RTDETRv2 против YOLOX: углубленный технический анализ современных детекторов объектов

Сфера компьютерного зрения стремительно развивается, предлагая разработчикам и исследователям широкий выбор архитектур для создания систем на базе визуальных данных. Двумя важными вехами на этом пути стали архитектура на основе трансформеров RTDETRv2 и CNN-архитектура YOLOX. Хотя обе модели внесли значительный вклад в область детектирования объектов в реальном времени, они представляют собой принципиально разные подходы к решению задач визуального распознавания.

Это подробное руководство исследует архитектурные нюансы, показатели производительности и идеальные сценарии развертывания для обеих моделей. Кроме того, мы рассмотрим, как современные альтернативы, такие как передовая Ultralytics YOLO26, опираются на эти наработки для достижения превосходной точности, эффективности и простоты использования.

RTDETRv2: Трансформеры для обнаружения в реальном времени

Представленная как преемник оригинального RT-DETR, модель RTDETRv2 использует архитектуру трансформеров для достижения высокопроизводительного детектирования объектов в реальном времени. Исключив необходимость в NMS, она упрощает конвейер логического вывода.

• Авторы: Wenyu Lv, Yian Zhao, Qinyao Chang, Kui Huang, Guanzhong Wang и Yi Liu
• Организация: Baidu
• Дата: 2024-07-24
• Ссылки: Статья на Arxiv, Официальный GitHub, Документация

Архитектура и дизайн

RTDETRv2 в значительной степени полагается на механизмы self-attention, присущие трансформерам, что позволяет модели захватывать глобальный контекст всего изображения. Такое целостное понимание дает ей возможность напрямую предсказывать BBox и вероятности классов. Она внедряет многомасштабные признаки обнаружения, которые улучшают способность распознавать небольшие объекты в загроможденных сценах.

Сильные и слабые стороны

Основная сила RTDETRv2 заключается в ее естественном сквозном дизайне. Избегая NMS, она предотвращает скачки задержки, часто связанные с плотными перекрывающимися предсказаниями. Однако высокая вычислительная нагрузка блоков трансформеров означает, что для обучения и развертывания требуются значительные ресурсы GPU. Это делает модель менее подходящей для устройств на периферии с ограниченными ресурсами или устаревшего мобильного оборудования.

Узнай больше о RTDETRv2

YOLOX: развитие CNN без использования анкоров

Разработанная для сокращения разрыва между академическими исследованиями и промышленным применением, YOLOX представила разделенную голову (decoupled head) и дизайн без использования анкоров для популярного семейства моделей YOLO.

• Авторы: Чжэн Гэ, Сун Тао Лю, Фэн Ван, Земин Ли и Цзянь Сунь
• Организация: Megvii
• Дата: 18 июля 2021 г.
• Ссылки: Статья на Arxiv, Официальный GitHub, Документация

Архитектура и дизайн

YOLOX знаменует собой отход от традиционных детекторов, основанных на анкорах, за счет прямого предсказания местоположения объектов без предопределенных anchor boxes. Это упрощает дизайн сети и снижает количество эвристических параметров настройки, необходимых для оптимальной производительности. Кроме того, YOLOX использует разделенную голову, отделяя задачи классификации и регрессии, что повышает скорость сходимости во время обучения.

Сильные и слабые стороны

Отсутствие анкоров делает YOLOX легко адаптируемой к различным задачам компьютерного зрения и более простой для обучения на пользовательских наборах данных. Ее облегченные варианты, такие как YOLOX-Nano, хорошо подходят для развертывания на микроконтроллерах и IoT-устройствах с низким энергопотреблением. Однако, поскольку YOLOX появилась до революции NMS-free, она все еще полагается на традиционную постобработку, что может привести к сложностям при развертывании и повышенной задержке в сценах с высокой плотностью объектов.

Узнай больше о YOLOX

Сравнение производительности и метрик

При сравнении этих моделей оценка их скорости, точности и эффективности параметров имеет решающее значение для определения того, какая из них лучше всего подходит для твоего конкретного случая использования. В таблице ниже представлена производительность моделей различных размеров на стандартном наборе данных COCO.

Как видно из данных, RTDETRv2 достигает более высокой максимальной точности (54.3 mAP) в своем самом большом варианте по сравнению с YOLOXx. Однако YOLOX предлагает значительно меньшие и более быстрые варианты, такие как YOLOXs, которые обладают меньшим количеством параметров и более высокой скоростью вывода на GPU NVIDIA T4.

Преимущество Ultralytics: знакомство с YOLO26

Хотя RTDETRv2 и YOLOX обладают уникальными преимуществами, современным разработчикам часто требуется унифицированное решение, объединяющее лучшее из обоих миров — высокую точность, невероятно быстрый вывод и доступную экосистему. Недавно выпущенная Ultralytics YOLO26 представляет собой вершину этой эволюции.

Ключевые инновации YOLO26

• Сквозной NMS-free дизайн: Развивая концепции, впервые предложенные в YOLOv10, YOLO26 работает без NMS. Это обеспечивает бесшовный вывод, как у RTDETRv2, но без огромных требований трансформеров к памяти.
• Оптимизатор MuSGD: Вдохновленный инновациями в обучении больших языковых моделей, гибридный оптимизатор MuSGD (сочетающий SGD и Muon) стабилизирует процесс обучения и значительно ускоряет сходимость.
• До 43% более быстрый вывод на CPU: Стратегически удалив модуль Distribution Focal Loss (DFL), YOLO26 специально оптимизирована для периферийных вычислений и устройств с низким энергопотреблением, что делает ее существенно быстрее на CPU по сравнению с предыдущими итерациями, такими как YOLO11.
• ProgLoss + STAL: Эти передовые функции потерь обеспечивают заметные улучшения в распознавании мелких объектов, решая общую проблему в аэрофотосъемке и робототехнических приложениях.

Непревзойденная универсальность и экосистема

Помимо базовой производительности, Ultralytics Platform предлагает комплексную экосистему для перехода от идеи до производства. В отличие от статических академических репозиториев, модели Ultralytics активно поддерживаются и легко справляются с несколькими задачами с помощью единого интуитивно понятного API. Независимо от того, выполняешь ли ты сегментацию экземпляров, отслеживаешь позы с помощью оценки поз или работаешь с повернутыми объектами через ориентированные ограничивающие рамки (OBB), рабочий процесс остается идентичным.

Кроме того, модели Ultralytics славятся низкими требованиями к памяти как во время обучения, так и при выводе, что позволяет запускать большие размеры пакетов (batch sizes) на потребительском оборудовании — это резкий контраст с тяжелыми архитектурами на основе трансформеров.

Пример кода для обучения

Сила экосистемы Ultralytics лучше всего проявляется в ее простоте. Для обучения современной модели YOLO26 требуется всего несколько строк кода, что полностью скрывает сложности загрузки данных и настройки гиперпараметров.

from ultralytics import YOLO

# Initialize the natively NMS-free YOLO26 Nano model
model = YOLO("yolo26n.pt")

# Train the model on the standard COCO8 dataset
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, batch=16)

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

# Export to ONNX or TensorRT for rapid deployment
model.export(format="engine", device=0)

Реальные приложения и идеальные сценарии использования

Выбор подходящей архитектуры полностью зависит от твоих ограничений при развертывании и доступности оборудования.

Высококачественная облачная обработка

Если твое приложение работает на высокопроизводительных серверных GPU и приоритетом является максимальная точность — например, при анализе сцен с большой плотностью людей или обработке медицинских изображений высокого разрешения, — надежные механизмы внимания RTDETRv2 могут быть весьма эффективны.

Развертывание на устаревшем граничном оборудовании

Для развертывания на старых мобильных телефонах или микроконтроллерах с жесткими ограничениями, где минимальное количество FLOPs является строгой необходимостью, ультралегкая YOLOX-Nano по-прежнему служит жизнеспособным вариантом благодаря своей простой CNN-архитектуре.

Современный стандарт: AIoT и робототехника

Для подавляющего большинства современных вариантов использования — от инфраструктуры умных городов и розничной аналитики до автономной навигации — Ultralytics YOLO26 является окончательным выбором. Ее на 43% более быстрый вывод на CPU делает ее непревзойденной для периферийных вычислений, а NMS-free дизайн гарантирует низкую и стабильную задержку. В сочетании с исчерпывающей документацией и активной поддержкой сообщества экосистемы Ultralytics, это позволяет командам быстрее, чем когда-либо, переходить от разметки данных к глобальному развертыванию.

Разработчикам, желающим изучить другие архитектуры в экосистеме Ultralytics, можно также рассмотреть YOLOv8 для глубоко интегрированных решений сообщества или YOLOv5 для непревзойденной стабильности в унаследованных конвейерах. Однако для расширения границ возможного в 2026 году YOLO26 остается отраслевым стандартом.