YOLOv10 и RTDETRv2#
Сфера компьютерного зрения развивается стремительно: новые архитектуры постоянно устанавливают новые стандарты детекции объектов в реальном времени. Среди важных этапов этого развития — YOLOv10 и RTDETRv2. Обе модели устраняют узкое место традиционных конвейеров детекции, избавляя от необходимости постобработки с подавлением немаксимумов (NMS), но решают эту задачу с помощью совершенно разных архитектурных подходов.
В этом техническом сравнении подробно анализируются архитектуры, методики обучения и оптимальные сценарии развертывания, чтобы разработчики и исследователи могли выбрать подходящий инструмент для следующего проекта в области ИИ для компьютерного зрения.
YOLOv10: первопроходец в области моделей без NMS#
Разработанная исследователями Университета Цинхуа, YOLOv10 ориентирована на эффективность архитектуры и устранение узких мест постобработки. Благодаря согласованному двойному назначению при обучении без NMS она обеспечивает конкурентоспособную производительность и существенно снижает задержку инференса.
Технические характеристики#
- Авторы: Ao Wang, Hui Chen, Lihao Liu и др.
- Организация: Университет Цинхуа
- Дата: 2024-05-23
- ArXiv: Статья о YOLOv10
- GitHub: THU-MIG/yolov10
- Документация: Документация YOLOv10
Архитектура и методики#
Главный прорыв YOLOv10 — комплексный дизайн модели, ориентированный на эффективность и точность. Оптимизация различных компонентов с учетом обоих показателей значительно сокращает вычислительные затраты. Стратегия согласованного двойного назначения позволяет обучать модель без использования NMS, что упрощает конвейер сквозного развертывания. Это особенно полезно при экспорте моделей в форматы для периферийных устройств, такие как ONNX и TensorRT, где операции постобработки могут вызывать непредвиденные задержки.
Преимущества и недостатки#
Модель обеспечивает исключительный баланс скорости и точности, особенно в компактных вариантах (N и S). Минимальная задержка делает ее оптимальным выбором для высокоскоростных периферийных систем. Однако, несмотря на высокую скорость детекции, YOLOv10 остается специализированной моделью только для детекции. Командам, которым нужна сегментация экземпляров или оценка позы, стоит обратить внимание на более универсальные фреймворки.
RTDETRv2: усовершенствование Transformer для детекции#
Созданная на основе исходного Transformer для детекции объектов в реальном времени, RTDETRv2 использует набор дополнительных приемов ("bag of freebies") для улучшения базовой модели и демонстрирует, что Transformer может конкурировать с CNN в сценариях реального времени.
Технические характеристики#
- Авторы: Wenyu Lv, Yian Zhao, Qinyao Chang, Kui Huang, Guanzhong Wang и Yi Liu
- Организация: Baidu
- Дата: 2024-07-24
- ArXiv: Статья о RTDETRv2
- GitHub: lyuwenyu/RT-DETR
- Документация: README RTDETRv2
Архитектура и методики#
RTDETRv2 использует гибридную архитектуру, объединяющую бэкбон сверточной нейронной сети (CNN) для извлечения визуальных признаков с кодировщиком-декодировщиком Transformer для комплексного понимания сцены. Механизм self-attention Transformer позволяет модели анализировать изображение целиком, благодаря чему она эффективно обрабатывает сложные сцены, перекрывающиеся объекты и плотные скопления людей.
Преимущества и недостатки#
Архитектура Transformer обеспечивает отличную точность, особенно при большем числе параметров, и изначально выдает окончательные детекции без NMS. Однако за это приходится платить. Для обучения моделей Transformer традиционно требуется значительно больше памяти CUDA, а сходятся они медленнее, чем чистые CNN-архитектуры. Хотя RTDETRv2 обеспечивает более высокую скорость инференса, обычно он потребляет больше памяти, чем компактные варианты YOLO.
Сравнение производительности#
Оценка метрик производительности позволяет яснее понять сильные стороны каждой модели. В следующей таблице показаны их возможности на наборе данных COCO:
| Модель | размер (пиксели) | mAPval 50-95 | Скорость CPU ONNX (мс) | Скорость T4 TensorRT10 (мс) | параметры (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv10n | 640 | 38.5 | - | 1.84 | 2.3 | 6.7 |
| YOLOv10s | 640 | 46.3 | - | 2.49 | 7.2 | 21.6 |
| YOLOv10m | 640 | 51.1 | - | 4.74 | 15.4 | 59.1 |
| YOLOv10b | 640 | 52.5 | - | 5.74 | 19.1 | 92.0 |
| YOLOv10l | 640 | 53.2 | - | 7.28 | 24.4 | 120.3 |
| YOLOv10x | 640 | 54.4 | - | 10.70 | 29.5 | 160.4 |
| 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 |
При анализе данных видно, что YOLOv10 сохраняет явное преимущество по эффективности использования параметров и скорости инференса TensorRT при сравнении моделей сопоставимого размера. RTDETRv2-x не уступает YOLOv10x по точности, но требует более чем в 2.5 раза больше параметров (76M против 29.5M) и значительно больше FLOPs.
Сценарии использования и рекомендации#
Выбор между YOLOv10 и RT-DETR зависит от конкретных требований твоего проекта, ограничений развертывания и предпочтений в отношении экосистемы.
Когда выбирать YOLOv10#
YOLOv10 — хороший выбор для:
- Детектирование в реальном времени без NMS: Приложения, которым полезно сквозное детектирование без подавления немаксимумов, что упрощает развертывание.
- Сбалансированное соотношение скорости и точности: Проекты, в которых важно найти оптимальный баланс между скоростью инференса и точностью детектирования для моделей разных размеров.
- Приложения с постоянной задержкой: Сценарии развертывания, где важны предсказуемые времена инференса, например в робототехнике или автономных системах.
Когда выбрать RT-DETR#
RT-DETR рекомендуется для:
- Исследований обнаружения на основе Transformer: Проектов, в которых изучаются механизмы внимания и архитектуры Transformer для сквозного обнаружения объектов без NMS.
- Сценариев с высокой точностью и гибкими требованиями к задержке: Приложений, где точность обнаружения важнее всего, а немного большая задержка инференса допустима.
- Обнаружения крупных объектов: Сцен, в которых преобладают объекты среднего и крупного размера, а механизм глобального внимания Transformer даёт естественное преимущество.
Когда выбирать Ultralytics (YOLO26)#
Для большинства новых проектов Ultralytics YOLO26 предлагает оптимальное сочетание производительности и удобства разработки:
- Развертывание на периферийных устройствах без NMS: Приложения, которым необходим стабильный инференс с низкой задержкой без усложнения постобработки подавлением немаксимумов.
- Среды только с CPU: Устройства без выделенного ускорителя GPU, где до 43% более быстрый инференс YOLO26 на CPU даёт решающее преимущество.
- Обнаружение небольших объектов: Сложные сценарии, например съёмка с дронов или анализ данных IoT-датчиков, где ProgLoss и STAL заметно повышают точность обнаружения крошечных объектов.
Преимущество Ultralytics: экосистема и инновации#
Хотя YOLOv10 и RTDETRv2 обеспечивают надежное обнаружение объектов, выбор модели часто зависит от окружающей ее программной экосистемы. Платформа Ultralytics предлагает удобный унифицированный интерфейс, который избавляет от сложностей глубокого обучения.
Новый стандарт: Ultralytics YOLO26#
Для разработчиков, которым нужна максимальная производительность, Ultralytics YOLO26 воплощает последние достижения в архитектуре моделей. Выпущенная в начале 2026 года, YOLO26 унаследовала сквозную архитектуру без NMS, впервые представленную в YOLOv10 в качестве необязательной головы (nms=False), что устраняет постобработку с помощью NMS и упрощает развертывание, ускоряя его.
YOLO26 переносит инновации из обучения LLM в компьютерное зрение благодаря оптимизатору MuSGD (гибриду SGD и Muon), обеспечивая более стабильное обучение и более быструю сходимость. Кроме того, инференс на CPU ускорен на 43%, что делает модель оптимальным выбором для периферийных вычислений.
Кроме того, YOLO26 использует ProgLoss + STAL, заметно улучшая распознавание мелких объектов, и, в отличие от специализированной YOLOv10, отличается исключительной универсальностью. Модель изначально поддерживает обнаружение объектов, сегментацию, оценку позы и ориентированные ограничивающие рамки (OBB), а также включает улучшения для конкретных задач, такие как функция потерь для семантической сегментации и оценка остаточного логарифмического правдоподобия (RLE) для оценки позы. Кроме того, удаление функции потерь Distribution Focal Loss (DFL) упрощает экспорт и улучшает совместимость с устройствами с низким энергопотреблением.
Удобство использования и эффективность обучения#
Работаешь ли ты с моделями предыдущего поколения, например с Ultralytics YOLO11, или с передовой YOLO26 — оптимизированный Python API обеспечивает низкое потребление памяти во время обучения и очень быстрые рабочие процессы.
from ultralytics import RTDETR, YOLO
# Обучи сквозную модель YOLOv10
model_yolo = YOLO("yolov10n.pt")
model_yolo.train(data="coco8.yaml", epochs=100, imgsz=640)
# Или оцени RTDETR с помощью того же API
model_rtdetr = RTDETR("rtdetr-l.pt")
results = model_rtdetr.predict("https://ultralytics.com/images/bus.jpg")Хорошо поддерживаемая экосистема предоставляет инструменты для удобной настройки гиперпараметров и без проблем интегрируется с широким спектром решений для отслеживания экспериментов и развертывания моделей.
Заключение#
YOLOv10 и RTDETRv2 — важные достижения в области обнаружения объектов без NMS. RTDETRv2 показывает, что Transformer-модели могут обеспечивать задержку, подходящую для реального времени, и отлично учитывать глобальный контекст, хотя им требуется больше памяти. YOLOv10 — высокоэффективная и быстрая альтернатива на базе CNN, предназначенная для задач обнаружения объектов с ограниченными ресурсами.
Однако разработчикам настоятельно рекомендуется выбрать Ultralytics YOLO26, если нужен сбалансированный набор характеристик, поддержка множества задач и наиболее зрелая экосистема. Эта модель объединяет архитектурные инновации предшественников с надежными и удобными инструментами, благодаря которым развертывание ИИ для компьютерного зрения становится простым и доступным.