YOLOv5 против RTDETRv2#

За последние несколько лет область компьютерного зрения значительно расширилась, предложив разработчикам широкий выбор архитектур для решения сложных задач анализа изображений. Среди наиболее популярных подходов — свёрточные нейронные сети (CNN) и трансформеры обнаружения (DETR).

В этом руководстве приведено подробное техническое сравнение двух ключевых моделей из этих категорий: Ultralytics YOLOv5 — высокоэффективной и широко распространённой модели на базе CNN — и RTDETRv2, современного детектора объектов реального времени на базе трансформера.

Ultralytics YOLOv5: отраслевой стандарт эффективности#

С момента выпуска Ultralytics YOLOv5 стала одной из основ сообщества ИИ, обеспечивая работу тысяч коммерческих приложений и исследовательских проектов по всему миру. Полностью созданная на базе фреймворка PyTorch, модель ставила во главу угла удобство для разработчиков без ущерба для производительности в реальном времени.

Ключевые характеристики:

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

Архитектура и преимущества#

YOLOv5 использует оптимизированную архитектуру CNN, разработанную для максимальной эффективности извлечения признаков при сохранении исключительно малого объёма используемой памяти. В ней применяются магистральная сеть CSPDarknet и шея PANet, создающие мощную комбинацию для многоуровневого объединения признаков.

Одно из главных преимуществ YOLOv5 — это баланс производительности. Модель обеспечивает исключительный компромисс между скоростью и точностью, что делает её идеальным выбором для развёртывания моделей на аппаратном обеспечении с ограниченными ресурсами, например устройствах NVIDIA Jetson и смартфонах.

Кроме того, YOLOv5 отличается непревзойдённой универсальностью. В отличие от моделей, ограниченных исключительно предсказанием ограничивающих рамок, YOLOv5 изначально поддерживает классификацию изображений и сегментацию экземпляров, предоставляя единую платформу для решения различных задач анализа изображений. Её эффективность обучения также впечатляет: по сравнению с архитектурами на базе трансформеров во время обучения требуется значительно меньше памяти CUDA.

Недостатки#

Поскольку YOLOv5 использует более старую архитектуру CNN, при постобработке она изначально зависит от подавления немаксимумов (NMS) для удаления дублирующихся ограничивающих рамок. Хотя в экосистеме Ultralytics NMS сильно оптимизирован, иногда он может создавать узкие места по задержке на специализированных периферийных NPU.

RTDETRv2: Transformer-модели реального времени от Baidu#

RTDETRv2 (трансформер обнаружения в реальном времени, версия 2) знаменует собой значительный прорыв в применении архитектур трансформеров для обнаружения объектов в реальном времени, устраняя вычислительную неэффективность, которая исторически была характерна для стандартных DETR.

Ключевые 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 GitHub

Архитектура и преимущества#

RTDETRv2 развивает идеи предшественника, используя гибридный кодировщик и гибкую конструкцию декодировщика для обработки изображений. Механизм самооб attention трансформера обеспечивает модели глобальное понимание контекста изображения, позволяя ей особенно хорошо работать в сложных сценах с сильным перекрытием объектов.

Отличительная особенность RTDETRv2 — сквозная конструкция без NMS. Благодаря непосредственному предсказанию запросов объектов без необходимости в якорных рамках или постобработке NMS она упрощает конвейер инференса. Эта архитектура достигает впечатляющего значения mAP (средняя точность) на эталонных наборах данных, таких как COCO.

Недостатки#

Несмотря на возможности работы в реальном времени, RTDETRv2 предъявляет значительно более высокие требования к памяти по сравнению с моделями YOLO. Механизмы внимания в трансформерах масштабируются квадратично относительно длины последовательности, что может приводить к ошибкам нехватки памяти во время обучения на изображениях высокого разрешения, если не используются огромные кластеры GPU. Кроме того, модели не хватает универсальности экосистемы Ultralytics «из коробки»: в основном она ориентирована только на 2D-обнаружение объектов, без встроенной поддержки сегментации или оценки позы.

Таблица сравнения производительности#

Для объективной оценки этих архитектур мы собрали их показатели производительности. Значения, выделенные жирным шрифтом, обозначают наиболее эффективные или самые высокие результаты среди протестированных масштабов.

Преимущества экосистемы Ultralytics#

При переносе модели из исследовательского ноутбука в производственную среду программное окружение модели не менее важно, чем архитектура нейронной сети. Хорошо поддерживаемая экосистема, предоставляемая Ultralytics, значительно ускоряет жизненный цикл разработки.

Непревзойдённая простота использования#

Модели Ultralytics ориентированы на невероятно удобный и оптимизированный пользовательский интерфейс. Если ты хочешь обучить пользовательскую модель, выполнить валидацию или экспортировать её в форматы для конкретного оборудования, например TensorRT или ONNX, Python API Ultralytics позволяет сделать это всего несколькими строками кода.

Ниже приведён практический пример кода, демонстрирующий, насколько просто обучать модель Ultralytics и выполнять с её помощью инференс:

from ultralytics import YOLO

# Initialize the model (automatically downloads the weights)
model = YOLO("yolov5s.pt")

# Train the model on the COCO8 dataset
results = model.train(data="coco8.yaml", epochs=50, imgsz=640, device="cpu")

# Perform inference on an online image
inference_results = model.predict("https://ultralytics.com/images/bus.jpg")

# Display the resulting image with bounding boxes
inference_results[0].show()

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

Варианты применения и рекомендации#

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

Когда стоит выбрать YOLOv5#

YOLOv5 — отличный выбор для:

• Проверенных производственных систем: существующих развертываний, где важны длительная история стабильной работы YOLOv5, обширная документация и огромная поддержка сообщества.
• Обучения при ограниченных ресурсах: сред с ограниченными ресурсами GPU, где эффективный конвейер обучения YOLOv5 и более низкие требования к памяти дают преимущества.
• Широкой поддержки форматов экспорта: проектов, требующих развертывания во множестве форматов, включая ONNX, TensorRT, CoreML и TFLite.

Когда стоит выбрать RT-DETR#

RT-DETR рекомендуется для:

• Исследований обнаружения на основе Transformer: Проектов, изучающих механизмы внимания и архитектуры Transformer для сквозного обнаружения объектов без NMS.
• Сценариев с высокой точностью и гибкими требованиями к задержке: Приложений, в которых точность обнаружения является главным приоритетом, а немного большая задержка инференса приемлема.
• Обнаружения крупных объектов: Сцен с преимущественно средними и крупными объектами, где механизм глобального внимания Transformer дает естественное преимущество.

Когда выбирать Ultralytics (YOLO26)#

Для большинства новых проектов Ultralytics YOLO26 предлагает лучшее сочетание производительности и удобства для разработчиков:

• Развертывания на периферийных устройствах без NMS: приложений, требующих стабильного вывода с низкой задержкой без сложной постобработки с подавлением немаксимумов.
• Сред без GPU: устройств без выделенного ускорения GPU, где до 43% более быстрый вывод YOLO26 на CPU дает решающее преимущество.
• Обнаружения мелких объектов: сложных сценариев, таких как аэрофотосъемка с дронов или анализ данных IoT-сенсоров, где ProgLoss и STAL значительно повышают точность обнаружения крошечных объектов.

Перспективы: YOLO11 и YOLO26#

Если ты сегодня начинаешь новый проект в области компьютерного зрения, настоятельно рекомендуется изучить новейшие поколения моделей Ultralytics.

Хотя YOLOv5 остаётся исключительно надёжной, YOLO11 обеспечивает повышенную точность и расширенный набор задач, включая обнаружение ориентированных ограничивающих рамок (OBB).

Ещё важнее то, что передовая YOLO26 объединяет лучшие стороны обоих подходов. В ней реализована сквозная конструкция без NMS (впервые представленная в YOLOv10), устраняющая издержки постобработки при сохранении эффективности CNN. В YOLO26 также представлен оптимизатор MuSGD, вдохновлённый инновациями в обучении LLM, для более быстрой сходимости. Благодаря удалению DFL (Distribution Focal Loss удалена для упрощения экспорта и повышения совместимости с периферийными устройствами и устройствами с низким энергопотреблением) YOLO26 обеспечивает до 43% более быстрый инференс на CPU, что делает её безусловно лучшим выбором для периферийного ИИ. Кроме того, ProgLoss + STAL обеспечивают улучшенные функции потерь с заметным повышением качества распознавания небольших объектов, что особенно важно для IoT, робототехники и аэрофотосъёмки.

Заключение#

Выбор между YOLOv5 и RTDETRv2 в значительной степени зависит от ограничений развёртывания. RTDETRv2 расширяет границы mAP благодаря мощным механизмам внимания трансформеров, но требует существенных затрат памяти и вычислительных ресурсов.

В свою очередь, Ultralytics YOLOv5 — это проверенное, высокооптимизированное и универсальное решение, которое стабильно работает повсюду: от облачных серверов до микроконтроллеров. Командам, которым необходима максимально возможная точность наряду с удобными инструментами развёртывания, переход внутри экосистемы Ultralytics на YOLO26 предоставляет окончательное современное решение уровня state-of-the-art для приложений ИИ в области компьютерного зрения.