Começar

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.

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.

Uso de memória do Transformer

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.

Saiba mais sobre o RTDETRv2

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.

Sabe mais sobre YOLOv6

Comparação de desempenho#

A tabela abaixo compara a precisão (mAP), a velocidade de inferência e o custo computacional (FLOPs) no conjunto de validação COCO.

Modelotamanho
(pixels)
mAPval50-95Velocidade
CPU ONNX
(ms)
Velocidade
T4 TensorRT10
(ms)
parâmetros
(M)
FLOPs
(B)
RTDETRv2-s64048.1-5.032060
RTDETRv2-m64051.9-7.5136100
RTDETRv2-l64053.4-9.7642136
RTDETRv2-x64054.3-15.0376259
YOLOv6-3.0n64037.5-1.174.711.4
YOLOv6-3.0s64045.0-2.6618.545.3
YOLOv6-3.0m64050.0-5.2834.985.8
YOLOv6-3.0l64052.8-8.9559.6150.7

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 ultralytics oferece 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 ultralytics e 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.
Implantação simplificada

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.