YOLOv10 и RTDETRv2#
Компьютерное зрение быстро развивается, и новые архитектуры регулярно поднимают планку в области детекции объектов в реальном времени. Среди важных этапов — YOLOv10 и RTDETRv2. Обе модели устраняют узкое место традиционных конвейеров детекции, отказываясь от постобработки с помощью подавления немаксимумов (NMS), но решают эту задачу с помощью совершенно разных архитектур.
В этом техническом сравнении рассматриваются архитектуры, методики обучения и оптимальные сценарии развертывания моделей, чтобы помочь разработчикам и исследователям выбрать подходящий инструмент для следующего проекта в области ИИ для компьютерного зрения.
YOLOv10: обнаружение в реальном времени без NMS#
Разработанная исследователями Университета Цинхуа, YOLOv10 ориентирована на эффективность архитектуры и устранение узких мест постобработки. Благодаря согласованным двойным назначениям для обучения без NMS модель обеспечивает конкурентную точность при меньшей задержке 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 вклад YOLOv10 — целостный подход к проектированию модели, ориентированный на эффективность и точность. Оптимизация различных компонентов с обеих точек зрения сокращает вычислительные затраты. Стратегия согласованных двойных назначений позволяет обучать модель без зависимости от NMS, что упрощает сквозной конвейер развертывания. Это особенно полезно при экспорте моделей в форматы для периферийных устройств, такие как ONNX и TensorRT, где операции постобработки могут вызывать неожиданную задержку.
Преимущества и недостатки#
Модель обеспечивает удачный баланс скорости и точности, особенно в небольших вариантах (N и S). Благодаря низкой задержке она хорошо подходит 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: сверточная нейронная сеть (CNN) служит магистральной сетью для извлечения визуальных признаков, а кодировщик-декодировщик на основе трансформера отвечает за понимание сцены в целом. Механизм само-внимания трансформера позволяет модели анализировать изображение целиком, благодаря чему она эффективно обрабатывает сложные сцены, перекрывающиеся объекты и плотные толпы.
Преимущества и недостатки#
Архитектура трансформера обеспечивает высокую точность, особенно при большом количестве параметров, и изначально выдает итоговые результаты детекции без NMS. Однако за это приходится платить. Для обучения моделей-трансформеров традиционно требуется больше памяти CUDA, а их сходимость может быть медленнее, чем у чистых архитектур CNN. Хотя скорость инференса RTDETRv2 улучшилась, обычно модель 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 |
YOLOv10 заметно эффективнее по количеству параметров и скорости инференса TensorRT при сопоставимых размерах, тогда как RTDETRv2 немного точнее при размерах s, m и l (например, 48.1 против 46.3 mAP для моделей s при 5.03 мс против 2.49 мс). RTDETRv2-x сравнима с YOLOv10x по точности (54.3 против 54.4 mAP), но требует более чем в 2.5 раза больше параметров (76M против 29.5M) и больше FLOPs (259B против 160.4B).
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, работающие только на CPU: устройства без выделенного ускорения на GPU, на которых преимущество YOLO26n особенно заметно: инференс на CPU выполняется до 43% быстрее, чем у YOLO11n.
- Обнаружение небольших объектов: сложные сценарии, например аэрофотосъемка с дронов или анализ данных датчиков IoT, где ProgLoss и STAL повышают точность обнаружения небольших объектов.
Преимущество Ultralytics: экосистема и инновации#
YOLOv10 и RTDETRv2 — эффективные детекторы, но при выборе модели важную роль часто играет окружающая ее программная экосистема. Платформа Ultralytics предоставляет единый интерфейс, который скрывает большую часть сложностей рабочих процессов глубокого обучения.
Новый стандарт: Ultralytics YOLO26#
Для разработчиков, которым нужна максимальная производительность, Ultralytics YOLO26 объединяет последние архитектурные достижения. Выпущенная в январе 2026 года, YOLO26 унаследовала сквозную архитектуру без NMS от YOLOv10 в виде опциональной головы (nms=False), устраняющей этап постобработки с помощью NMS и ускоряющей и упрощающей развертывание.
YOLO26 переносит методы обучения больших языковых моделей (LLM) в компьютерное зрение с помощью оптимизатора MuSGD (гибрида SGD и Muon), обеспечивая более стабильное обучение и быструю сходимость. YOLO26n также работает на CPU до 43% быстрее, чем YOLO11n, поэтому YOLO26 — отличный выбор для периферийных вычислений.
Кроме того, YOLO26 использует ProgLoss + STAL для заметного улучшения распознавания малых объектов и, в отличие от YOLOv10, предназначенной только для детекции, поддерживает детекцию объектов, сегментацию экземпляров, семантическую сегментацию, оценку глубины, классификацию изображений, оценку позы и ориентированные ограничивающие рамки (OBB), а также улучшения для отдельных задач, например функцию потерь для семантической сегментации и оценку остаточного логарифма правдоподобия (RLE) для позы. Удаление Distribution Focal Loss (DFL) также упрощает экспорт и повышает совместимость с маломощными устройствами.
Удобство использования и эффективность обучения#
Работаешь ли ты с более ранними моделями, такими как Ultralytics YOLO11, или с новой YOLO26 — API Python позволяет снизить потребление памяти при обучении и упростить рабочие процессы. С помощью того же API можно запускать YOLOv10 и RT-DETR:
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 удобного подбора гиперпараметров, интегрируется со средствами отслеживания экспериментов и поддерживает варианты развертывания моделей.
Заключение#
YOLOv10 и RTDETRv2 — важные этапы развития детекции объектов без NMS в реальном времени. RTDETRv2 доказывает, что трансформеры способны обеспечить задержку, подходящую для реального времени, и отлично учитывать глобальный контекст, хотя для них требуется больше памяти. YOLOv10 предлагает эффективную и быструю альтернативу на основе CNN для задач детекции с ограниченными ресурсами.
Для сбалансированной производительности, универсальности в многозадачных сценариях и зрелой экосистемы мы рекомендуем Ultralytics YOLO26. Она объединяет архитектурные идеи предшественников с удобными инструментами, упрощающими развертывание ИИ для компьютерного зрения.