RTDETRv2 и YOLOv5
Развитие компьютерного зрения во многом определялось необходимостью сбалансировать точность и скорость инференса в реальном времени. Сравнивая RTDETRv2 и Ultralytics YOLOv5, разработчики оценивают глобальное моделирование контекста в архитектурах Transformer и оптимизированную эффективность свёрточных нейронных сетей (CNN), проверенную в промышленной эксплуатации.
В этом руководстве сравниваются две архитектуры, их показатели производительности, методики обучения, требования к памяти и оптимальные сценарии развёртывания, чтобы помочь тебе выбрать лучшую модель для обнаружения объектов в конкретной задаче.
RTDETRv2: подход Transformer к обнаружению объектов в реальном времени#
Развивая оригинальную модель Transformer для обнаружения объектов в реальном времени (RT-DETR), RTDETRv2 добавляет ряд «бесплатных улучшений», повышающих качество базовой архитектуры без увеличения задержки инференса.
- Авторы: Wenyu Lv, Yian Zhao, Qinyao Chang, Kui Huang, Guanzhong Wang и Yi Liu
- Организация: Baidu
- Дата: 2024-07-24
- Ссылки: Статья на arXiv, Репозиторий на GitHub
Архитектура и возможности#
RTDETRv2 использует гибридную архитектуру CNN-Transformer. Основа CNN извлекает визуальные признаки с высокой детализацией, а слои кодировщика-декодера Transformer обрабатывают всю карту признаков, чтобы учитывать глобальный контекст. Отличительная черта RTDETRv2 — сквозная архитектура, устраняющая необходимость в постобработке подавлением немаксимумов (NMS).
RTDETRv2 обеспечивает высокую точность, особенно в сложных сценах с высокой плотностью объектов и перекрытиями, но за это приходится идти на компромиссы. Для механизма внимания, присущего Transformer, во время обучения требуется больше памяти CUDA, чем для стандартных CNN. Модель хорошо работает на GPU, например NVIDIA A100 или T4, но заметно медленнее на стандартных CPU и периферийных устройствах с ограниченными ресурсами.
Ultralytics YOLOv5: отраслевой стандарт эффективности#
После выхода Ultralytics YOLOv5 сделала высокопроизводительное компьютерное зрение доступным разработчикам по всему миру благодаря интуитивно понятной и простой в использовании системе.
- Автор: Glenn Jocher
- Организация: Ultralytics
- Дата: 26 июня 2020 года
- Ссылки: Официальная документация, репозиторий GitHub
Баланс экосистемы и производительности#
YOLOv5 полностью построена на платформе PyTorch и использует эффективную архитектуру CNN. Модель с самого начала разрабатывалась с упором на простоту использования: у неё простой API и подробная документация.
Главные преимущества YOLOv5 — универсальность и низкие требования к памяти. Для обучения модели YOLOv5 требуется гораздо меньше видеопамяти, чем для моделей на основе Transformer, поэтому она доступна исследователям и инженерам с ограниченным бюджетом на оборудование. А хотя RTDETRv2 ориентирована на обнаружение ограничивающих рамок, репозиторий YOLOv5 также поддерживает сегментацию экземпляров (добавлена в YOLOv5 v7.0) и классификацию изображений.
Ты можешь обучать, валидировать и развёртывать YOLOv5 непосредственно на Ultralytics Platform, которая предоставляет облачное обучение и развёртывание без написания кода.
Сравнение производительности и метрик#
Результаты на стандартном датасете COCO наглядно показывают, как эти модели по-разному обменивают точность на экономию ресурсов.
| Модель | размер (пиксели) | mAPval50-95 | Скорость CPU ONNX (мс) | Скорость T4 TensorRT10 (мс) | параметры (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 |
| YOLOv5n | 640 | 28.0 | - | 1.12 | 1.9 | 4.5 |
| YOLOv5s | 640 | 37.4 | - | 1.92 | 7.2 | 16.5 |
| YOLOv5m | 640 | 45.4 | - | 4.03 | 21.2 | 49.0 |
| YOLOv5l | 640 | 49.0 | - | 6.61 | 46.5 | 109.1 |
| YOLOv5x | 640 | 50.7 | - | 11.89 | 86.7 | 205.7 |
Анализ компромиссов#
RTDETRv2-x достигает пикового значения средней точности (mAP) 54,3%, что на 3,6 пункта выше, чем у YOLOv5x (50,7%). У YOLOv5x ниже задержка TensorRT (11,89 мс против 15,03 мс) и меньше FLOPs (205,7B против 259B), но больше параметров (86,7M против 76M). При сопоставимой задержке RTDETRv2 точнее: RTDETRv2-s достигает 48,1% за 5,03 мс, тогда как YOLOv5m — 45,4% за 4,03 мс. Для периферийных устройств с низким энергопотреблением YOLOv5n выполняет инференс за 1,12 мс и имеет 1,9M параметров; RTDETRv2 не предлагает модели такого размера.
Эффективность обучения и простота кода#
Одно из ключевых преимуществ экосистемы Ultralytics — единый API. Если для вычислительно сложной задачи ты выберешь архитектуру Transformer RT-DETR, её всё равно можно использовать в пакете Python Ultralytics и переключать модели, изменив всего одну строку кода.
from ultralytics import RTDETR, YOLO
# Загрузить небольшую модель Ultralytics YOLOv5
model_yolo = YOLO("yolov5su.pt") # YOLOv5u: веса YOLOv5 без якорей для пакета ultralytics
# Загрузить большую модель RT-DETR через Ultralytics
model_rtdetr = RTDETR("rtdetr-l.pt")
# Обучи YOLOv5 на собственных данных
model_yolo.train(data="coco8.yaml", epochs=100, imgsz=640)
# Запусти инференс с обеими моделями
results_yolo = model_yolo("https://ultralytics.com/images/bus.jpg")
results_rtdetr = model_rtdetr("https://ultralytics.com/images/bus.jpg")
results_yolo[0].show()Используя библиотеку Ultralytics, разработчики автоматически получают доступ к хорошо поддерживаемой экосистеме с интеграциями для отслеживания экспериментов, например Weights & Biases и Comet, а также экспортом в форматы развёртывания, такие как ONNX и OpenVINO, одной строкой.
Применение в реальном мире и подходящие сценарии использования#
В чём RTDETRv2 особенно хороша#
RTDETRv2 лучше всего подходит для сред, где оборудование не ограничивает возможности, а главная цель — точность.
- Медицинская визуализация на сервере: обнаружение незаметных аномалий на рентгеновских снимках высокого разрешения.
- Спутниковые снимки: отслеживание плотных скоплений перекрывающихся объектов в задачах воздушного наблюдения на мощных облачных кластерах.
В чём сильна YOLOv5#
YOLOv5 — практичный выбор для развёртывания в реальных условиях на разнообразном оборудовании.
- Периферийные устройства для ИИ: развёртывание систем охранной сигнализации на Raspberry Pi или устройствах NVIDIA Jetson с жёсткими ограничениями по памяти.
- Мобильные приложения: быстрый инференс в реальном времени для ограничивающих рамок и сегментации прямо на смартфонах через CoreML или LiteRT.
- Высокоскоростное промышленное производство: проверка деталей на скоростных производственных линиях, где задержка в миллисекунды критически важна для успешной работы.
YOLOv5 по-прежнему широко используется, но доступны и более новые модели Ultralytics. Если в 2026 году ты выбираешь модель для нового проекта, рассмотри Ultralytics YOLO26 — рекомендуемую модель. YOLO26 обеспечивает сквозную архитектуру без NMS благодаря дополнительной голове один-к-одному (nms=False), сочетая свойства Transformer со скоростью CNN, использует оптимизатор MuSGD для стабильного обучения, а YOLO26n выполняет инференс на CPU до 43% быстрее YOLO11n. Кроме того, YOLO11 остаётся хорошо поддерживаемым вариантом для универсального развёртывания, требующего оценки позы и обнаружения OBB.
В конечном счёте RTDETRv2 повышает планку точности с помощью слоёв Transformer, а система Ultralytics YOLO предлагает удачный баланс скорости, низких требований к памяти и удобства разработки, сокращая путь от прототипа до промышленной эксплуатации.
Комментарии
Задай вопрос, поделись результатами или помоги кому-нибудь.