RTDETRv2 против YOLOv5: техническое сравнение

В быстро развивающейся сфере обнаружения объектов выбор подходящей модели часто связан с поиском компромисса между архитектурной сложностью, скоростью вывода и практическим удобством использования. В данном руководстве приводится всестороннее техническое сравнение RTDETRv2, детектора реального времени на основе трансформатора от Baidu, и YOLOv5легендарной модели на основе CNN от Ultralytics , известной своей универсальностью и широким распространением.

Анализ производительности: скорость в сравнении с точностью

Фундаментальное различие между этими двумя моделями заключается в их архитектурной философии. RTDETRv2 использует подход Vision Transformer (ViT) для захвата глобального контекста, стремясь к максимальной точности в бенчмарках. В YOLOv5 , напротив, используется высокооптимизированная конволюционная нейронная сеть (CNN), в которой приоритетом является баланс скорости, эффективности и простоты развертывания на различных аппаратных средствах.

Приведенная ниже таблица иллюстрирует это различие. Хотя RTDETRv2 достигает высоких показателей mAP на наборе данныхCOCO , он требует значительно больше вычислительных ресурсов. YOLOv5, особенно в его небольших вариантах (Nano и Small), предлагает значительно более высокую скорость вычислений - особенно на центральных процессорах - и гораздо меньший объем памяти, что делает его практичным выбором для реальных приложений.

Модель	размер ^{(пиксели)}	mAP^val 50-95	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	73.6	1.12	2.6	7.7
YOLOv5s	640	37.4	120.7	1.92	9.1	24.0
YOLOv5m	640	45.4	233.9	4.03	25.1	64.2
YOLOv5l	640	49.0	408.4	6.61	53.2	135.0
YOLOv5x	640	50.7	763.2	11.89	97.2	246.4

Эффективность памяти

YOLOv5 требует значительно меньше памяти CUDA для обучения по сравнению с моделями на основе трансформаторов, такими как RTDETRv2. Такое снижение входного барьера позволяет разработчикам обучать пользовательские модели на стандартных потребительских GPU или даже в облачных средах, таких как Google Colab, не сталкиваясь с ошибками Out-Of-Memory (OOM).

RTDETRv2: Трансформер Челленджер

RTDETRv2 (Real-Time Detection Transformer v2) представляет собой попытку перенести преимущества точности трансформаторов в сценарии реального времени. Используя гибридную архитектуру, он пытается смягчить высокие вычислительные затраты, обычно связанные с трансформаторами зрения.

Авторы: Веню Лю, Иань Чжао, Циньяо Чанг, Куй Хуанг, Гуаньчжун Ван и И Лю
Организация: Baidu
Дата: 17.04.2023
Arxiv:2304.08069
GitHub:РепозиторийRT-DETR
Документы:Документация RTDETRv2

Архитектура и сильные стороны

RTDETRv2 сочетает в себе основу CNN для эффективного извлечения признаков с трансформаторным кодером-декодером. Такая конструкция позволяет модели использовать механизмы самовнимания для понимания глобальных связей между объектами, что может быть полезно в сложных сценах с окклюзией или скоплением людей. Главным достоинством модели является ее высокая точность в академических бенчмарках, где она часто превосходит модели на основе CNN аналогичного масштаба по чистому показателю mAP .

Слабые стороны

Несмотря на свою точность, RTDETRv2 сталкивается с проблемами универсальности и простоты использования. Архитектура трансформатора по своей сути тяжелая, что приводит к замедлению времени обучения и увеличению потребления памяти. Кроме того, его экосистема ориентирована в основном на исследования, и в ней отсутствуют обширные инструменты, поддержка развертывания и ресурсы сообщества, которые есть в более развитых фреймворках. Она также ограничена в основном обнаружением объектов, в то время как современные проекты часто требуют сегментации или классификации в рамках одного конвейера.

Узнайте больше о RTDETRv2

Ultralytics YOLOv5: универсальный стандарт

YOLOv5 считается одной из самых практичных и удобных моделей компьютерного зрения. Созданная компанией Ultralytics, она ориентирована на упрощенную работу по принципу "обучил, развернул и готово", что делает передовой ИИ доступным для всех - от любителей до корпоративных инженеров.

Авторы: Гленн Джокер
Организация:Ultralytics
Дата: 26.06.2020
GitHub:РепозиторийYOLOv5
Документация:Документация поYOLOv5

Почему YOLOv5 выделяется

YOLOv5 отличается целостным подходом к операциям машинного обучения (MLOps). Это не просто архитектура модели, а целая экосистема.

Простота использования: Благодаря простому API на Python и интерфейсу командной строки пользователи могут начать обучение на пользовательских данных за считанные минуты.
Баланс производительности: Семейство моделей (от Nano до X-Large) предлагает идеальный градиент скорости и точности, позволяя пользователям адаптировать свой выбор под конкретное оборудование, например, NVIDIA Jetson или Raspberry Pi.
Универсальность: В отличие от RTDETRv2, YOLOv5 поддерживает множество задач, включая классификацию изображений и сегментацию экземпляров, что уменьшает необходимость поддерживать отдельные кодовые базы для разных задач зрения.
Возможность экспорта: Ultralytics обеспечивает встроенную поддержку экспорта в ONNX, TensorRT, CoreML и TFLite, что обеспечивает возможность развертывания моделей в любом месте, от мобильных приложений до облачных серверов.

Узнайте больше о YOLOv5

Пример использования

YOLOv5 создан для простоты. Ниже приведен пример загрузки предварительно обученной модели и проведения расчетов с помощью PyTorch Hub, демонстрирующий интуитивно понятный API, которым славится Ultralytics .

import torch

# Load the YOLOv5s model from PyTorch Hub
model = torch.hub.load("ultralytics/yolov5", "yolov5s")

# Define an image URL
img = "https://ultralytics.com/images/zidane.jpg"

# Perform inference
results = model(img)

# Print results to the console
results.print()

# Show the image with bounding boxes
results.show()

Сравнение обучения и экосистемы

Опыт разработчиков часто имеет такое же значение, как и производительность модели. Здесь различия разительны.

Эффективность обучения

В YOLOv5 используются детекторы на основе якорей, обучение которых не требует больших вычислительных затрат. Фреймворк Ultralytics включает в себя "пакет бесплатных возможностей", таких как увеличение мозаики и автоэволюция якорей, которые помогают моделям быстрее сходиться и лучше обобщать при меньшем количестве данных. Напротив, обучение RTDETRv2 более ресурсоемко из-за квадратичной сложности слоев внимания трансформатора, что часто требует высокопроизводительных графических процессоров с большим объемом VRAM.

Поддержка экосистемы

ЭкосистемаUltralytics обеспечивает явное преимущество. Пользователи получают следующие преимущества:

Активное развитие: Частые обновления обеспечивают совместимость с последними версиями PyTorch и CUDA.
Поддержка сообщества: Массовое сообщество на GitHub и Discord помогает быстро устранять неполадки.
Интегрированные инструменты: Бесшовная интеграция с такими инструментами, как Ultralytics HUB, позволяет без кода обучать модели, управлять наборами данных и развертывать их одним щелчком мыши.

RTDETRv2, хотя и впечатляет технически, не имеет такого уровня сопутствующей инфраструктуры, что делает его более сложным для интеграции в производственные конвейеры.

Идеальные варианты использования

Выбор подходящей модели зависит от ваших конкретных ограничений и целей.

Когда следует выбирать RTDETRv2

Академические исследования: Если ваша цель - достичь передовых показателей mAP на таких наборах данных, как COCO , и у вас есть доступ к флагманским графическим процессорам (например, A100).
Сложный контекст: В сценариях, где понимание взаимосвязи между удаленными объектами более важно, чем скорость вывода или стоимость оборудования.

Когда выбирать YOLOv5

Граничное развертывание: Для приложений в мобильных устройствах, беспилотниках и встраиваемых системах, где скорость CPU и энергоэффективность имеют первостепенное значение.
Производство в режиме реального времени: Питание систем охранной сигнализации или мониторинга трафика, где низкая задержка не является обязательным условием.
Быстрая разработка: Стартапы и корпоративные команды, которым необходимо быстро выполнять итерации, начиная со сбора данных и заканчивая развернутой моделью, найдут в YOLOv5 значительно более быстрый рабочий процесс.
Многозадачные требования: Проекты, в которых требуется и обнаружение, и сегментация, могут использовать один фреймворк, что упрощает технологический стек.

Ищете новейшие технологии?

Хотя YOLOv5 остается мощным инструментом, разработчикам, которым нужны самые последние достижения в области производительности и архитектуры, стоит обратить внимание на YOLO11. YOLO11 опирается на наследие YOLOv5, предлагая еще более высокую точность, более высокую скорость и расширенные возможности, такие как оценка позы и ориентированное обнаружение объектов (OBB).

Заключение

И RTDETRv2, и YOLOv5 являются грозными инструментами в арсенале инженера по компьютерному зрению. RTDETRv2 демонстрирует потенциал трансформаторов для высокоточного обнаружения, что делает его сильным соперником для приложений с большим количеством вычислительных ресурсов.

Однако для подавляющего большинства практических, реальных развертываний, Ultralytics YOLOv5 остается лучшим выбором. Непревзойденная простота использования, зрелость экосистемы и универсальность делают его лучшим решением для разработчиков, которым нужны надежные и высокоскоростные результаты. Вне зависимости от того, развертываете ли вы облако или периферию, эффективность и поддержка, предоставляемые Ultralytics , обеспечивают более плавный путь от концепции до производства.

Изучите другие сравнения моделей

Чтобы помочь вам принять наиболее обоснованное решение, изучите, как эти модели сравниваются с другими архитектурами в этой области: