YOLO11 vs RTDETRv2
A detecção em tempo real envolve cada vez mais a escolha entre redes neurais convolucionais (CNNs) e Transformers de visão (ViTs). Esta comparação técnica aborda duas arquiteturas de detecção de objetos de destaque: YOLO11, uma CNN altamente otimizada da Ultralytics, e RTDETRv2, uma iteração da família Detection Transformer da Baidu.
Este guia compara suas arquiteturas, métricas de desempenho e cenários de implantação para ajudar engenheiros de aprendizado de máquina a escolher entre elas. Ambos os modelos alcançam alta precisão, mas os modelos Ultralytics YOLO normalmente oferecem um equilíbrio melhor entre velocidade, suporte do ecossistema e facilidade de uso em produção.
YOLO11: referência em versatilidade para aplicações reais#
Apresentado pela Ultralytics, YOLO11 se baseia em anos de pesquisa sobre YOLO para oferecer um modelo rápido, preciso e versátil. Ele processa nativamente detecção de objetos, segmentação de instâncias, classificação de imagens, estimativa de pose e detecção de caixas delimitadoras orientadas (OBB).
- Autores: Glenn Jocher e Jing Qiu
- Organização: Ultralytics
- Data: 2024-09-27
- GitHub: Repositório da Ultralytics
- Documentação: Documentação do YOLO11
Arquitetura e pontos fortes#
YOLO11 usa um backbone CNN refinado e pirâmides de recursos multiescala, o que o torna eficiente em recursos. É adequado para ambientes com restrições rigorosas de hardware e tem uma pegada de memória pequena tanto no treinamento quanto na inferência. A Ultralytics Platform oferece suporte ao YOLO11 para anotação de dados, treinamento na nuvem e monitoramento de modelos, sem precisar combinar ferramentas de MLOps separadas.
Para a implantação na borda, YOLO11 oferece baixa latência. Seu design leve funciona com eficiência em dispositivos que vão de placas Raspberry Pi a celulares de consumo, sendo uma escolha comum para varejo inteligente, controle de qualidade na manufatura e gestão automatizada do trânsito.
RTDETRv2: Transformers em tempo real da Baidu#
RTDETRv2 (Detection Transformer em tempo real, versão 2) representa a iniciativa da Baidu para tornar as arquiteturas baseadas em Transformer viáveis para tarefas em tempo real. Baseia-se no RT-DETR original, incorporando uma abordagem de «conjunto de vantagens gratuitas» para melhorar a precisão de referência sem aumentar a latência da inferência.
- Autores: Wenyu Lv, Yian Zhao, Qinyao Chang, Kui Huang, Guanzhong Wang e Yi Liu
- Organização: Baidu
- Data: 2024-07-24
- arXiv: 2407.17140
- GitHub: Repositório do RTDETRv2
- Documentação: README do RTDETRv2
Arquitetura e pontos fortes#
Ao contrário das CNNs tradicionais, RTDETRv2 usa uma arquitetura codificador-decodificador com mecanismos de autoatenção, permitindo capturar o contexto global de uma imagem. Isso ajuda em cenas lotadas, nas quais as oclusões são frequentes. RTDETRv2 elimina a necessidade de supressão não máxima (NMS) no pós-processamento e, em vez disso, usa correspondência húngara durante o treinamento para obter correspondência bipartida um-para-um.
No entanto, os modelos Transformer normalmente precisam de mais memória VRAM e CUDA. Treinar RTDETRv2 do zero ou ajustá-lo a conjuntos de dados personalizados costuma exigir GPUs de ponta com muita memória, o que pode ser uma barreira para equipes menores em comparação com a menor pegada de memória de treinamento dos modelos Ultralytics.
Análise de desempenho e métricas#
Avaliados no conjunto de dados COCO padrão, os modelos apresentam compromissos claros entre número de parâmetros, FLOPs e precisão (mAP).
| Modelo | tamanho (pixels) | mAPval50-95 | Velocidade CPU ONNX (ms) | Velocidade T4 TensorRT10 (ms) | parâmetros (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLO11n | 640 | 39.5 | 56.1 | 1.5 | 2.6 | 6.5 |
| YOLO11s | 640 | 47.0 | 90.0 | 2.5 | 9.4 | 21.6 |
| YOLO11m | 640 | 51.5 | 183.2 | 4.7 | 20.1 | 68.1 |
| YOLO11l | 640 | 53.4 | 238.6 | 6.2 | 25.3 | 87.2 |
| YOLO11x | 640 | 54.7 | 462.8 | 11.3 | 56.9 | 195.3 |
| 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 |
Análise dos resultados#
O YOLO11 oferece mais precisão por parâmetro. O YOLO11x alcança um mAPval50-95 maior (54.7) que o RTDETRv2-x (54.3), usando menos parâmetros (56.9M vs. 76M) e menos FLOPs (195.3B vs. 259B).
YOLO11 também é mais rápido no T4 TensorRT. YOLO11s executa em 2.5 ms, contra 5.03 ms do RTDETRv2-s (47.0 vs 48.1 mAP), e YOLO11m é mais preciso (51.5 mAP) e mais rápido (4.7 ms) que RTDETRv2-s. Isso torna YOLO11 uma ótima opção para análise de vídeo em tempo real, na qual o tempo de processamento de quadros é o principal gargalo.
Embora RTDETRv2 alcance excelente precisão por meio de suas camadas de atenção, esses mecanismos aumentam quadraticamente com a resolução da imagem, elevando o consumo de VRAM tanto no treinamento quanto na inferência. YOLO11 evita esse custo com blocos convolucionais eficientes.
Ecossistema de treinamento e facilidade de utilização#
A principal vantagem de adotar um modelo Ultralytics está no ecossistema envolvente. Treinar o RTDETRv2 envolve muitas vezes navegar por repositórios complexos, próprios da investigação, ajustar pesos intrincados da função de perda para o emparelhamento bipartido e gerir um consumo significativo de memória.
A Ultralytics prioriza a experiência do desenvolvedor. A API unificada de Python elimina código repetitivo, integra-se a ferramentas como Weights & Biases para acompanhamento de experimentos e trata automaticamente do aumento de dados.
Eis como é simples treinar e exportar um modelo com o pacote ultralytics:
from ultralytics import YOLO
# Inicializa o modelo YOLO11 com pesos pré-treinados
model = YOLO("yolo11n.pt")
# Treina o modelo eficientemente numa GPU local ou numa instância na nuvem
train_results = model.train(
data="coco8.yaml",
epochs=100,
imgsz=640,
device=0, # Usa a GPU CUDA
)
# Exporta o modelo treinado para ONNX para uma implementação generalizada
export_path = model.export(format="onnx")Depois de treinado, exportar um modelo YOLO11 para formatos como ONNX, OpenVINO ou CoreML exige apenas um comando, permitindo que o mesmo modelo seja executado em diferentes backends de hardware.
Enquanto RTDETRv2 se concentra exclusivamente na detecção de caixas delimitadoras, YOLO11 também oferece suporte à segmentação de instâncias, classificação de imagens, estimativa de pose e detecção de OBB, permitindo consolidar várias tarefas de visão numa única família de modelos.
Casos de uso e recomendações#
A escolha entre YOLO11 e RT-DETR depende dos requisitos específicos do teu projeto, das restrições de implementação e das preferências quanto ao ecossistema.
Quando escolher YOLO11#
YOLO11 é uma ótima opção para:
- Implantação de borda em produção: aplicações comerciais em dispositivos como Raspberry Pi ou NVIDIA Jetson, nos quais a confiabilidade e a manutenção ativa são fundamentais.
- Aplicações de visão multitarefa: Projetos que exigem detecção, segmentação, classificação, estimativa de pose e OBB em uma única estrutura unificada.
- Prototipagem e implantação rápidas: equipes que precisam avançar rapidamente da coleta de dados à produção usando a API Python da Ultralytics, simples e eficiente.
Quando escolher o RT-DETR#
O RT-DETR é recomendado 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 Ultralytics (YOLO26)#
Para a maioria dos projetos novos, 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.
Perspetivas futuras: o poder do YOLO26#
O YOLO11 continua sendo uma opção sólida para produção, mas novos projetos devem começar com o YOLO26. Lançado em janeiro de 2026, o YOLO26 reduz a lacuna arquitetural em relação aos Transformers com uma cabeça opcional ponta a ponta sem NMS (nms=False, introduzida nos modelos YOLO pelo YOLOv10), que elimina a latência do pós-processamento com NMS e simplifica a lógica de implantação.
YOLO26 também introduz várias outras mudanças:
- Otimizador MuSGD: inspirado nas técnicas de treinamento de modelos de linguagem grandes (LLM) usadas no Kimi K2 da Moonshot AI, essa combinação de SGD e Muon proporciona um treinamento mais estável e uma convergência mais rápida.
- Remoção de DFL: Remover a Distribution Focal Loss simplifica a exportação e melhora a compatibilidade com dispositivos de borda de baixo consumo.
- ProgLoss + STAL: A perda progressiva e a atribuição de rótulos com consciência de alvos pequenos (STAL) melhoram o reconhecimento de objetos pequenos, um requisito essencial para vigilância por drones, monitoramento agrícola e sensores de borda de IoT.
- Até 43% mais rápido na inferência em CPU: Para implantações sem GPUs dedicadas, o YOLO26n é até 43% mais rápido que o YOLO11n em CPU.
Para uma variedade maior de arquiteturas, consulta o YOLOv8, o amplamente adotado YOLOv5 e modelos especializados, como o YOLO-World, para detecção de vocabulário aberto. Quer escolhas a estabilidade comprovada do YOLO11 ou o mais recente YOLO26, o ecossistema Ultralytics oferece as ferramentas para levar os teus projetos de visão computacional à produção.
Comentários
Faz uma pergunta, partilha os teus resultados ou ajuda alguém.