RTDETRv2 vs. YOLOv5#

A evolução da visão computacional foi definida em grande parte pela busca incessante por equilibrar a precisão com a velocidade de inferência em tempo real. Ao comparar o RTDETRv2 com o Ultralytics YOLOv5, os desenvolvedores avaliam essencialmente os recursos sofisticados de contexto global das arquiteturas Transformer em relação à eficiência altamente otimizada e comprovada das redes neurais convolucionais (CNNs).

Este guia apresenta uma análise técnica detalhada dessas duas arquiteturas de destaque, abordando suas métricas de desempenho, metodologias de treinamento, requisitos de memória e cenários ideais de implantação para ajudar a escolher o melhor modelo de detecção de objetos para o teu caso de uso específico.

RTDETRv2: a abordagem transformer para detecção em tempo real#

Com base no Transformer de detecção em tempo real (RT-DETR) original, o RTDETRv2 introduz uma série de "bag-of-freebies" para aprimorar a arquitetura de referência sem sacrificar a latência de inferência.

• Autores: Wenyu Lv, Yian Zhao, Qinyao Chang, Kui Huang, Guanzhong Wang e Yi Liu
• Organização: Baidu
• Data: 2024-07-24
• Links: Artigo no Arxiv, Repositório no GitHub

Arquitetura e recursos#

O RTDETRv2 aproveita uma arquitetura híbrida CNN-Transformer. A CNN atua como base para extrair características visuais detalhadas, enquanto as camadas codificadoras e decodificadoras do Transformer processam todo o mapa de características para compreender o contexto global. Uma característica marcante do RTDETRv2 é sua natureza de ponta a ponta, que elimina completamente a necessidade de pós-processamento de supressão não máxima (NMS).

Embora o RTDETRv2 alcance uma precisão impressionante — especialmente em cenas complexas e densas, nas quais os objetos se sobrepõem —, ele envolve concessões importantes. O mecanismo de atenção inerente aos Transformers exige muito mais memória CUDA durante o treinamento do que as CNNs padrão. Além disso, embora tenha bom desempenho em GPUs de ponta como a NVIDIA A100 ou T4, sua arquitetura é visivelmente mais lenta em CPUs comuns e em dispositivos de borda com recursos bastante limitados.

Saiba mais sobre o RTDETRv2

Ultralytics YOLOv5: o padrão do setor em eficiência#

O Ultralytics YOLOv5 mudou fundamentalmente o cenário do aprendizado de máquina aplicado quando foi lançado, tornando a visão computacional de alto desempenho acessível a desenvolvedores do mundo todo por meio de uma estrutura excepcionalmente intuitiva.

• Autor: Glenn Jocher
• Organização: Ultralytics
• Data: 26 de junho de 2020
• Links: Documentação oficial, Repositório no GitHub

Equilíbrio entre ecossistema e desempenho#

O YOLOv5 é desenvolvido inteiramente com a estrutura PyTorch e utiliza uma arquitetura CNN extremamente eficiente. Ele foi projetado desde o início para oferecer facilidade de uso, com uma API simplificada e uma das documentações mais abrangentes do setor de IA.

A maior vantagem do YOLOv5 está em sua versatilidade incomparável e em seus baixos requisitos de memória. Treinar um modelo YOLOv5 exige muito menos VRAM do que treinar modelos baseados em Transformer, tornando-o acessível a pesquisadores e engenheiros com orçamentos limitados para hardware. Além disso, enquanto o RTDETRv2 se concentra exclusivamente na detecção de caixas delimitadoras, o YOLOv5 evoluiu para uma solução versátil que oferece suporte a segmentação de instâncias e classificação de imagens.

Comparação de desempenho e métricas#

Ao analisar o desempenho bruto no conjunto de dados COCO padrão, podemos observar diferenças claras na forma como esses modelos priorizam os recursos.

Análise dos compromissos#

Os dados mostram que o RTDETRv2-x alcança um pico de precisão média (mAP) de 54,3%, superando ligeiramente os 50,7% do YOLOv5x. No entanto, esse pequeno ganho de precisão tem um custo computacional enorme. O YOLOv5x opera com menor latência (11,89 ms contra 15,03 ms no TensorRT) e requer apenas uma fração da memória. Para implantações de borda com consumo de energia ultrabaixo, o YOLOv5n (Nano) continua imbatível, concluindo inferências em apenas 1,12 ms com apenas 1,9 milhão de parâmetros — uma categoria em que o RTDETRv2 nem sequer tenta competir.

Eficiência de treinamento e simplicidade do código#

Um dos principais pontos fortes do ecossistema Ultralytics é sua API unificada. Mesmo que decidas usar a arquitetura Transformer do RT-DETR para uma tarefa específica que exige muito processamento, podes fazer isso inteiramente no pacote Python da Ultralytics, alternando entre modelos com apenas uma linha de código.

from ultralytics import RTDETR, YOLO

# Carregar o modelo pequeno Ultralytics YOLOv5
model_yolo = YOLO("yolov5su.pt")  # YOLOv5u: pesos YOLOv5 sem âncoras para o pacote ultralytics

# Carregar o modelo grande RT-DETR pela Ultralytics
model_rtdetr = RTDETR("rtdetr-l.pt")

# Treinar o YOLOv5 com facilidade nos teus dados personalizados
model_yolo.train(data="coco8.yaml", epochs=100, imgsz=640)

# Executar inferências com ambos os modelos sem complicações
results_yolo = model_yolo("https://ultralytics.com/images/bus.jpg")
results_rtdetr = model_rtdetr("https://ultralytics.com/images/bus.jpg")

results_yolo[0].show()

Ao usar a biblioteca Ultralytics, os desenvolvedores têm acesso automático a um ecossistema bem mantido, com integrações para acompanhamento de experimentos (como Weights & Biases e Comet ML) e exportações com um clique para formatos de implantação como ONNX e OpenVINO.

Aplicações no mundo real e casos de uso ideais#

Onde o RTDETRv2 se destaca#

O RTDETRv2 é mais adequado para ambientes sem limitações de hardware, nos quais o único objetivo é alcançar a maior precisão possível.

• Imagens médicas no servidor: detecção de anomalias microscópicas em radiografias de alta resolução.
• Imagens de satélite: rastreamento de objetos densos e sobrepostos em tarefas de vigilância aérea executadas em clusters poderosos na nuvem.

Onde o YOLOv5 se destaca#

O YOLOv5 é, sem dúvida, a melhor opção para implantações práticas no mundo real em diferentes tipos de hardware.

• Dispositivos de IA de borda: implantação de sistemas de alarme de segurança em Raspberry Pi ou dispositivos NVIDIA Jetson, onde a memória é bastante limitada.
• Aplicativos móveis: execução rápida e em tempo real de inferências de caixas delimitadoras e segmentação diretamente em smartphones, via CoreML ou LiteRT.
• Manufatura industrial de alta velocidade: inspeção de peças em linhas de produção rápidas, nas quais a latência de milissegundos é fundamental para o sucesso operacional.

Em suma, enquanto o RTDETRv2 eleva o limite de precisão com camadas Transformer, a estrutura YOLO da Ultralytics oferece um equilíbrio incomparável entre velocidade e baixo consumo de memória, além de uma experiência de desenvolvimento brilhantemente projetada, que reduz drasticamente o tempo entre o protótipo e a produção.