Начать

RTDETRv2 и YOLOv7

В последние годы компьютерное зрение быстро развивалось благодаря прогрессу как в свёрточных нейронных сетях (CNN), так и в визуальных Transformer (ViT). Для выбора архитектуры под развёртывание нужно понимать компромиссы между скоростью, точностью и вычислительными затратами. В этом руководстве сравниваются технические различия двух известных архитектур — RTDETRv2 и YOLOv7 — и рассматривается более новая модель Ultralytics YOLO26.

RTDETRv2: подход Transformer к обнаружению объектов в реальном времени#

RTDETRv2 (Real-Time Detection Transformer, версия 2) развивает предшественницу и демонстрирует, что архитектуры на основе Transformer могут конкурировать в сценариях реального времени без традиционных этапов постобработки.

Основные особенности архитектуры#

RTDETRv2 использует гибридный энкодер и декодер Transformer. Механизм self-attention позволяет модели обрабатывать всё изображение целиком и улавливать пространственные связи, которые не замечают строго локальные свёрточные ядра. Её отличительная особенность — встроенная архитектура без NMS. Устраняя подавление немаксимумов (NMS), RTDETRv2 убирает распространённое узкое место, вызывающее нестабильную задержку инференса при развёртывании.

Сильные стороны и ограничения#

Главное преимущество RTDETRv2 — способность обрабатывать плотное расположение перекрывающихся объектов в сложных сценах. Глобальный контекст, обеспечиваемый слоями внимания Transformer, повышает точность, особенно в сценариях с частыми перекрытиями.

Однако за это приходится платить вычислительными ресурсами. Для обучения и инференса моделей Transformer обычно требуется больше памяти, чем для CNN. Это ограничивает размер пакета на потребительских GPU и может удлинять циклы итераций для разработчиков, настраивающих пользовательские датасеты.

Узнай больше о RTDETRv2

YOLOv7: базовая CNN-модель для высокой скорости#

Выпущенная за два года до RTDETRv2, YOLOv7 внесла несколько структурных улучшений в классическую архитектуру YOLO и на момент публикации задала высокую планку для детекторов на основе CNN, работающих в реальном времени.

Основные особенности архитектуры#

Архитектура YOLOv7 построена на концепции сети расширенной эффективной агрегации слоёв (E-ELAN). Этот подход оптимизирует путь градиента, позволяя модели эффективнее обучаться без значительного увеличения вычислительной сложности. Авторы также представили «обучаемый набор бесплатных улучшений» — набор методов, повышающих точность модели во время обучения без увеличения затрат на инференс.

Сильные стороны и ограничения#

YOLOv7 остаётся эффективной моделью для стандартных задач обнаружения объектов и быстро обрабатывает данные на потребительских GPU. Будучи CNN, она обычно требует меньше памяти CUDA во время обучения, чем модели на основе Transformer, например RTDETRv2.

Несмотря на эти преимущества, YOLOv7 по-прежнему использует NMS для постобработки. В условиях высокой плотности предсказаний этап NMS может вызывать колебания времени обработки, затрудняя строгую гарантию работы в реальном времени. Кроме того, YOLOv7 выполняет такие задачи, как сегментация экземпляров и оценка позы, в отдельных ветках кода, а не в единой системе.

Узнай больше о YOLOv7

Сравнение производительности#

В таблице ниже сравниваются средняя точность (mAP), количество параметров и скорость инференса на валидационном наборе COCO.

Модельразмер
(пиксели)
mAPval50-95Скорость
CPU ONNX
(мс)
Скорость
T4 TensorRT10
(мс)
параметры
(M)
FLOPs
(B)
RTDETRv2-s64048.1-5.032060
RTDETRv2-m64051.9-7.5136100
RTDETRv2-l64053.4-9.7642136
RTDETRv2-x64054.3-15.0376259
YOLOv7l64051.4-6.8436.9104.7
YOLOv7x64053.1-11.5771.3189.9
Анализ производительности

RTDETRv2-x достигает наибольшего значения mAP (54,3), но также имеет наибольшее количество параметров и FLOPs. YOLOv7l (51,4 mAP, 6,84 мс) немного быстрее RTDETRv2-m (51,9 mAP, 7,51 мс), тогда как RTDETRv2-l (53,4 mAP, 9,76 мс) и точнее, и быстрее YOLOv7x (53,1 mAP, 11,57 мс). Скорость обеих моделей на CPU здесь не указана, поэтому пользователям, нацеленным на устройства с низким энергопотреблением без выделенных GPU, стоит самостоятельно провести бенчмарк инференса на CPU.

Современное решение: встречай YOLO26#

RTDETRv2 и YOLOv7 продвинули приложения компьютерного зрения, и развитие этой области продолжается. Выпущенная в январе 2026 года YOLO26 сочетает эффективность CNN с возможностью инференса без NMS, как у детекторов на основе Transformer.

Для разработчиков и исследователей, создающих новые системы, интегрированные Ultralytics Platform и экосистема Python предоставляют единый рабочий процесс, сокращающий затраты на интеграцию и поддержку.

Основные нововведения YOLO26#

  • Сквозная архитектура без NMS: YOLO26 поддерживает нативный сквозной инференс и пропускает постобработку NMS благодаря дополнительной голове один-к-одному (nms=False), что упрощает и ускоряет развёртывание. Этот подход, впервые представленный в YOLOv10, обеспечивает стабильную задержку независимо от плотности объектов.
  • Инференс на CPU до 43% быстрее: YOLO26n работает на CPU до 43% быстрее YOLO11n, что подходит для периферийных вычислений и устройств без GPU, на которых более тяжёлые модели Transformer сложнее развернуть.
  • Оптимизатор MuSGD: гибрид SGD и Muon, созданный под влиянием Kimi K2 от Moonshot AI, переносит методы обучения больших языковых моделей (LLM) в компьютерное зрение, обеспечивая более стабильное обучение и быструю сходимость.
  • Удаление DFL: Distribution Focal Loss удалена, что упрощает вычислительный граф и обеспечивает более удобный экспорт во встроенные NPU и среды TensorRT.
  • ProgLoss + STAL: прогрессивная функция потерь и назначение меток с учётом малых объектов (STAL) улучшают распознавание небольших объектов, что особенно важно для робототехники, IoT и анализа аэрофотоснимков.
  • Улучшения для отдельных задач: YOLO26 предназначена не только для обнаружения объектов. В ней предусмотрены многомасштабные прототипы для сегментации, оценка остаточного логарифмического правдоподобия (RLE) для оценки позы и специализированная функция потерь угла, устраняющая проблемы границ ориентированных ограничивающих рамок (OBB).

Упрощённая работа разработчика#

Одно из ключевых преимуществ моделей Ultralytics, таких как YOLO26 (или широко используемая YOLO11), — хорошо поддерживаемая экосистема. Для обучения на пользовательском датасете достаточно нескольких строк кода:

from ultralytics import YOLO

# Инициализируй модель YOLO26
model = YOLO("yolo26s.pt")

# Обучи модель на датасете COCO8
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Экспортируй модель для развертывания на периферийных устройствах
model.export(format="onnx", dynamic=True)

Оптимальные сценарии применения#

Выбор между этими архитектурами зависит от целевого оборудования и конкретных эксплуатационных требований.

Когда стоит выбрать RTDETRv2#

RTDETRv2 эффективна в средах серверной обработки, оснащённых мощными GPU. Механизм глобального внимания делает её подходящей для сложного понимания сцен, например мониторинга массовых мероприятий с большим скоплением людей или специализированной медицинской визуализации, где перекрывающиеся признаки требуют глубокого контекстного анализа.

Когда стоит выбрать YOLOv7#

YOLOv7 часто используют в устаревших академических исследованиях как базовую модель для сравнения. Её также можно встретить в старых промышленных системах, где существующие конвейеры жёстко привязаны к определённым версиям PyTorch и не требуют поддержки нескольких задач, доступной в новых платформах.

Для современной инфраструктуры умных городов, навигации дронов и высокоскоростного производства YOLO26 предлагает удачный баланс скорости и точности. Благодаря низким требованиям к памяти настройка гиперпараметров и обучение доступны на потребительском оборудовании, а инференс без NMS и оптимизация для CPU подходят для ограниченных периферийных устройств, таких как Raspberry Pi или NVIDIA Jetson.

Другие сравнения

Хочешь узнать, как эти модели выглядят на фоне других архитектур? Ознакомься с подробными руководствами YOLO11 и RT-DETR и YOLOv8 и YOLOv7, чтобы подобрать подходящий вариант для своего проекта в области компьютерного зрения.

Участники

Комментарии

Задай вопрос, поделись результатами или помоги кому-нибудь.