RTDETRv2 vs YOLOv7: Uma comparação técnica detalhada

O panorama da deteção de objectos em tempo real tem assistido a uma competição feroz entre as Redes Neuronais Convolucionais (CNN) e os Transformadores de Visão (ViT) emergentes. Dois marcos importantes nesta evolução são o RTDETRv2 (Real-Time Detection Transformer v2) e o YOLOv7 (You Only Look Once versão 7). Enquanto YOLOv7 representa o auge da otimização eficiente da arquitetura CNN, o RTDETRv2 introduz o poder dos transformadores para eliminar a necessidade de passos de pós-processamento como a Supressão Não MáximaNMS).

Esta comparação explora as especificações técnicas, as diferenças arquitectónicas e as métricas de desempenho de ambos os modelos para ajudar os programadores a escolher a ferramenta certa para as suas aplicações de visão computacional.

Métricas de desempenho: Exatidão vs. Velocidade

A tabela seguinte apresenta uma comparação direta das principais métricas de desempenho. O RTDETRv2-x demonstra uma precisão superior com um mAP mais elevado, em grande parte devido à sua compreensão do contexto global baseada no transformador. No entanto, YOLOv7 continua a ser competitivo, particularmente em cenários em que é necessário um peso mais leve e velocidades de inferência equilibradas em hardware variável.

RTDETRv2: A abordagem do transformador

O RTDETRv2 baseia-se no sucesso do RT-DETR original, o primeiro detetor baseado em transformadores a rivalizar genuinamente com os modelos YOLO em termos de velocidade em tempo real. Desenvolvido por investigadores da Baidu, aborda os estrangulamentos computacionais associados à interação multi-escala em arquitecturas DETR padrão.

• Autores: Wenyu Lv, Yian Zhao, Qinyao Chang, Kui Huang, Guanzhong Wang e Yi Liu
• Organização:Baidu
• Data: 2023-04-17
• Arxiv:https://arxiv.org/abs/2304.08069
• GitHub:https://github.com/lyuwenyu/RT-DETR/tree/main/rtdetrv2_pytorch

Principais caraterísticas arquitectónicas

O RTDETRv2 utiliza um codificador híbrido que processa eficazmente caraterísticas multi-escala, dissociando a interação intra-escala e a fusão inter-escala. Este design reduz significativamente os custos computacionais em comparação com os transformadores padrão. Uma caraterística que se destaca é a sua seleção de consultaIoU, que melhora a inicialização das consultas de objectos, levando a uma convergência mais rápida e a uma maior precisão. Ao contrário dos modelos baseados em CNN, o RTDETRv2 é NMS, o que significa que não requer pós-processamento de Supressão Não Máxima, simplificando o pipeline de implantação e reduzindo o jitter de latência.

Saiba mais sobre o RT-DETR

YOLOv7: O pico da CNN

YOLOv7 ultrapassa os limites do que é possível com as Redes Neurais Convolucionais. Concentra-se na otimização do processo de formação e na arquitetura do modelo para obter um "saco de surpresas" - métodos que aumentam a precisão sem aumentar o custo de inferência.

• Autores: Chien-Yao Wang, Alexey Bochkovskiy e Hong-Yuan Mark Liao
• Organização: Instituto de Ciência da Informação, Academia Sinica
• Data: 2022-07-06
• Arxiv:https://arxiv.org/abs/2207.02696
• GitHub:https://github.com/WongKinYiu/yolov7

Principais caraterísticas arquitectónicas

YOLOv7 introduz o E-ELAN (Extended Efficient Layer Aggregation Network), que melhora a capacidade de aprendizagem da rede através do controlo do comprimento do caminho do gradiente. Também emprega a re-parametrização do modelo, uma técnica em que a estrutura do modelo é complexa durante o treinamento para uma melhor aprendizagem, mas simplificada durante a inferência para maior velocidade. Isto permite ao YOLOv7 manter um elevado desempenho em dispositivosGPU , mantendo os parâmetros relativamente baixos em comparação com os modelos de transformadores.

Saiba mais sobre o YOLOv7

Análise comparativa

Arquitetura e versatilidade

A diferença fundamental reside no design da espinha dorsal e da cabeça. YOLOv7 baseia-se em estruturas CNN profundas que são altamente optimizadas para CUDA mas podem ter dificuldades com dependências de longo alcance numa imagem. O RTDETRv2 aproveita os mecanismos de atenção para compreender as relações entre pixéis distantes, tornando-o robusto em ambientes desordenados. No entanto, isso tem o custo de um maior consumo de memória durante o treinamento.

Modelos Ultralytics como YOLO11 colmatam esta lacuna oferecendo uma arquitetura baseada em CNN que integra módulos modernos do tipo atenção, proporcionando a velocidade das CNNs com a precisão normalmente reservada aos transformadores. Além disso, embora o RTDETRv2 seja principalmente um detetor de objectos, os modelos Ultralytics mais recentes suportam nativamente a segmentação de instâncias, a estimativa de pose e a classificação.

Formação e facilidade de utilização

O treino de modelos transformadores como o RTDETRv2 requer normalmente uma memória GPU significativa e épocas de treino mais longas para convergir em comparação com CNNs como o YOLOv7.

Para os programadores que procuram Eficiência da formação e Facilidade de utilizaçãoo ecossistema Ultralytics oferece uma vantagem distinta. Com o ultralytics Python , os utilizadores podem treinar, validar e implementar modelos com apenas algumas linhas de código, acedendo a um conjunto de pesos pré-treinados para tarefas variadas.

from ultralytics import RTDETR, YOLO

# Load an Ultralytics YOLOv7-style model (if available) or YOLO11
model_yolo = YOLO("yolo11n.pt")  # Recommended for best performance
model_yolo.train(data="coco8.yaml", epochs=10)

# Load RT-DETR for comparison
model_rtdetr = RTDETR("rtdetr-l.pt")
model_rtdetr.predict("asset.jpg")

Implantação e ecossistema

YOLOv7 tem um suporte alargado devido à sua idade, mas a integração em pipelines MLOps modernos pode ser manual. O RTDETRv2 é mais recente e tem um suporte crescente. Em contraste, Ultralytics beneficiam de um ecossistema bem mantido, incluindo a exportação sem problemas para ONNXTensorRT e CoreML, e integração com ferramentas como o Ultralytics HUB para formação na nuvem e gestão de conjuntos de dados.

Casos de Uso Ideais

• Escolha RTDETRv2 se: Dispõe de uma ampla memória GPU e necessita de elevada precisão em cenas com forte oclusão ou aglomeração, onde NMS tradicionalmente falha. É excelente para investigação e sistemas de vigilância topo de gama.
• Escolha YOLOv7 se: Necessita de uma arquitetura CNN comprovada e antiga que funcione eficientemente em hardware GPU padrão para tarefas de deteção de uso geral.
• Escolha o Ultralytics YOLO11 se: Necessita do melhor equilíbrio de desempenho entre velocidade e precisão, requisitos de memória mais baixos e um modelo versátil capaz de deteção, segmentação e estimativa de pose. É a escolha ideal para programadores que valorizam um fluxo de trabalho simplificado e uma documentação extensa.

Conclusão

Tanto o RTDETRv2 como YOLOv7 moldaram a direção da visão computacional. O RTDETRv2 desafiou com sucesso a noção de que os transformadores são demasiado lentos para aplicações em tempo real, enquanto YOLOv7 demonstrou a eficiência duradoura das CNNs. No entanto, atualmente, para a maioria das aplicações do mundo real, o Ultralytics YOLO11 oferece uma experiência de desenvolvimento superior, combinando os melhores atributos desses predecessores com um ecossistema moderno e de suporte.

Explore Outras Comparações

Para compreender melhor o panorama dos modelos, explore estas comparações:

• YOLO11 vs. RT-DETR
• YOLOv8 vs. RT-DETR
• YOLOv7 vs. YOLOv8
• YOLOv10 vs. RT-DETR
• YOLOv9 vs. YOLOv7

Comentários