Começar

YOLOv5 vs RTDETRv2

O cenário da visão computacional se expandiu significativamente nos últimos anos, oferecendo aos desenvolvedores uma ampla variedade de arquiteturas para lidar com tarefas visuais complexas. Entre os paradigmas mais populares estão as Redes Neurais Convolucionais (CNNs) e os Transformers de Detecção (DETRs), ambos abordados em uma visão geral dos melhores modelos de detecção de objetos.

Este guia apresenta uma comparação técnica entre dois modelos influentes dessas categorias: o Ultralytics YOLOv5, um modelo baseado em CNN altamente eficiente e amplamente adotado, e o RTDETRv2, um detector de objetos em tempo real baseado em Transformer.

Ultralytics YOLOv5: o padrão do setor em eficiência#

Desde seu lançamento, Ultralytics YOLOv5 tornou-se um pilar da comunidade de IA, impulsionando milhares de aplicações comerciais e projetos de pesquisa em todo o mundo. Desenvolvido inteiramente com o framework PyTorch, o modelo priorizou uma experiência de desenvolvimento intuitiva sem comprometer o desempenho em tempo real.

Principais características:

Arquitetura e pontos fortes#

YOLOv5 utiliza uma arquitetura CNN simplificada, projetada para maximizar a eficiência da extração de características e manter uma estrutura extremamente leve em termos de memória. O modelo emprega um backbone CSPDarknet e um pescoço PANet, formando uma combinação poderosa para a fusão de características em várias escalas.

Uma das principais vantagens do YOLOv5 é o equilíbrio de desempenho. Ele oferece uma ótima relação entre velocidade e precisão, sendo uma opção ideal para a implantação de modelos em hardware com recursos limitados, como dispositivos NVIDIA Jetson e smartphones.

O YOLOv5 também oferece ampla versatilidade. Ao contrário de modelos limitados estritamente a previsões de caixas delimitadoras, o repositório original do YOLOv5 oferece suporte à segmentação de instâncias e à classificação de imagens, oferecendo um framework unificado para diversas tarefas visuais. Sua eficiência de treinamento também é alta, exigindo significativamente menos memória CUDA durante o treinamento do que arquiteturas baseadas em Transformer.

Pontos fracos#

Como detector baseado em âncoras, o YOLOv5 depende da supressão não máxima (NMS) durante o pós-processamento para eliminar caixas delimitadoras duplicadas. Embora seja altamente otimizada no framework Ultralytics, a NMS pode, ocasionalmente, criar gargalos de latência em NPUs de borda especializadas.

RTDETRv2: Transformers em tempo real da Baidu#

O RTDETRv2 (Transformer de Detecção em Tempo Real v2) aplica arquiteturas Transformer à detecção de objetos em tempo real, abordando as ineficiências computacionais que historicamente afetavam os DETRs padrão.

Principais características:

Arquitetura e pontos fortes#

O RTDETRv2 se baseia em seu antecessor ao utilizar um codificador híbrido e um design flexível de decodificador para processar imagens. O mecanismo de autoatenção do Transformer oferece ao modelo uma compreensão global do contexto da imagem, permitindo que tenha bom desempenho em cenas complexas com muita oclusão de objetos.

Uma característica que define o RTDETRv2 é seu design de ponta a ponta sem NMS. Ao prever consultas de objetos diretamente, sem exigir caixas-âncora ou pós-processamento NMS, ele simplifica o pipeline de inferência. Essa arquitetura alcança um mAP elevado (precisão média) em conjuntos de dados de benchmark como o COCO.

Pontos fracos#

Apesar dos recursos em tempo real, o RTDETRv2 tem requisitos de memória significativamente maiores do que os modelos YOLO. Os mecanismos de atenção dos Transformers crescem quadraticamente com o comprimento da sequência, o que pode causar erros de falta de memória durante o treinamento em alta resolução em GPUs com memória limitada. Além disso, ele não oferece a versatilidade pronta para uso do ecossistema Ultralytics, concentrando-se principalmente apenas na detecção de objetos 2D, sem suporte nativo à segmentação ou estimativa de pose.

Saiba mais sobre o RTDETRv2

Tabela de comparação de desempenho#

A tabela abaixo compara as métricas de desempenho das duas arquiteturas. Os valores destacados em negrito representam as métricas mais eficientes ou de melhor desempenho nas escalas testadas.

Modelotamanho
(pixels)
mAPval50-95Velocidade
CPU ONNX
(ms)
Velocidade
T4 TensorRT10
(ms)
parâmetros
(M)
FLOPs
(B)
YOLOv5n64028.0-1.121.94.5
YOLOv5s64037.4-1.927.216.5
YOLOv5m64045.4-4.0321.249.0
YOLOv5l64049.0-6.6146.5109.1
YOLOv5x64050.7-11.8986.7205.7
RTDETRv2-s64048.1-5.032060
RTDETRv2-m64051.9-7.5136100
RTDETRv2-l64053.4-9.7642136
RTDETRv2-x64054.3-15.0376259
Contexto de desempenho

Embora o RTDETRv2-x alcance o maior mAP absoluto, ele exige aproximadamente 40 vezes mais parâmetros do que o YOLOv5n. Para aplicações de alta velocidade executadas em hardware limitado, os modelos menores da Ultralytics oferecem um custo computacional muito menor.

A vantagem do ecossistema Ultralytics#

Ao levar um modelo de um notebook de pesquisa para um ambiente de produção, o software que o acompanha é tão importante quanto a arquitetura da rede neural. O ecossistema bem mantido oferecido pela Ultralytics acelera o ciclo de desenvolvimento.

Facilidade de uso#

Os modelos Ultralytics priorizam uma experiência de utilizador simplificada. Quer queiras treinar um modelo personalizado, executar uma validação ou exportar para formatos específicos de hardware, como TensorRT ou ONNX, a API Python da Ultralytics permite fazê-lo com apenas algumas linhas de código.

Aqui está um exemplo prático de código que mostra como é simples treinar e executar inferência com um modelo Ultralytics:

from ultralytics import YOLO

# Inicializa o modelo (os pesos são transferidos automaticamente)
model = YOLO("yolov5su.pt")  # YOLOv5u: pesos YOLOv5 sem âncoras para o pacote ultralytics

# Treina o modelo com o conjunto de dados COCO8
results = model.train(data="coco8.yaml", epochs=50, imgsz=640, device="cpu")

# Executa a inferência numa imagem online
inference_results = model.predict("https://ultralytics.com/images/bus.jpg")

# Apresenta a imagem resultante com caixas delimitadoras
inference_results[0].show()

Esta API simples e unificada oferece suporte nativo a integrações de acompanhamento de experiências com ferramentas como Weights & Biases e Comet, permitindo que os programadores registem métricas sem escrever código boilerplate.

Casos de uso e recomendações#

A escolha entre YOLOv5 e RT-DETR depende dos requisitos específicos do teu projeto, das restrições de implementação e das preferências de ecossistema.

Quando escolher o YOLOv5#

O YOLOv5 é uma ótima opção para:

  • Sistemas de produção comprovados: Implantações existentes nas quais são valorizados o longo histórico de estabilidade do YOLOv5, sua ampla documentação e sua grande comunidade.
  • Treinamento com recursos limitados: ambientes com recursos de GPU limitados, nos quais o pipeline de treinamento eficiente e os menores requisitos de memória do YOLOv5 são vantajosos.
  • Amplo suporte a formatos de exportação: projetos que exigem implantação em vários formatos, incluindo ONNX, TensorRT, CoreML e LiteRT.

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 dedicada por GPU, nos quais YOLO26n é até 43% mais rápido na CPU do que YOLO11n.
  • Detecção de objetos pequenos: cenários desafiadores, como imagens aéreas capturadas por drones ou análise de sensores IoT, em que ProgLoss e STAL melhoram a precisão em objetos minúsculos.

Perspetivas futuras: YOLO11 e YOLO26#

Se estás a iniciar hoje um novo projeto de visão computacional, considera as gerações mais recentes de modelos Ultralytics.

Embora o YOLOv5 continue a ser fiável, o YOLO11 oferece maior precisão e um conjunto expandido de tarefas, incluindo a deteção de caixas delimitadoras orientadas (OBB).

O YOLO26 vai além ao combinar os pontos fortes das duas abordagens. Ele oferece um design opcional de ponta a ponta sem NMS (nms=False, introduzido nos modelos YOLO pelo YOLOv10) que elimina a etapa de pós-processamento de NMS e mantém a eficiência de uma CNN. O YOLO26 também introduz o otimizador MuSGD, inspirado em inovações do treinamento de LLMs, para uma convergência mais rápida. Com a remoção de DFL (remoção de Distribution Focal Loss para simplificar a exportação e melhorar a compatibilidade com dispositivos de borda e de baixo consumo), o YOLO26n oferece inferência na CPU até 43% mais rápida que o YOLO11n, o que faz do YOLO26 uma ótima opção para IA de borda. Além disso, ProgLoss + STAL (Progressive Loss e atribuição de rótulos sensível a objetos pequenos) proporciona melhorias notáveis no reconhecimento de objetos pequenos, algo essencial para IoT, robótica e imagens aéreas.

Conclusão#

A escolha entre YOLOv5 e RTDETRv2 depende muito das tuas restrições de implementação. O RTDETRv2 alcança um mAP elevado com mecanismos de atenção Transformer, mas tem custos mais elevados de memória e sobrecarga computacional.

Em contrapartida, o Ultralytics YOLOv5 oferece uma solução comprovada, altamente otimizada e versátil, que funciona de forma eficiente desde servidores na nuvem até dispositivos de borda. Para equipas que procuram maior precisão e ferramentas de implementação maduras, a atualização para YOLO26 dentro do ecossistema Ultralytics é o caminho recomendado para aplicações modernas de IA de visão.

Comentários

Faz uma pergunta, partilha os teus resultados ou ajuda alguém.