenvolvedores:
- Implantação de borda sem NMS: Aplicações que exigem inferência consistente e de baixa latência, sem a complexidade do pós-processamento com supressão não máxima.
- Ambientes apenas com CPU: dispositivos sem aceleração GPU dedicada, nos quais a inferência na CPU do YOLO26n, até 43% mais rápida do que a do YOLO11n, oferece uma vantagem clara.
- Detecção de objetos pequenos: Cenários desafiadores, como imagens aéreas de drones ou análise de sensores de IoT, nos quais ProgLoss e STAL melhoram significativamente a precisão na detecção de objetos minúsculos.
A alternativa do Ultralytics#
Embora tanto RTDETRv2 como EfficientDet tenham vantagens significativas, o desenvolvimento moderno de IA exige frameworks que ofereçam uma experiência de desenvolvimento fluida, além de um desempenho sólido. O ecossistema Ultralytics oferece uma abordagem significativamente mais ágil para tarefas de visão computacional.
Se estás a explorar opções modernas de deteção, o recém-lançado Ultralytics YOLO26 combina os melhores aspetos das CNN e dos Transformers.
O YOLO26 implementa um design opcional de ponta a ponta sem NMS (nms=False), trazendo a simplicidade de implementação do RTDETRv2 para a arquitetura YOLO eficiente. Também introduz o Otimizador MuSGD, inspirado em técnicas de treino de LLM, para uma maior estabilidade do treino. Com a remoção da DFL (Distribution Focal Loss removida para simplificar a exportação e melhorar a compatibilidade com dispositivos de borda e de baixo consumo), o YOLO26n oferece uma inferência na CPU até 43% mais rápida do que o YOLO11n, tornando-o uma excelente opção de computação de borda face a modelos mais pesados. ProgLoss + STAL (Progressive Loss e atribuição de rótulos sensível a objetos pequenos) também melhora significativamente o reconhecimento de objetos pequenos, essencial para IoT, robótica e imagens aéreas.
O pacote Ultralytics para Python foi concebido para ser fácil de utilizar. Os programadores podem treinar, validar e exportar modelos através de uma API intuitiva que abstrai o código repetitivo normalmente exigido pelos repositórios de investigação.
from ultralytics import RTDETR
# Carrega um modelo RT-DETR pré-treinado do ecossistema Ultralytics
model = RTDETR("rtdetr-l.pt")
# Treina o modelo com o conjunto de dados COCO8
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# Exporta para inferência otimizada no TensorRT
model.export(format="engine")Os modelos Ultralytics suportam nativamente várias tarefas, incluindo segmentação de instâncias e classificação de imagens, oferecendo um conjunto de ferramentas versátil para diversas necessidades da indústria. A remoção da Distribution Focal Loss (DFL) nos modelos Ultralytics modernos também simplifica o grafo computacional, permitindo uma exportação mais fluida para NPUs e TPUs incorporadas.
Para a anotação de dados e a gestão de modelos, a Ultralytics Platform oferece um ambiente cloud abrangente para todo o ciclo de vida da aprendizagem automática, sendo uma excelente opção para implementar soluções robustas de visão computacional em produção.
Comentários
Faz uma pergunta, partilha os teus resultados ou ajuda alguém.