YOLOv5 и RTDETRv2#

За последние несколько лет область компьютерного зрения значительно расширилась, предоставив разработчикам широкий выбор архитектур для решения сложных визуальных задач. Среди наиболее популярных подходов — свёрточные нейронные сети (CNN) и трансформеры обнаружения (DETR), которые также рассматриваются в обзоре лучших моделей обнаружения объектов.

В этом руководстве технически сравниваются две влиятельные модели из этих категорий: Ultralytics YOLOv5 — высокоэффективная и широко распространённая модель на основе CNN — и RTDETRv2, детектор объектов в реальном времени на основе Transformer.

Ultralytics YOLOv5: отраслевой стандарт эффективности#

С момента выпуска Ultralytics YOLOv5 стала одной из ключевых моделей в сообществе ИИ, лежащей в основе тысяч коммерческих приложений и исследовательских проектов по всему миру. Полностью построенная на фреймворке PyTorch, она обеспечивает удобство разработки без ущерба для производительности в реальном времени.

Основные характеристики:

• Автор: Glenn Jocher
• Организация: Ultralytics
• Дата: 2020-06-26
• Ссылки: Репозиторий GitHub

Архитектура и сильные стороны#

YOLOv5 использует оптимизированную архитектуру CNN, обеспечивающую эффективное извлечение признаков при крайне низком потреблении памяти. В модели применяются базовая сеть CSPDarknet и шейный слой PANet, вместе обеспечивающие эффективное слияние признаков на разных масштабах.

Одно из главных преимуществ YOLOv5 — баланс производительности. Модель обеспечивает удачный компромисс между скоростью и точностью, поэтому хорошо подходит для развёртывания моделей на устройствах с ограниченными ресурсами, например NVIDIA Jetson и смартфонах.

YOLOv5 также отличается широкой универсальностью. В отличие от моделей, ограниченных только предсказанием ограничивающих рамок, исходный репозиторий YOLOv5 поддерживает сегментацию экземпляров и классификацию изображений, предоставляя единый фреймворк для различных визуальных задач. Модель также отличается высокой эффективностью обучения: по сравнению с архитектурами на основе Transformer она требует значительно меньше памяти CUDA во время обучения.

Недостатки#

Будучи детектором на основе якорей, YOLOv5 использует подавление немаксимумов (NMS) на этапе постобработки, чтобы удалять повторяющиеся ограничивающие рамки. Хотя NMS хорошо оптимизирована во фреймворке Ultralytics, в некоторых случаях она может создавать узкие места по задержке на специализированных периферийных NPU.

RTDETRv2: трансформеры реального времени от Baidu#

RTDETRv2 (трансформер обнаружения в реальном времени версии 2) использует архитектуры Transformer для обнаружения объектов в реальном времени и решает проблему вычислительной неэффективности, исторически характерную для стандартных DETR.

Основные характеристики:

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

Архитектура и сильные стороны#

RTDETRv2 развивает возможности предшественницы, используя гибридный кодировщик и гибкую конструкцию декодера для обработки изображений. Механизм самовнимания Transformer обеспечивает модели глобальное понимание контекста изображения и позволяет ей хорошо работать в сложных сценах с сильным перекрытием объектов.

Отличительная особенность RTDETRv2 — сквозная архитектура без NMS. Модель напрямую предсказывает запросы объектов, не используя якорные рамки или постобработку NMS, что упрощает конвейер инференса. Эта архитектура обеспечивает высокий показатель mAP (средняя точность) на тестовых наборах данных, таких как COCO.

Недостатки#

Несмотря на возможности работы в реальном времени, требования RTDETRv2 к памяти заметно выше, чем у моделей YOLO. Механизмы внимания в Transformer масштабируются квадратично с длиной последовательности, что может приводить к ошибкам нехватки памяти при обучении на изображениях высокого разрешения с GPU, у которых мало памяти. Кроме того, RTDETRv2 не обладает универсальностью экосистемы Ultralytics «из коробки»: модель в основном предназначена для обнаружения объектов в 2D и изначально не поддерживает сегментацию или оценку позы.

Узнай больше о RTDETRv2

Таблица сравнения производительности#

В таблице ниже сравниваются показатели производительности обеих архитектур. Полужирным выделены наиболее эффективные или высокие показатели для протестированных масштабов.

Преимущества экосистемы Ultralytics#

При переносе модели из исследовательского блокнота в промышленную среду окружающее её программное обеспечение не менее важно, чем архитектура нейронной сети. Хорошо поддерживаемая экосистема Ultralytics ускоряет цикл разработки.

Простота использования#

Модели Ultralytics ориентированы на удобство работы. Хочешь обучить собственную модель, запустить валидацию или экспортировать модель в форматы для конкретного оборудования, например TensorRT или ONNX? С помощью Ultralytics Python API это можно сделать всего несколькими строками кода.

Вот практический пример кода, который показывает, насколько просто обучить модель Ultralytics и запустить инференс:

from ultralytics import YOLO

# Инициализация модели (веса загружаются автоматически)
model = YOLO("yolov5su.pt")  # YOLOv5u: веса YOLOv5 без якорей для пакета ultralytics

# Обучи модель на датасете COCO8
results = model.train(data="coco8.yaml", epochs=50, imgsz=640, device="cpu")

# Инференс на изображении из интернета
inference_results = model.predict("https://ultralytics.com/images/bus.jpg")

# Отображение полученного изображения с ограничивающими рамками
inference_results[0].show()

Этот простой унифицированный API изначально поддерживает интеграции для отслеживания экспериментов с такими инструментами, как Weights & Biases и Comet, позволяя разработчикам записывать метрики без шаблонного кода.

Сценарии использования и рекомендации#

Выбор между YOLOv5 и RT-DETR зависит от требований конкретного проекта, ограничений развёртывания и предпочтений в отношении экосистемы.

Когда стоит выбрать YOLOv5#

YOLOv5 — отличный выбор для:

• Проверенные промышленные системы: Существующие развертывания, где важны долгий опыт стабильной работы YOLOv5, обширная документация и большое сообщество.
• Обучение при ограниченных ресурсах: среды с ограниченными ресурсами GPU, где эффективный конвейер обучения YOLOv5 и сниженные требования к памяти дают преимущество.
• Широкая поддержка форматов экспорта: проекты, требующие развертывания во множестве форматов, включая ONNX, TensorRT, CoreML и LiteRT.

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, на которых YOLO26n работает на CPU до 43% быстрее YOLO11n.
• Обнаружение мелких объектов: сложные сценарии, например съемка с дронов или анализ данных датчиков IoT, где ProgLoss и STAL повышают точность распознавания крошечных объектов.

Взгляд в будущее: YOLO11 и YOLO26#

Если ты начинаешь новый проект в области компьютерного зрения, рассмотри последние поколения моделей Ultralytics.

Хотя YOLOv5 остаётся надёжной моделью, YOLO11 обеспечивает более высокую точность и поддерживает расширенный набор задач, включая обнаружение ориентированных ограничивающих рамок (OBB).

YOLO26 идёт дальше, объединяя сильные стороны обоих подходов. Она предлагает дополнительную сквозную архитектуру без NMS (nms=False, впервые внедрённую в модели YOLO с выходом YOLOv10), которая исключает этап постобработки с NMS, сохраняя эффективность CNN. В YOLO26 также появился оптимизатор MuSGD, основанный на инновациях в обучении LLM и ускоряющий сходимость. Благодаря удалению DFL (Distribution Focal Loss исключена для упрощения экспорта и улучшения совместимости с периферийными устройствами и устройствами с низким энергопотреблением) YOLO26n обеспечивает инференс на CPU до 43% быстрее, чем YOLO11n, что делает YOLO26 отличным выбором для периферийного ИИ. Кроме того, ProgLoss + STAL (прогрессивная функция потерь и назначение меток с учётом малых объектов) заметно улучшают распознавание небольших объектов, что особенно важно для IoT, робототехники и аэрофотосъёмки.

Заключение#

Выбор между YOLOv5 и RTDETRv2 во многом зависит от ограничений среды развёртывания. RTDETRv2 обеспечивает высокий mAP благодаря механизмам внимания Transformer, но требует больше памяти и вычислительных ресурсов.

В свою очередь, Ultralytics YOLOv5 — проверенное, хорошо оптимизированное и универсальное решение, которое эффективно работает и на облачных серверах, и на периферийных устройствах. Командам, которым нужна более высокая точность и зрелые инструменты развёртывания, рекомендуется перейти на YOLO26 в экосистеме Ultralytics — это оптимальный путь для современных приложений ИИ в области компьютерного зрения.