RTDETRv2 vs YOLOv5#

A evolução da visão computacional tem sido amplamente definida pela busca incessante de equilibrar a precisão com a velocidade de inferência em tempo real. Ao comparar RTDETRv2 e Ultralytics YOLOv5, os programadores estão essencialmente a ponderar as sofisticadas capacidades de compreensão do contexto global das arquiteturas Transformer face à eficiência altamente otimizada e comprovada em batalha das Redes Neuronais Convolucionais (CNNs).

Este guia fornece uma análise técnica aprofundada destas duas arquiteturas proeminentes, detalhando as suas métricas de desempenho, metodologias de treino, requisitos de memória e cenários de implementação ideais para ajudar-te a escolher o melhor modelo de deteção de objetos para o teu caso de utilização específico.

RTDETRv2: a abordagem Transformer à deteção em tempo real#

Com base no Transformer de deteção em tempo real original (RT-DETR), o RTDETRv2 introduz uma série de "vantagens gratuitas" para melhorar a arquitetura de referência sem sacrificar a sua latência de inferência.

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

Arquitetura e capacidades#

O RTDETRv2 utiliza uma arquitetura híbrida CNN-Transformer. A CNN atua como backbone para extrair características visuais de granularidade fina, enquanto as camadas codificador-descodificador Transformer processam todo o mapa de características para compreender o contexto global. Uma característica marcante do RTDETRv2 é a sua natureza de ponta a ponta, eliminando completamente a necessidade de pós-processamento de supressão não máxima (NMS).

Embora o RTDETRv2 alcance uma precisão impressionante — particularmente em cenas complexas e densas onde os objetos se sobrepõem — isso implica compromissos significativos. O mecanismo de atenção inerente aos Transformer exige significativamente mais memória CUDA durante o treino em comparação com as CNNs padrão. Além disso, embora tenha um bom desempenho em GPU de topo, como a NVIDIA A100 ou T4, a sua arquitetura é visivelmente mais lenta em CPU padrão e severamente limitada em dispositivos de edge computing.

Saiba mais sobre o RTDETRv2

Ultralytics YOLOv5: o padrão da indústria em eficiência#

O Ultralytics YOLOv5 mudou fundamentalmente o panorama do machine learning aplicado quando foi lançado, tornando a visão computacional de alto desempenho acessível a programadores de todo o mundo através de uma framework excecionalmente intuitiva.

• Autor: Glenn Jocher
• Organização: Ultralytics
• Data: 26 de junho de 2020
• Ligações: Documentação oficial, Repositório do GitHub

Equilíbrio entre ecossistema e desempenho#

O YOLOv5 é totalmente desenvolvido sobre a framework PyTorch e baseia-se numa arquitetura CNN extremamente eficiente. Foi concebido desde o início para proporcionar facilidade de utilização, com uma API simplificada e uma das documentações mais abrangentes do setor da AI.

A maior vantagem do YOLOv5 reside na sua versatilidade incomparável e nos baixos requisitos de memória. Treinar um modelo YOLOv5 requer muito menos VRAM do que os modelos baseados em Transformer, tornando-o acessível a investigadores e engenheiros com orçamentos de hardware limitados. Além disso, enquanto o RTDETRv2 se concentra exclusivamente na deteção de caixas delimitadoras, o YOLOv5 evoluiu para uma solução versátil que suporta 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 distinções claras na forma como estes modelos priorizam os recursos.

Análise dos compromissos#

Os dados revelam que o RTDETRv2-x alcança uma Precisão média (mAP) máxima de 54,3%, superando ligeiramente os 50,7% do YOLOv5x. No entanto, este pequeno ganho de precisão implica um custo computacional enorme. O YOLOv5x funciona com uma latência inferior (11,89 ms vs 15,03 ms no TensorRT) e requer uma fração da memória. Para implementações edge de consumo energético ultrabaixo, o YOLOv5n (Nano) continua sem rival, concluindo inferências em apenas 1,12 ms com uma quantidade mínima de 2,6 milhões de parâmetros — um nível com o qual o RTDETRv2 nem sequer tenta competir.

Eficiência do treino e simplicidade do código#

Um dos principais pontos fortes do ecossistema Ultralytics é a sua API unificada. Mesmo que decidas utilizar a arquitetura Transformer do RT-DETR para uma tarefa específica de computação intensiva, podes fazê-lo inteiramente dentro do pacote Python da Ultralytics, trocando de modelo sem problemas com apenas uma linha de código.

from ultralytics import RTDETR, YOLO

# Load the Ultralytics YOLOv5 small model
model_yolo = YOLO("yolov5s.pt")

# Load the RT-DETR large model via Ultralytics
model_rtdetr = RTDETR("rtdetr-l.pt")

# Train YOLOv5 effortlessly on your custom data
model_yolo.train(data="coco8.yaml", epochs=100, imgsz=640)

# Run inference with both models seamlessly
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 utilizar a biblioteca Ultralytics, os programadores obtêm automaticamente acesso a um ecossistema bem mantido, com integrações de acompanhamento de experiências (como Weights & Biases e Comet ML) e exportações com um clique para formatos de implementação como ONNX e OpenVINO.

Aplicações no mundo real e casos de utilização ideais#

Onde o RTDETRv2 se destaca#

O RTDETRv2 é mais adequado para ambientes onde as limitações de hardware são inexistentes e a máxima precisão possível é o único objetivo.

• Imagiologia médica no servidor: Deteção de anomalias microscópicas em radiografias de alta resolução.
• Imagens de satélite: Acompanhamento de objetos densos e sobrepostos em tarefas de vigilância aérea em clusters de cloud potentes.

Onde o YOLOv5 domina#

O YOLOv5 é o campeão incontestável para implementações práticas no mundo real em hardware diversificado.

• Dispositivos de AI de edge: Implementação de sistemas de alarme de segurança em dispositivos Raspberry Pi ou NVIDIA Jetson onde a memória é estritamente limitada.
• Aplicações móveis: Execução rápida e em tempo real de inferência de caixas delimitadoras e segmentação diretamente em smartphones através de CoreML ou TFLite.
• Fabrico industrial de alta velocidade: Inspeção de peças em linhas de produção rápidas onde a latência de milissegundos é fundamental para o sucesso operacional.

Em última análise, embora o RTDETRv2 eleve o limite da precisão através de camadas Transformer, a framework Ultralytics YOLO oferece um equilíbrio incomparável entre velocidade, baixos requisitos de memória e uma experiência de desenvolvimento brilhantemente concebida, que reduz drasticamente o tempo entre o protótipo e a produção.