RTDETRv2 vs YOLOv7
A visão computacional avançou rapidamente nos últimos anos, impulsionada pelo progresso tanto das redes neurais convolucionais (CNNs) quanto dos Transformers de visão (ViTs). Escolher uma arquitetura para implantação exige compreender os compromissos entre velocidade, precisão e custo computacional. Este guia compara as diferenças técnicas entre duas arquiteturas conhecidas, RTDETRv2 e YOLOv7, e apresenta o mais recente YOLO26 da Ultralytics.
RTDETRv2: a abordagem transformer para detecção em tempo real#
O RTDETRv2 (Transformer de detecção em tempo real versão 2) se baseia em seu antecessor para demonstrar que arquiteturas baseadas em Transformer podem competir em cenários de tempo real sem depender de etapas tradicionais de pós-processamento.
- Autores: Wenyu Lv, Yian Zhao, Qinyao Chang, Kui Huang, Guanzhong Wang e Yi Liu
- Organização: Baidu
- Data: 2024-07-24
- arXiv: https://arxiv.org/abs/2407.17140
- GitHub: Repositório do RTDETRv2
Destaques arquitetônicos#
O RTDETRv2 usa um codificador híbrido e um decodificador Transformer. A autoatenção permite que o modelo processe a imagem inteira de uma só vez, capturando relações espaciais que os kernels de convolução estritamente locais não identificam. Sua característica marcante é o design nativo sem NMS. Ao eliminar a Supressão não máxima (NMS), o RTDETRv2 remove um gargalo comum que causa variação na latência de inferência durante a implantação.
Pontos Fortes e Limitações#
O principal ponto forte do RTDETRv2 é sua capacidade de lidar com objetos densos e sobrepostos em cenas complexas. O contexto global fornecido pelas camadas de atenção Transformer contribui para a precisão, principalmente em cenários com oclusões frequentes.
No entanto, isso tem um custo computacional. Os modelos Transformer normalmente ocupam mais memória durante o treino e a inferência do que as CNNs. Isso limita os tamanhos dos lotes em GPUs de consumo e pode prolongar os ciclos de iteração para os programadores que ajustam conjuntos de dados personalizados.
YOLOv7: uma CNN de referência para velocidade#
Lançado dois anos antes do RTDETRv2, o YOLOv7 introduziu várias otimizações estruturais na estrutura YOLO clássica, estabelecendo, na época de sua publicação, uma referência sólida para detectores em tempo real baseados em CNN.
- Autores: Chien-Yao Wang, Alexey Bochkovskiy e Hong-Yuan Mark Liao
- Organização: Instituto de Ciência da Informação, Academia Sinica, Taiwan
- Data: 2022-07-06
- arXiv: https://arxiv.org/abs/2207.02696
- GitHub: Repositório do YOLOv7
Destaques arquitetônicos#
A arquitetura do YOLOv7 baseia-se no conceito de Extended Efficient Layer Aggregation Network (E-ELAN). Esta abordagem otimiza o percurso do gradiente, permitindo que o modelo aprenda com mais eficácia sem um grande aumento da complexidade computacional. Os autores também introduziram um «trainable bag-of-freebies», um conjunto de métodos que melhora a precisão do modelo durante o treino sem aumentar o custo da inferência.
Pontos Fortes e Limitações#
O YOLOv7 continua a ser um modelo competente para tarefas padrão de deteção de objetos, com processamento rápido em GPUs de consumo. Enquanto CNN, normalmente requer menos memória CUDA durante o treino do que os modelos baseados em Transformer, como o RTDETRv2.
Apesar destas vantagens, o YOLOv7 continua a depender do NMS para o pós-processamento. Em ambientes com uma elevada densidade de previsões, a etapa de NMS pode causar oscilações no tempo de processamento, dificultando garantias rigorosas de tempo real. Além disso, o YOLOv7 trata tarefas como a segmentação de instâncias e a estimativa de pose em ramos de código separados, em vez de as integrar numa única estrutura.
Comparação de desempenho#
A tabela abaixo compara a precisão média média (mAP), o número de parâmetros e a velocidade de inferência 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 |
| YOLOv7l | 640 | 51.4 | - | 6.84 | 36.9 | 104.7 |
| YOLOv7x | 640 | 53.1 | - | 11.57 | 71.3 | 189.9 |
O RTDETRv2-x alcança o mAP mais elevado (54.3), mas também tem o maior número de parâmetros e de FLOPs. O YOLOv7l (51.4 mAP, 6.84 ms) é ligeiramente mais rápido do que o RTDETRv2-m (51.9 mAP, 7.51 ms), enquanto o RTDETRv2-l (53.4 mAP, 9.76 ms) é mais preciso e mais rápido do que o YOLOv7x (53.1 mAP, 11.57 ms). Nenhum dos modelos apresenta velocidades de CPU aqui, por isso, se pretendes utilizar o modelo em ambientes de baixo consumo sem GPUs dedicadas, deves avaliar por conta própria a inferência na CPU.
A solução moderna: conheça o YOLO26#
O RTDETRv2 e o YOLOv7 contribuíram para o avanço das aplicações de visão computacional, e a área continuou a evoluir. Lançado em janeiro de 2026, o YOLO26 combina a eficiência das CNNs com inferência opcional sem NMS, semelhante à dos detetores Transformer.
Para programadores e investigadores que desenvolvem novos sistemas, a Ultralytics Platform integrada e o ecossistema Python proporcionam um fluxo de trabalho unificado que reduz o trabalho de integração e manutenção.
Principais inovações do YOLO26#
- Conceção ponta a ponta sem NMS: o YOLO26 suporta inferência nativa ponta a ponta, ignorando o pós-processamento NMS com a sua cabeça opcional um-para-um (
nms=False), para uma implementação mais rápida e simples. Esta abordagem, introduzida pela primeira vez no YOLOv10, mantém a latência estável, independentemente da densidade de objetos. - Inferência na CPU até 43% mais rápida: o YOLO26n é até 43% mais rápido na CPU do que o YOLO11n, sendo adequado para computação de periferia e dispositivos sem GPUs, onde os modelos Transformer mais pesados são mais difíceis de implementar.
- Otimizador MuSGD: uma combinação de SGD e Muon (inspirada no Kimi K2 da Moonshot AI) que aplica técnicas de treino de modelos de linguagem de grande dimensão (LLM) à visão computacional para obter um treino mais estável e uma convergência mais rápida.
- Remoção de DFL: Distribution Focal Loss foi removida, resultando em um grafo computacional simplificado que facilita a exportação para NPUs integradas e ambientes TensorRT.
- ProgLoss + STAL: Progressive Loss e Small-Target-Aware Label Assignment (STAL) melhoram o reconhecimento de objetos pequenos, essencial para a robótica, a IoT e a análise de imagens aéreas.
- Aprimoramentos específicos por tarefa: O YOLO26 não serve apenas para detecção. Ele conta com protótipos multiescala para segmentação, Estimativa Residual de Log-Verossimilhança (RLE) para estimativa de pose e uma função de perda de ângulo especializada que resolve problemas de limites de caixas delimitadoras orientadas (OBB).
Experiência de desenvolvimento simplificada#
Uma das principais vantagens dos modelos Ultralytics, como o YOLO26 (ou o amplamente utilizado YOLO11), é o ecossistema bem mantido. Treinar com um conjunto de dados personalizado requer apenas algumas linhas de código:
from ultralytics import YOLO
# Inicializa o modelo YOLO26
model = YOLO("yolo26s.pt")
# Treina o modelo com o conjunto de dados COCO8
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# Exportar para implantação em dispositivos de borda
model.export(format="onnx", dynamic=True)Casos de uso e aplicações ideais#
A escolha entre estas arquiteturas depende do hardware de destino e dos requisitos operacionais específicos.
Quando considerar o RTDETRv2#
O RTDETRv2 é eficaz em ambientes de processamento do lado do servidor equipados com GPUs potentes. O seu mecanismo de atenção global torna-o adequado para compreender cenas complexas, como a monitorização de eventos com grandes multidões ou a imagiologia médica especializada, onde as características sobrepostas exigem uma análise contextual aprofundada.
Quando considerar o YOLOv7#
O YOLOv7 costuma ser mantido em pesquisas acadêmicas legadas como modelo de referência para comparação. Também é encontrado em implantações industriais antigas, nas quais os pipelines existentes estão codificados para versões específicas do PyTorch e não exigem a flexibilidade multitarefa das estruturas mais recentes.
Por que o YOLO26 é o padrão recomendado#
Para infraestruturas modernas de cidades inteligentes, navegação de drones e fabrico de alta velocidade, o YOLO26 oferece um equilíbrio sólido entre velocidade e precisão. Os seus requisitos de memória mais baixos tornam o ajuste de hiperparâmetros e o treino acessíveis em hardware de consumo, enquanto a inferência opcional sem NMS e as otimizações para CPU são adequadas a dispositivos de periferia com recursos limitados, como o Raspberry Pi ou o NVIDIA Jetson.
Queres saber como estes modelos se comparam com outras arquiteturas? Consulta os nossos guias detalhados sobre YOLO11 vs. RT-DETR e YOLOv8 vs. YOLOv7 para encontrares a opção certa para o teu projeto de IA de visão.
Comentários
Faz uma pergunta, partilha os teus resultados ou ajuda alguém.