RTDETRv2 против YOLOv6-3.0#

Ландшафт компьютерного зрения постоянно развивается, предлагая разработчикам огромное количество архитектурных решений для обнаружения объектов. Две выдающиеся модели, представляющие различные подходы, — это RTDETRv2, современный vision transformer, и YOLOv6-3.0, высокооптимизированная сверточная нейронная сеть (CNN), адаптированная для промышленных задач.

Это всестороннее техническое сравнение исследует их соответствующие архитектуры, показатели производительности и идеальные сценарии развертывания. Мы также рассмотрим, как более широкая экосистема Ultralytics обеспечивает превосходный опыт для разработчиков, заглядывая в конечном итоге в возможности нового поколения Ultralytics YOLO26.

RTDETRv2: подход на базе Vision Transformer#

Разработанный исследователями из Baidu, RTDETRv2 опирается на фундамент оригинального RT-DETR, представляя собой значительный шаг вперед в обнаружении объектов на базе Transformer.

• Авторы: Вэньюй Лю, Иань Чжао, Циньяо Чанг, Куй Хуан, Гуаньчжун Ван и И Лю
• Организация: Baidu
• Дата: 2024-07-24
• Arxiv: 2407.17140
• GitHub: lyuwenyu/RT-DETR
• Документация: RTDETRv2 GitHub README

Архитектурные особенности#

RTDETRv2 использует гибридную архитектуру, которая сочетает в себе CNN-экстрактор признаков и мощный декодер трансформера. Самая характерная черта этой модели — её дизайн, изначально не требующий NMS. Исключая Non-Maximum Suppression (NMS) из этапа постобработки, модель предсказывает ограничивающие рамки напрямую, что упрощает развертывание и стабилизирует задержку вывода.

«Набор бесплатных улучшений» (Bag-of-Freebies), встроенный в RTDETRv2, повышает её способность работать со сложными сценами и перекрывающимися объектами, поскольку механизмы глобального внимания лучше понимают пространственные взаимосвязи, чем локализованные свертки.

Узнай больше о RTDETR

YOLOv6-3.0: Максимизация промышленной пропускной способности#

Созданная в отделе Vision AI компании Meituan, YOLOv6-3.0 была специально спроектирована как детектор нового поколения для промышленных конвейеров, где пропускная способность GPU имеет первостепенное значение.

• Авторы: Chuyi Li, Lulu Li, Yifei Geng, Hongliang Jiang, Meng Cheng, Bo Zhang, Zaidan Ke, Xiaoming Xu и Xiangxiang Chu
• Организация: Meituan
• Дата: 2023-01-13
• Arxiv: 2301.05586
• GitHub: meituan/YOLOv6

Архитектурный фокус#

YOLOv6-3.0 опирается на бэкенд EfficientRep, тщательно разработанный для минимизации затрат на доступ к памяти на аппаратных ускорителях, таких как GPU NVIDIA. Архитектура шейки включает модуль двунаправленной конкатенации (BiC) для улучшения объединения признаков на различных масштабах.

Во время обучения используется стратегия Anchor-Aided Training (AAT), чтобы извлечь выгоду из парадигм на основе якорей (anchors), сохраняя при этом режим вывода без якорей (anchor-free) для более быстрого выполнения. Хотя она достигает исключительной пропускной способности на серверных GPU (например, T4, A100), её специализированная архитектура может приводить к субоптимальной задержке при развертывании на граничных устройствах (edge devices) только с CPU.

Узнай больше о YOLOv6

Сравнение производительности#

При оценке моделей для продакшена критически важно сбалансировать точность (mAP) со скоростью вывода и вычислительными затратами (FLOPs). Таблица ниже иллюстрирует, как эти модели соотносятся друг с другом.

В то время как YOLOv6-3.0 доминирует по чистой скорости обработки на TensorRT, RTDETRv2 демонстрирует более высокие показатели mAP, в частности, лучше масштабируясь с более крупными вариантами моделей. Тем не менее, обоим моделям не хватает широкой универсальности, присущей современным унифицированным фреймворкам. YOLOv6-3.0 — это в первую очередь специалист по детекции, в котором из коробки отсутствует нативная поддержка таких задач, как сегментация экземпляров и оценка позы.

Сценарии использования и рекомендации#

Выбор между RT-DETR и YOLOv6 зависит от требований твоего конкретного проекта, ограничений развертывания и предпочтений в экосистеме.

Когда выбирать RT-DETR#

RT-DETR — отличный выбор для:

• Исследований детектирования на основе Transformer: проектов, изучающих механизмы внимания и архитектуры трансформеров для end-to-end детектирования объектов без NMS.
• Сценариев с высокой точностью и гибкой задержкой: приложений, где точность детектирования является главным приоритетом, а немного большая задержка вывода допустима.
• Детектирования крупных объектов: сцен преимущественно со средними и крупными объектами, где глобальный механизм внимания трансформеров дает естественное преимущество.

Когда выбирать YOLOv6#

YOLOv6 рекомендуется для:

• Промышленного внедрения с учетом оборудования: сценарии, где аппаратная ориентированность модели и эффективная репараметризация обеспечивают оптимизированную производительность на конкретном целевом оборудовании.
• Быстрого одноэтапного обнаружения: приложения, где приоритетом является чистая скорость вывода на GPU для обработки видео в реальном времени в контролируемых условиях.
• Интеграция с экосистемой Meituan: Команды, уже работающие в стеке технологий и инфраструктуре развертывания Meituan's.

Когда выбирать Ultralytics (YOLO26)#

Для большинства новых проектов Ultralytics YOLO26 предлагает наилучшее сочетание производительности и удобства для разработчика:

• Развертывания на периферии без NMS: приложений, требующих стабильного вывода с низкой задержкой без сложности постобработки подавления немаксимумов.
• Среды только с CPU: устройств без выделенного GPU-ускорения, где до 43% более быстрый вывод на CPU у YOLO26 дает решающее преимущество.
• Обнаружение малых объектов: Сложные сценарии, такие как aerial drone imagery или анализ с помощью IoT-сенсоров, где ProgLoss и STAL значительно повышают точность для крошечных объектов.

Преимущество Ultralytics#

Выбор подходящей модели включает в себя нечто большее, чем просто «сырые» цифры бенчмарков; опыт разработчика, гибкость развертывания и поддержка экосистемы не менее важны. Используя модели, интегрированные в платформу Ultralytics, ты получаешь значительные преимущества по сравнению со статичными исследовательскими репозиториями.

• Простота использования: Пакет Python ultralytics предлагает бесшовный API. Обучение, валидация и экспорт моделей занимают всего несколько строк кода.
• Хорошо поддерживаемая экосистема: В отличие от изолированных академических репозиториев, платформа Ultralytics активно обновляется. Она может похвастаться надежными интеграциями для таких инструментов, как ONNX, OpenVINO и CoreML.
• Эффективность обучения: Модели Ultralytics обычно потребляют значительно меньше VRAM во время обучения по сравнению с архитектурами трансформеров, такими как RTDETRv2, что позволяет использовать большие размеры пакетов на оборудовании потребительского уровня.
• Универсальность: В отличие от узкой направленности YOLOv6-3.0, модели Ultralytics являются многомодальными и нативно поддерживают классификацию изображений, ориентированные ограничивающие рамки (OBB) и сегментацию в рамках единого унифицированного фреймворка.

Встречай YOLO26: идеальное решение#

Хотя RTDETRv2 и YOLOv6-3.0 предлагают определенные преимущества, сфера развивается стремительно. Командам, начинающим новые проекты в области компьютерного зрения, мы настоятельно рекомендуем YOLO26, выпущенную Ultralytics в январе 2026 года.

YOLO26 синтезирует сильные стороны промышленных CNN и современных трансформеров, устраняя их соответствующие недостатки:

• Конструкция без NMS от конца до конца: Переняв прорывное решение, впервые представленное в YOLOv10, YOLO26 нативно исключает постобработку NMS, обеспечивая стабильное и предсказуемое развертывание, похожее на RTDETRv2, но с гораздо меньшими накладными расходами.
• Оптимизатор MuSGD: Вдохновленный передовыми методами обучения LLM (такими как Kimi K2 от Moonshot AI), этот гибридный оптимизатор обеспечивает стабильное обучение и более быструю сходимость, преодолевая печально известную нестабильность традиционных vision трансформеров.
• Оптимизировано для Edge: Благодаря увеличению скорости вывода на CPU до 43% по сравнению с предыдущими поколениями и стратегическому удалению Distribution Focal Loss (DFL), YOLO26 идеально подходит для мобильных и IoT-устройств, где недоступно ускорение на GPU.
• ProgLoss + STAL: Эти передовые функции потерь дают заметные улучшения в распознавании мелких объектов, что исторически было сложной задачей для CNN, делая YOLO26 идеальным выбором для аэрофотосъемки и робототехники.

Пример обучения#

Интуитивно понятный API Ultralytics позволяет легко обучать передовые модели. Ниже приведен запускаемый пример, демонстрирующий, как обучить модель YOLO26 Nano на датасете COCO8:

from ultralytics import YOLO

# Load the newly released YOLO26 Nano model
model = YOLO("yolo26n.pt")

# Train the model on the COCO8 dataset for 50 epochs
# The Ultralytics engine handles data caching and augmentation automatically
train_results = model.train(data="coco8.yaml", epochs=50, imgsz=640)

# Validate the model's performance
metrics = model.val()
print(f"Validation mAP50-95: {metrics.box.map}")

# Export the trained model to ONNX format for production
model.export(format="onnx")

Резюме#

При сравнении RTDETRv2 и YOLOv6-3.0 решение во многом зависит от твоего конкретного оборудования и ограничений по задержке. RTDETRv2 отлично работает в исследовательских средах и серверной обработке, где критически важно справляться со сложными перекрывающимися объектами. YOLOv6-3.0 остается надежным выбором для высокопроизводительных производственных линий, оснащенных мощными GPU NVIDIA.

Однако для разработчиков, ищущих лучшее из обоих миров — сочетающих изящество без NMS на базе transformers с ослепительной скоростью и низким потреблением памяти CNN, — YOLO26 не имеет равных. Подкрепленная исчерпывающей документацией и активным сообществом экосистемы Ultralytics, YOLO26 гарантирует, что ваши проекты в области визуального ИИ будут надежными, масштабируемыми и ориентированными на будущее.