YOLOv9 vs RTDETRv2
O cenário da detecção de objetos em tempo real mudou significativamente nos últimos anos. Duas abordagens arquiteturais distintas lideram o campo: redes neurais convolucionais (CNNs) eficientes e Transformers de detecção em tempo real (DETRs). YOLOv9 e RTDETRv2 são exemplos de destaque dessas duas abordagens.
Este guia compara os dois modelos, analisando suas inovações arquiteturais, métricas de desempenho e cenários ideais de implantação para ajudar você a escolher o modelo certo para seu pipeline de visão computacional.
Resumo executivo#
Os dois modelos alcançam bons resultados, mas atendem a diferentes restrições de implantação e ecossistemas de desenvolvimento.
- Escolha o YOLOv9 se: Você precisa de utilização eficiente de parâmetros e inferência rápida em dispositivos de borda. O YOLOv9 prioriza a eficiência de parâmetros das CNNs, sendo adequado para ambientes com recursos computacionais bastante limitados.
- Escolha o RTDETRv2 se: Você precisa da modelagem de contexto global oferecida pelos Transformers, especialmente em cenas com oclusão intensa ou relações complexas entre objetos, e dispõe de hardware para suportar uma arquitetura um pouco mais pesada.
- Escolha o YOLO26 (recomendado) se: Você quer inferência sem NMS com a eficiência das CNNs. Como a geração mais recente disponível na Ultralytics Platform, o YOLO26 apresenta um design opcional de ponta a ponta sem NMS (
nms=False, semelhante aos modelos DETR), que elimina gargalos de pós-processamento, e o YOLO26n oferece inferência na CPU até 43% mais rápida que o YOLO11n.
Especificações técnicas e autoria#
Compreender as origens e a intenção de design desses modelos oferece um contexto útil para suas escolhas arquiteturais.
YOLOv9#
- Autores: Chien-Yao Wang e Hong-Yuan Mark Liao
- Organização: Institute of Information Science, Academia Sinica
- Data: 2024-02-21
- arXiv: https://arxiv.org/abs/2402.13616
- GitHub: WongKinYiu/yolov9
RTDETRv2#
- 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: lyuwenyu/RT-DETR
Inovações arquiteturais#
YOLOv9: Resolução do Estrangulamento de Informação#
O YOLOv9 introduz duas grandes inovações projetadas para lidar com a perda de informações à medida que os dados passam pelas redes neurais profundas:
- Informação de Gradiente Programável (PGI): Esta estrutura de supervisão auxiliar ajuda a gerar gradientes confiáveis para atualizar os pesos da rede, preservando informações cruciais sobre características mesmo em camadas muito profundas da rede.
- Rede de Agregação de Camadas Eficiente Generalizada (GELAN): Uma arquitetura que combina os pontos fortes de CSPNet e ELAN. A GELAN otimiza a eficiência dos parâmetros, permitindo que YOLOv9 alcance maior precisão com menos FLOPs em comparação com CNNs tradicionais.
RTDETRv2: aprimorando Transformers em tempo real#
Com base no RT-DETR original, RTDETRv2 usa uma arquitetura baseada em Transformer que evita inerentemente a necessidade de Supressão Não Máxima (NMS). Entre as melhorias estão:
- Estratégia Bag-of-Freebies: A versão v2 incorpora técnicas de treinamento e aumentos de dados adicionais que melhoram a precisão sem adicionar latência à inferência.
- Codificador Híbrido Eficiente: Ao processar características em várias escalas por meio de um mecanismo de atenção desacoplado intraescala e entre escalas, RTDETRv2 controla o alto custo computacional tradicional dos Transformadores de Visão.
Enquanto RTDETRv2 usa Transformers para detecção sem NMS, a nova arquitetura YOLO26 alcança isso com uma cabeça opcional one-to-one (nms=False) em uma estrutura CNN eficiente, proporcionando uma implantação igualmente simplificada e inferência mais rápida na borda.
Comparação de desempenho#
Ao avaliar modelos para produção, a relação entre precisão e requisitos computacionais é fundamental. A tabela abaixo apresenta o desempenho de vários tamanhos de modelo em benchmarks padrão.
| Modelo | tamanho (pixels) | mAPval50-95 | Velocidade CPU ONNX (ms) | Velocidade T4 TensorRT10 (ms) | parâmetros (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv9t | 640 | 38.3 | - | 2.3 | 2.0 | 7.7 |
| YOLOv9s | 640 | 46.8 | - | 3.54 | 7.2 | 26.7 |
| YOLOv9m | 640 | 51.4 | - | 6.43 | 20.1 | 76.8 |
| YOLOv9c | 640 | 53.0 | - | 7.16 | 25.5 | 102.8 |
| YOLOv9e | 640 | 55.6 | - | 16.77 | 58.1 | 192.5 |
| 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#
Como mostram os dados, YOLOv9 tem uma clara vantagem em eficiência de parâmetros. O modelo YOLOv9c alcança 53.0 mAP com apenas 25.5M de parâmetros.
Por outro lado, RTDETRv2 é um forte concorrente nas categorias de modelos médios e grandes, e RTDETRv2-s é mais preciso que YOLOv9s. No entanto, isso implica um número maior de parâmetros e mais FLOPs, algo típico de modelos Transformer. Essa diferença arquitetural também afeta o uso de memória: os modelos YOLO normalmente exigem muito menos memória CUDA durante o treinamento e a inferência do que seus equivalentes Transformer.
A vantagem da Ultralytics: ecossistema e versatilidade#
Embora as métricas puramente arquiteturais sejam importantes, o ecossistema de software muitas vezes determina o sucesso de um projeto de IA. Acessar esses modelos pela API Python da Ultralytics oferece vantagens práticas.
Treinamento e implantação simplificados#
Treinar um Transformer de Detecção normalmente exige arquivos de configuração complexos e GPUs de alto desempenho. Com a estrutura Ultralytics, os desenvolvedores podem treinar modelos YOLOv9 e RT-DETR com a mesma sintaxe simples, aproveitando pipelines de treinamento eficientes e pesos pré-treinados disponíveis.
from ultralytics import RTDETR, YOLO
# Treinar um modelo YOLOv9
model_yolo = YOLO("yolov9c.pt")
model_yolo.train(data="coco8.yaml", epochs=100, imgsz=640)
# Treinar um modelo RTDETR usando exatamente a mesma API
model_rtdetr = RTDETR("rtdetr-l.pt")
model_rtdetr.train(data="coco8.yaml", epochs=100, imgsz=640)
# Exporta modelos para OpenVINO ou TensorRT
model_yolo.export(format="openvino")Versatilidade de tarefas#
Uma grande limitação de modelos especializados como RTDETRv2 é o foco restrito à detecção de caixas delimitadoras. Em contrapartida, o ecossistema mais amplo da Ultralytics, que inclui modelos como YOLO11 e YOLOv8, oferece suporte a uma ampla variedade de tarefas de visão computacional. Isso inclui segmentação de instâncias em nível de pixel, classificação da imagem inteira, estimativa de pose esquelética e detecção de Caixas Delimitadoras Orientadas (OBB) em imagens aéreas.
Aplicações no mundo real#
Análise de borda em alta velocidade#
Para ambientes de varejo ou linhas de produção que exigem reconhecimento de produtos em tempo real em dispositivos de borda, YOLOv9 é a melhor opção. Sua arquitetura GELAN oferece alta capacidade de processamento em hardware limitado, como a série NVIDIA Jetson, permitindo o controle de qualidade automatizado sem atrasos significativos.
Análise de cenas complexas#
Em cenários como o monitoramento de multidões ou cruzamentos complexos, nos quais os objetos frequentemente ocluem uns aos outros, os mecanismos de atenção global do RTDETRv2 se destacam. A capacidade do modelo de raciocinar nativamente sobre o contexto da imagem inteira permite manter um rastreamento e uma detecção robustos, mesmo quando os objetos estão parcialmente ocultos.
Casos de uso e recomendações#
A escolha entre YOLOv9 e RT-DETR depende dos requisitos específicos do teu projeto, das restrições de implantação e das preferências de ecossistema.
Quando escolher o YOLOv9#
YOLOv9 é uma ótima opção para:
- Pesquisa sobre gargalos de informação: Projetos acadêmicos que estudam arquiteturas de Informação de Gradiente Programável (PGI) e Rede de Agregação de Camadas Eficiente Generalizada (GELAN).
- Estudos de otimização do fluxo de gradientes: Pesquisas voltadas a entender e reduzir a perda de informação nas camadas profundas da rede durante o treinamento.
- Benchmarking de detecção de alta precisão: Cenários em que o forte desempenho do YOLOv9 no benchmark COCO é necessário como referência para comparações arquitetônicas.
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 novos projetos, o 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 apenas com CPU: Dispositivos sem aceleração por GPU dedicada, nos quais a inferência em CPU até 43% mais rápida de YOLO26n em comparação com YOLO11n oferece uma vantagem decisiva.
- 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.
O futuro: chegou YOLO26#
Embora YOLOv9 e RTDETRv2 sejam conquistas importantes, a área da visão computacional evolui rapidamente. Para novos projetos, o modelo recomendado é YOLO26.
Lançado em janeiro de 2026, o YOLO26 combina a eficiência das CNNs com a inferência ponta a ponta no estilo DETR. Ele apresenta um design ponta a ponta sem NMS opcional (nms=False) que elimina o pós-processamento com NMS, uma abordagem introduzida nos modelos YOLO pelo YOLOv10. O YOLO26 também remove a perda focal de distribuição (DFL) para melhorar a compatibilidade com dispositivos de borda e apresenta o otimizador MuSGD. Inspirado no treinamento de modelos de linguagem de grande porte (especificamente no Kimi K2 da Moonshot AI), esse híbrido de SGD e Muon melhora a estabilidade do treinamento e a velocidade de convergência.
Junto com ProgLoss e STAL (Perda Progressiva e Atribuição de Rótulos Sensível a Alvos Pequenos), que melhoram a detecção de objetos pequenos, essas mudanças fazem de YOLO26 uma ótima opção para implantações modernas de IA, com YOLO26n sendo até 43% mais rápido na CPU que YOLO11n.
Comentários
Faz uma pergunta, partilha os teus resultados ou ajuda alguém.