YOLOv5 против RTDETRv2: Баланс между скоростью работы в реальном времени и точностью трансформатора

В быстро развивающейся области компьютерного зрения выбор правильной модели обнаружения объектов имеет решающее значение для успеха проекта. В этом комплексном техническом сравнении рассматриваются два различных подхода: YOLOv5легендарный детектор на основе CNN, известный своей универсальностью и скоростью, и RTDETRv2, современная модель на основе трансформатора, ориентированная на высокую точность.

В то время как RTDETRv2 использует Vision Transformers (ViT) для захвата глобального контекста, Ultralytics YOLOv5 остается лучшим выбором для разработчиков, которым требуется надежное, готовое к развертыванию решение с низкими затратами ресурсов.

Технические характеристики и происхождение модели

Прежде чем погружаться в метрики производительности, необходимо понять историю и архитектурную философию каждой модели.

Характеристика	Ultralytics YOLOv5	RTDETRv2
Архитектура	На основе CNN (на основе якоря)	Гибрид (магистраль CNN + трансформатор)
Основной фокус	Скорость работы в режиме реального времени, универсальность, простота использования	Высокая точность, глобальный контекст
Авторы	Гленн Джочер	Вэньюй Лв, Йян Чжао и др.
Организация	Ultralytics	Baidu
Дата выхода	2020-06-26	2023-04-17
Задачи	Обнаружение, сегментация, классификация	Обнаружение

Узнайте больше о YOLOv5

Философия архитектуры и дизайна

Принципиальное различие между этими моделями заключается в том, как они обрабатывают визуальные данные.

Ultralytics YOLOv5

В YOLOv5 используется высоко оптимизированная архитектура конволюционной нейронной сети (CNN). Она использует модифицированную магистраль CSPDarknet и горловину Path Aggregation Network (PANet) для извлечения карт признаков.

Основан на якорях: Полагается на предопределенные якорные ящики для предсказания местоположения объектов, что упрощает процесс обучения для обычных форм объектов.
Эффективность: Разработано для максимальной скорости вычислений на широком спектре аппаратного обеспечения, от граничных устройств, таких как NVIDIA Jetson, до стандартных процессоров.
Универсальность: Поддержка множества задач, включая сегментацию экземпляров и классификацию изображений, в рамках единой унифицированной структуры.

RTDETRv2

RTDETRv2 (Real-Time Detection Transformer v2) представляет собой переход к архитектуре трансформаторов.

Гибридная конструкция: Сочетает в себе основу CNN с трансформаторным кодером-декодером, используя механизмы самовнимания для обработки отношений между объектами.
Глобальный контекст: Компонент трансформатора позволяет модели "видеть" все изображение сразу, что повышает производительность в сложных сценах с окклюзией.
Вычислительные затраты: Эта сложная архитектура обычно требует значительно больше памяти GPU и вычислительной мощности (FLOPs) по сравнению с решениями, основанными исключительно на CNN.

Анализ производительности

В таблице ниже представлено прямое сравнение ключевых показателей производительности. В то время как RTDETRv2 демонстрирует впечатляющую точностьmAP) на наборе данныхCOCO , YOLOv5 показывает более высокую скорость вывода, особенно на CPU оборудовании, где трансформаторы часто испытывают трудности.

Модель	размер ^{(пиксели)}	mAP^val 50-95	Скорость ^{CPU ONNX (мс)}	Скорость ^{T4 TensorRT10 (мс)}	параметры ^(M)	FLOPs ^(B)
YOLOv5n	640	28.0	73.6	1.12	2.6	7.7
YOLOv5s	640	37.4	120.7	1.92	9.1	24.0
YOLOv5m	640	45.4	233.9	4.03	25.1	64.2
YOLOv5l	640	49.0	408.4	6.61	53.2	135.0
YOLOv5x	640	50.7	763.2	11.89	97.2	246.4

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

Интерпретация данных

Хотя RTDETRv2 достигает более высоких показателей mAP , обратите внимание на столбцы Speed и FLOPs. YOLOv5n работает со скоростью 73,6 мс на CPU, что делает его пригодным для приложений реального времени на неускоренном оборудовании. Модели RTDETRv2 значительно тяжелее и требуют мощных графических процессоров для поддержания частоты кадров в реальном времени.

Эффективность обучения и использование памяти

Важнейшее преимущество YOLOv5 является эффективность обучения. Модели на основе трансформаторов, такие как RTDETRv2, печально известны высоким потреблением VRAM и медленной скоростью сходимости.

Меньший объем памяти: YOLOv5 можно обучать на графических процессорах потребительского класса со скромным объемом памяти CUDA , что обеспечивает демократичный доступ к разработке ИИ.
Более быстрая конвергенция: Пользователи часто могут получить полезные результаты за меньшее количество эпох, экономя драгоценное время и расходы на облачные вычисления.

Ключевые преимущества Ultralytics YOLOv5

Для большинства разработчиков и коммерческих приложений YOLOv5 предлагает более сбалансированный и практичный набор преимуществ:

Непревзойденная простота использования:API Ultralytics Python является отраслевым стандартом простоты. Загрузка модели, проведение расчетов и обучение на пользовательских данных могут быть выполнены с помощью всего нескольких строк кода.
Богатая экосистема: Опираясь на огромное сообщество разработчиков с открытым исходным кодом, YOLOv5 легко интегрируется с Ultralytics HUB для обучения без кода, инструментами MLOps для отслеживания и различными форматами экспорта, такими как ONNX и TensorRT.
Гибкость развертывания: Легкая архитектура YOLOv5 позволяет использовать его там, где не могут работать более тяжелые модели трансформаторов: от мобильных приложений для iOS и Android до Raspberry Pi и облачных серверов.
Универсальность задач: В отличие от RTDETRv2, который в первую очередь является детектором объектов, YOLOv5 поддерживает классификацию и сегментацию, что уменьшает необходимость поддерживать несколько кодовых баз для различных задач зрения.

Путь обновления

Если вам нужна еще более высокая точность, чем YOLOv5 , при сохранении этих преимуществ экосистемы, обратите внимание на новую модель YOLO11. В нем реализованы современные архитектурные усовершенствования, позволяющие превзойти точность трансформатора, а также эффективность, которую вы ожидаете от YOLO.

Сравнение кодов: простота использования

Следующий пример демонстрирует простоту использования YOLOv5 с пакетом Ultralytics .

from ultralytics import YOLO

# Load a pre-trained YOLOv5 model
model = YOLO("yolov5s.pt")

# Run inference on an image
results = model("https://ultralytics.com/images/bus.jpg")

# Display results
for result in results:
    result.show()  # show to screen
    result.save(filename="result.jpg")  # save to disk

Идеальные варианты использования

Когда стоит выбрать Ultralytics YOLOv5

Пограничные вычисления: Развертывание на устройствах с питанием от батарей или ограниченными ресурсами (дроны, мобильные телефоны, IoT).
Видеоаналитика в реальном времени: Обработка нескольких видеопотоков одновременно для управления движением или обеспечения безопасности.
Быстрое прототипирование: Когда вам нужно перейти от набора данных к развернутой модели за несколько часов, а не дней.
Многозадачные требования: Проекты, требующие как обнаружения объектов, так и сегментации изображений.

Когда следует выбирать RTDETRv2

Академические исследования: Бенчмаркинг с абсолютным передовым уровнем на статических наборах данных, где скорость имеет второстепенное значение.
Доступность GPU высокого класса: Среды, в которых выделенные графические процессоры серверного класса (например, NVIDIA A100) доступны как для обучения, так и для выводов.
Сложные статические сцены: Сценарии с плотной окклюзией, в которых механизм самовнушения обеспечивает критическое преимущество в точности.

Заключение

Хотя RTDETRv2 демонстрирует потенциал трансформаторов в компьютерном зрении с впечатляющими показателями точности, это связано со значительными затратами аппаратных ресурсов и сложностью обучения. Для подавляющего большинства реальных приложений, Ultralytics YOLOv5 остается лучшим выбором. Его идеальное сочетание скорости, точности и низкого потребления памяти в сочетании с поддерживающей экосистемой и обширной документацией гарантирует,что разработчики смогут создавать масштабируемые, эффективные и действенные решения в области ИИ.

Тем, кто стремится к абсолютной производительности без ущерба для удобства использования фреймворка Ultralytics , мы настоятельно рекомендуем изучить YOLO11который преодолевает разрыв между эффективностью CNN и точностью на уровне трансформатора.