YOLOv7 vs RTDETRv2
A visão computacional continua evoluindo rapidamente, impulsionada pela competição entre redes neurais convolucionais (CNNs) e Vision Transformers (ViTs). Esta comparação técnica analisa duas arquiteturas de destaque: YOLOv7, um detector de objetos baseado em CNN altamente otimizado, e RTDETRv2, um Transformer de detecção em tempo real de última geração.
Ao analisar as diferenças arquitetónicas, as métricas de desempenho e os cenários de implementação ideais, os programadores podem tomar decisões informadas ao integrar estes modelos de IA de visão nos seus pipelines de produção.
YOLOv7: a arquitetura CNN «bag-of-freebies»#
YOLOv7 introduziu várias otimizações estruturais à família YOLO tradicional, ampliando os limites da detecção de objetos em tempo real por meio de uma série de "bag-of-freebies treináveis".
Principais características:
- Autores: Chien-Yao Wang, Alexey Bochkovskiy, Hong-Yuan Mark Liao
- Organização: Institute of Information Science, Academia Sinica
- Data: 2022-07-06
- arXiv: https://arxiv.org/abs/2207.02696
- GitHub: WongKinYiu/yolov7
Arquitetura e pontos fortes#
YOLOv7 é baseado em sua arquitetura Extended Efficient Layer Aggregation Network (E-ELAN). Esse projeto estrutural permite que o modelo aprenda recursos mais diversos sem destruir o caminho do gradiente original. Além disso, incorpora convoluções reparametrizadas planejadas, que otimizam a velocidade de inferência sem degradar a precisão. Sua abordagem de bag-of-freebies treinável permite alcançar um bom equilíbrio entre velocidade e precisão, tornando-o altamente adequado para tarefas de detecção de objetos em tempo real em GPUs de nível de servidor.
YOLOv7 também é altamente versátil. Além da detecção padrão de caixas delimitadoras, o repositório oferece ramificações para segmentação de instâncias e estimativa de pose, demonstrando sua adaptabilidade.
Limitações#
Como muitos modelos CNN anteriores, YOLOv7 depende da supressão não máxima (NMS) para o pós-processamento. A NMS introduz latência variável, especialmente em cenas com muitas pessoas ou objetos, o que pode dificultar garantias estritas de tempo real em dispositivos de borda.
RTDETRv2: a evolução dos Transformers em tempo real#
RTDETRv2 baseia-se na estrutura original RT-DETR, demonstrando ainda mais que os transformers podem competir com as arquiteturas YOLO em latência em tempo real e, ao mesmo tempo, manter alta precisão espacial.
Principais características:
- Autores: Wenyu Lv, Yian Zhao, Qinyao Chang, Kui Huang, Guanzhong Wang, Yi Liu
- Organização: Baidu
- Data: 2024-07-24
- arXiv: https://arxiv.org/abs/2407.17140
- GitHub: lyuwenyu/RT-DETR
Arquitetura e pontos fortes#
RTDETRv2 representa um avanço significativo para os Vision Transformers. Ele aproveita um processo flexível de seleção de consultas e um codificador híbrido eficiente para processar rapidamente recursos em várias escalas. Ao introduzir uma nova "bag-of-freebies" criada especificamente para Detection Transformers (DETRs), melhora a precisão sem acrescentar custos de inferência. Como não usa NMS, oferece tempos de inferência mais previsíveis, o que ajuda em aplicações de cidades inteligentes e na condução autônoma.
Limitações#
Apesar dos avanços, RTDETRv2 ainda carrega as limitações tradicionais das arquiteturas baseadas em transformers. Exige significativamente mais memória CUDA durante o treinamento e a inferência do que as CNNs. Além disso, os tempos de convergência do treinamento são visivelmente maiores, exigindo grandes quantidades de dados anotados de alta qualidade (como o conjunto de dados COCO) e muitos recursos computacionais.
Comparação de desempenho#
Ao comparar esses modelos, é útil analisar em conjunto a precisão, a velocidade bruta de inferência e o uso de recursos computacionais. Abaixo está uma tabela comparativa direta.
| Modelo | tamanho (pixels) | mAPval50-95 | Velocidade CPU ONNX (ms) | Velocidade T4 TensorRT10 (ms) | parâmetros (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv7l | 640 | 51.4 | - | 6.84 | 36.9 | 104.7 |
| YOLOv7x | 640 | 53.1 | - | 11.57 | 71.3 | 189.9 |
| 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 |
Embora o RTDETRv2-x alcance o maior mAPval50-95, de 54.3%, exige 259 mil milhões de FLOPs. Por outro lado, as arquiteturas YOLOv7 oferecem uma base sólida, mas acrescentam a sobrecarga do NMS, que não é contabilizada nas métricas de latência pura da rede.
A vantagem da Ultralytics: ecossistema e evolução#
Embora YOLOv7 e RTDETRv2 ofereçam recursos robustos, implantá-los em ambientes de produção costuma revelar dificuldades operacionais. O ecossistema Ultralytics foi projetado para reduzir essas dificuldades, oferecendo aos desenvolvedores uma API unificada que abstrai as complexidades típicas dos pipelines de visão computacional.
Versatilidade e eficiência de memória#
Ao contrário dos modelos transformer, que precisam de muita VRAM, os modelos Ultralytics YOLO são eficientes no uso de memória. Isso permite o treinamento rápido de modelos em hardware acessível. O ecossistema oferece suporte integrado a várias tarefas de visão computacional em uma única base de código, incluindo classificação de imagens e detecção de caixas delimitadoras orientadas (OBB), proporcionando uma flexibilidade que RTDETRv2 ainda não oferece.
Implantação#
A transição da pesquisa para a produção exige opções robustas de implantação. A API da Ultralytics realiza a exportação de modelos para formatos padrão do setor com uma única chamada. Seja para usar ONNX pela compatibilidade entre plataformas ou TensorRT para aceleração máxima na GPU, a conversão é automatizada.
Atualização para o Ultralytics YOLO26#
Para desenvolvedores que estão avaliando YOLOv7 e RTDETRv2, a opção recomendada é Ultralytics YOLO26. Lançado em janeiro de 2026, YOLO26 combina a velocidade das CNNs com a inferência ponta a ponta dos transformers, abordando muitas das limitações de ambos.
YOLO26 apresenta várias inovações para implantações em servidores e dispositivos de borda:
- Design de ponta a ponta sem NMS: Com base no treinamento sem NMS que o YOLOv10 introduziu nos modelos YOLO, o YOLO26 oferece uma cabeça opcional sem NMS (
nms=False) que ignora o pós-processamento de NMS. Isso proporciona a latência previsível do RTDETRv2 sem a sobrecarga computacional de um transformer. - Otimizador MuSGD: Inspirado em técnicas de treinamento de modelos de linguagem grandes, como o Kimi K2 da Moonshot AI, YOLO26 utiliza uma combinação híbrida de SGD e Muon. Isso melhora a estabilidade do treinamento e a velocidade de convergência em comparação com as configurações padrão de AdamW usadas por muitas ViTs.
- ProgLoss + STAL: A Progressive Loss e a atribuição de rótulos com foco em alvos pequenos melhoram o reconhecimento de objetos pequenos, competindo diretamente com as vantagens de recursos em várias escalas de RTDETRv2, algo essencial para a automação robótica.
- Otimização para dispositivos de borda e remoção de DFL: Ao remover a Distribution Focal Loss (DFL), YOLO26 simplifica a cabeça de saída, e YOLO26n funciona até 43% mais rápido na CPU que YOLO11n, tornando YOLO26 muito mais fácil de implantar em dispositivos de borda do que modelos transformer pesados.
Exemplo de treino com a Ultralytics#
A simplicidade da API Python da Ultralytics permite treinar um modelo YOLO26s com apenas algumas linhas de código:
from ultralytics import YOLO
# Carrega o modelo YOLO26 pequeno
model = YOLO("yolo26s.pt")
# Treina o modelo com o conjunto de dados COCO8
# A framework gere automaticamente o aumento de dados e a seleção do otimizador
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device="0")
# Exporta para TensorRT para implementação
model.export(format="engine", dynamic=True)Casos de utilização ideais#
A escolha da arquitetura certa depende muito das restrições de implementação e da disponibilidade de hardware:
Quando considerar o YOLOv7:
- Projetos de investigação antigos em que o YOLOv7 é uma referência estabelecida.
- Ambientes com ampla disponibilidade de aceleração bruta por GPU e onde seja aceitável a variação da latência da NMS.
Quando considerar o RTDETRv2:
- Implantações em servidores de alto desempenho que precisam do mAP mais elevado.
- Cenários que exigem estritamente latência de inferência previsível e sem NMS, desde que tenhas a VRAM necessária para dar suporte ao backbone transformer.
Quando escolher o Ultralytics YOLO26:
- A maioria dos projetos novos. Oferece inferência opcional sem NMS, como RTDETRv2, supera YOLOv7 em velocidade e precisão, usa menos VRAM e está totalmente integrado à Ultralytics Platform para gestão de conjuntos de dados, treinamento e implantação.
Comentários
Faz uma pergunta, partilha os teus resultados ou ajuda alguém.