RTDETRv2 vs YOLOv6-3.0
Os programadores que escolhem um modelo de visão computacional para deteção de objetos podem optar por arquiteturas muito diferentes. Esta página compara duas delas: RTDETRv2, um Transformer de deteção em tempo real, e YOLOv6-3.0, uma rede neuronal convolucional (CNN) otimizada para aplicações industriais.
O artigo aborda as respetivas arquiteturas, métricas de desempenho e cenários de implementação ideais, explica o que o ecossistema Ultralytics oferece aos programadores e apresenta o Ultralytics YOLO26, o modelo recomendado para novos projetos.
RTDETRv2: a abordagem dos transformers de visão#
Desenvolvido por investigadores da Baidu, o RTDETRv2 baseia-se no RT-DETR original e aperfeiçoa a deteção de objetos baseada em Transformer.
- Autores: Wenyu Lv, Yian Zhao, Qinyao Chang, Kui Huang, Guanzhong Wang e Yi Liu
- Organização: Baidu
- Data: 2024-07-24
- arXiv: 2407.17140
- GitHub: lyuwenyu/RT-DETR
- Documentação: README do RTDETRv2 no GitHub
Destaques arquitetônicos#
O RTDETRv2 utiliza uma arquitetura híbrida que combina um extrator de características CNN com um descodificador Transformer. A sua característica distintiva é a conceção nativamente sem NMS. Ao remover a supressão não máxima (NMS) do pós-processamento, o modelo prevê diretamente as caixas delimitadoras, simplificando a implementação e estabilizando a latência da inferência.
As melhorias de treino «Bag-of-Freebies» do RTDETRv2, combinadas com a atenção global, ajudam-no a lidar com cenas complexas e objetos sobrepostos, porque os modelos de atenção captam relações em toda a imagem, em vez de as analisar apenas em janelas de convolução locais.
Embora os Transformer sejam excelentes na compreensão de cenas complexas, normalmente requerem mais memória CUDA durante o treino do que as CNNs. Isto pode limitar os tamanhos dos lotes em GPUs de consumo padrão e aumentar o tempo total de treino.
YOLOv6-3.0: maximização da capacidade de processamento industrial#
Com origem no Departamento de IA de Visão da Meituan, o YOLOv6-3.0 foi concebido para fluxos de trabalho industriais em que a capacidade de processamento da GPU é prioritária.
- Autores: Chuyi Li, Lulu Li, Yifei Geng, Hongliang Jiang, Meng Cheng, Bo Zhang, Zaidan Ke, Xiaoming Xu e Xiangxiang Chu
- Organização: Meituan
- Data: 2023-01-13
- arXiv: 2301.05586
- GitHub: meituan/YOLOv6
Foco arquitetural#
O YOLOv6-3.0 utiliza uma base EfficientRep, concebida para minimizar os custos de acesso à memória em aceleradores de hardware, como as GPUs NVIDIA. A arquitetura do pescoço inclui um módulo Bi-directional Concatenation (BiC) para melhorar a fusão de características em diferentes escalas.
Durante o treino, utiliza uma estratégia Anchor-Aided Training (AAT) para aproveitar os paradigmas baseados em âncoras, mantendo o modo de inferência sem âncoras para uma execução mais rápida. Alcança uma elevada capacidade de processamento em GPUs de classe de servidor (por exemplo, T4, A100), mas a sua conceção orientada para GPU pode ser menos eficiente em dispositivos de periferia que dependem apenas da CPU.
Comparação de desempenho#
A tabela abaixo compara a precisão (mAP), a velocidade de inferência e o custo computacional (FLOPs) no conjunto de validação COCO.
| 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 |
| YOLOv6-3.0n | 640 | 37.5 | - | 1.17 | 4.7 | 11.4 |
| YOLOv6-3.0s | 640 | 45.0 | - | 2.66 | 18.5 | 45.3 |
| YOLOv6-3.0m | 640 | 50.0 | - | 5.28 | 34.9 | 85.8 |
| YOLOv6-3.0l | 640 | 52.8 | - | 8.95 | 59.6 | 150.7 |
O YOLOv6-3.0 é mais rápido no TensorRT em uma T4 em todos os tamanhos comparáveis (por exemplo, 5.28 ms contra 7.51 ms nos modelos médios), enquanto o RTDETRv2 alcança um mAP mais alto (51.9 contra 50.0 no tamanho médio, 53.4 contra 52.8 no tamanho grande) e chega a 54.3 mAP com o RTDETRv2-x. Ambos os modelos se concentram na detecção: nenhum oferece segmentação de instâncias ou estimativa de pose em sua versão principal.
Casos de uso e recomendações#
A escolha entre RT-DETR e YOLOv6 depende dos requisitos específicos do teu projeto, das restrições de implantação e das tuas 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 YOLOv6#
O YOLOv6 é recomendado para:
- Implantação industrial ciente do hardware: cenários em que o design do modelo ciente do hardware e a reparametrização eficiente proporcionam desempenho otimizado em hardware de destino específico.
- Detecção rápida em estágio único: aplicações que priorizam a velocidade bruta de inferência na GPU para processamento de vídeo em tempo real em ambientes controlados.
- Integração com o ecossistema Meituan: equipes que já trabalham com a pilha tecnológica e a infraestrutura de implantação da Meituan.
Quando escolher Ultralytics (YOLO26)#
Para a maioria dos novos projetos, o 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 somente com CPU: Dispositivos sem aceleração de GPU dedicada, nos quais a inferência na CPU até 43% mais rápida do YOLO26 (YOLO26n contra YOLO11n) oferece uma vantagem decisiva.
- Deteção de objetos pequenos: Cenários desafiantes, como imagens aéreas captadas por drones ou análise de sensores de IoT, nos quais ProgLoss e STAL melhoram a precisão na deteção de objetos pequenos.
A vantagem da Ultralytics#
A escolha de um modelo envolve mais do que os resultados de benchmarks; a experiência de desenvolvimento, a flexibilidade de implementação e o suporte do ecossistema também são importantes. Os modelos integrados no ecossistema Ultralytics oferecem várias vantagens em relação aos repositórios de investigação estáticos.
- Facilidade de utilização: o pacote Python
ultralyticsoferece uma API simples. Treinar, validar e exportar modelos requer apenas algumas linhas de código. - Ecossistema bem mantido: ao contrário dos repositórios académicos isolados, o pacote
ultralyticse a Ultralytics Platform são mantidos ativamente, com suporte de exportação para formatos como ONNX, OpenVINO e CoreML. - Eficiência do treino: os modelos Ultralytics YOLO utilizam normalmente menos memória da GPU durante o treino do que as arquiteturas Transformer, como o RTDETRv2, permitindo lotes maiores em hardware de consumo.
- Versatilidade: ao contrário do foco na deteção do YOLOv6-3.0, o YOLO26 suporta deteção, segmentação de instâncias, segmentação semântica, estimativa de profundidade, classificação de imagens, estimativa de pose e caixas delimitadoras orientadas (OBB) numa única estrutura.
Com a CLI da Ultralytics, exportar um modelo treinado para implantação na borda é tão simples quanto executar: yolo export model=yolo11n.pt format=tensorrt.
Conheça o YOLO26#
O RTDETRv2 e o YOLOv6-3.0 têm, cada um, pontos fortes específicos, mas recomendamos o YOLO26, lançado pela Ultralytics em janeiro de 2026, às equipas que iniciam novos projetos de visão computacional.
O YOLO26 combina os pontos fortes das CNNs industriais e dos Transformer modernos:
- Conceção ponta a ponta sem NMS: com base na abordagem introduzida no YOLOv10, o YOLO26 oferece uma cabeça opcional sem NMS (
nms=False) que ignora o pós-processamento NMS, proporcionando uma latência previsível, semelhante à do RTDETRv2, com menor consumo de memória. - Otimizador MuSGD: inspirado em técnicas de treino de modelos de linguagem de grande dimensão (LLM), como o Kimi K2 da Moonshot AI, esta combinação de SGD e Muon proporciona um treino mais estável e uma convergência mais rápida.
- Otimizado para dispositivos de periferia: com a remoção da Distribution Focal Loss (DFL), o YOLO26n é até 43% mais rápido na CPU do que o YOLO11n, sendo adequado para dispositivos móveis e IoT sem aceleração por GPU.
- ProgLoss + STAL: Progressive Loss e Small-Target-Aware Label Assignment (STAL) melhoram o reconhecimento de objetos pequenos, um desafio persistente para as CNNs, o que é útil na análise de imagens aéreas e na robótica.
Exemplo de treinamento#
A API da Ultralytics treina modelos com apenas algumas linhas de código. O exemplo executável abaixo treina o modelo YOLO26 Nano no conjunto de dados COCO8:
from ultralytics import YOLO
# Load the newly released YOLO26 Nano model
model = YOLO("yolo26n.pt")
# Train the model on the COCO8 dataset for 50 epochs
# The Ultralytics engine handles data caching and augmentation automatically
train_results = model.train(data="coco8.yaml", epochs=50, imgsz=640)
# Validate the model's performance
metrics = model.val()
print(f"Validation mAP50-95: {metrics.box.map}")
# Export the trained model to ONNX format for production
model.export(format="onnx")Resumo#
Ao comparar o RTDETRv2 e o YOLOv6-3.0, a decisão depende principalmente do hardware específico e das restrições de latência. O RTDETRv2 se destaca em ambientes de pesquisa e processamento no servidor, onde é fundamental lidar com objetos complexos sobrepostos. O YOLOv6-3.0 continua sendo uma ótima opção para linhas de produção de alto rendimento equipadas com GPUs NVIDIA poderosas.
Para os programadores que pretendem inferência sem NMS, como num Transformer, juntamente com a velocidade e o baixo consumo de memória de uma CNN, o YOLO26 é a opção recomendada. A documentação, a comunidade ativa e as ferramentas Ultralytics ajudam os projetos de IA de visão a passar do protótipo à produção.
Comentários
Faz uma pergunta, partilha os teus resultados ou ajuda alguém.