RTDETRv2 so với EfficientDet: So sánh kỹ thuật toàn diện

Trong bối cảnh thị giác máy tính đang phát triển không ngừng, việc lựa chọn kiến trúc phát hiện đối tượng phù hợp là yếu tố then chốt cho sự thành công của dự án. Bài so sánh này đi sâu vào RTDETRv2 , một mô hình tiên tiến dựa trên bộ biến áp được thiết kế cho hiệu suất thời gian thực, và EfficientDet , một họ mạng nơ-ron tích chập (CNN) có khả năng mở rộng, được tối ưu hóa để đạt hiệu suất cao. Chúng tôi phân tích những cải tiến về kiến trúc, số liệu hiệu suất và các kịch bản triển khai lý tưởng của chúng để giúp các nhà phát triển đưa ra quyết định sáng suốt.

Tổng quan về mô hình

Sự lựa chọn giữa hai mô hình này thường phụ thuộc vào các hạn chế cụ thể của phần cứng mục tiêu và yêu cầu về độ chính xác của ứng dụng.

RTDETRv2

RTDETRv2 (Real-Time Detection Transformer v2) là một bước tiến đáng kể trong việc ứng dụng kiến trúc biến áp vào phát hiện đối tượng thời gian thực. Được phát triển bởi các nhà nghiên cứu tại Baidu , RTDETRv2 dựa trên thành công của RT-DETR ban đầu, tối ưu hóa bộ mã hóa lai và cơ chế lựa chọn truy vấn để đạt được độ chính xác tiên tiến với tốc độ suy luận cạnh tranh. GPU phần cứng.

Tác giả: Wenyu Lv, Yian Zhao, Qinyao Chang, Kui Huang, Guanzhong Wang, và Yi Liu
Tổ chức: Baidu
Ngày: 2023-04-17
Arxiv: RT-DETR : DETR đánh bại YOLO về khả năng phát hiện đối tượng theo thời gian thực
GitHub: Kho lưu trữ RT-DETR
Tài liệu: Tài liệu RT-DETRv2

Tìm hiểu thêm về RTDETR

EfficientDet

EfficientDet , do Google Brain phát triển, đã cách mạng hóa lĩnh vực này ngay khi ra mắt bằng cách giới thiệu một phương pháp có hệ thống để mở rộng quy mô mô hình. Bằng cách kết hợp mạng xương sống EfficientNet với Mạng Kim tự tháp Đặc trưng Hai chiều (BiFPN) có trọng số, EfficientDet cung cấp một phổ mô hình (D0-D7) đánh đổi chi phí tính toán để lấy độ chính xác, giúp nó trở nên cực kỳ linh hoạt với nhiều hạn chế về tài nguyên.

Tác giả: Mingxing Tan, Ruoming Pang, và Quoc V. Le
Tổ chức: Google Research
Date: 2019-11-20
Arxiv: EfficientDet: Phát hiện đối tượng hiệu quả và có khả năng mở rộng
GitHub: Kho lưu trữ AutoML
Tài liệu: EfficientDet Readme

Tìm hiểu thêm về EfficientDet

Phân tích kiến trúc

Sự khác biệt cơ bản nằm ở các khối xây dựng cốt lõi của chúng: một khối tận dụng bối cảnh toàn cầu của bộ biến đổi, trong khi khối còn lại tinh chỉnh hiệu quả của phép tích chập.

RTDETRv2: Nguồn điện máy biến áp

RTDETRv2 sử dụng bộ mã hóa lai có khả năng xử lý hiệu quả các đặc điểm đa tỷ lệ. Không giống như các CNN truyền thống, nó sử dụng IoU Cơ chế lựa chọn truy vấn nhận biết để tập trung sự chú ý vào các phần quan trọng nhất của hình ảnh. Điều này cho phép mô hình xử lý các cảnh phức tạp với hiện tượng che khuất và các tỷ lệ vật thể khác nhau một cách hiệu quả. Kiến trúc này tách biệt tương tác nội tỷ lệ và hợp nhất tỷ lệ chéo, giảm thiểu chi phí tính toán thường liên quan đến Vision Transformers (ViTs) .

Ưu điểm của máy biến áp

Cơ chế chú ý trong RTDETRv2 cho phép sử dụng các trường tiếp nhận toàn cục, giúp mô hình hiểu được mối quan hệ giữa các vật thể ở xa trong một cảnh tốt hơn so với CNN thông thường.

EfficientDet: Hiệu quả có thể mở rộng

EfficientDet được xây dựng trên nền tảng EfficientNet và giới thiệu BiFPN . BiFPN cho phép hợp nhất các đặc trưng đa thang đo dễ dàng và nhanh chóng bằng cách học tầm quan trọng của các đặc trưng đầu vào khác nhau. Hơn nữa, EfficientDet sử dụng phương pháp chia tỷ lệ hợp chất, cho phép chia tỷ lệ đồng đều độ phân giải, độ sâu và chiều rộng của mạng. Điều này đảm bảo mô hình có thể được tùy chỉnh - từ D0 nhẹ cho các ứng dụng di động đến D7 nặng cho các tác vụ máy chủ có độ chính xác cao.

So sánh hiệu suất

Các tiêu chuẩn hiệu suất làm nổi bật sự khác biệt rõ ràng trong triết lý thiết kế. RTDETRv2 hướng đến độ chính xác cao nhất trên phần cứng mạnh mẽ, trong khi EfficientDet cung cấp một dải hiệu suất chi tiết.

Mô hình	Kích thước ^(pixels)	mAP ^{giá trị 50-95}	Tốc độ ^{CPU ONNX (ms)}	Tốc độ ^{T4 TensorRT10 (ms)}	Tham số ^(M)	FLOPs ^(B)
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

EfficientDet-d0	640	34.6	10.2	3.92	3.9	2.54
EfficientDet-d1	640	40.5	13.5	7.31	6.6	6.1
EfficientDet-d2	640	43.0	17.7	10.92	8.1	11.0
EfficientDet-d3	640	47.5	28.0	19.59	12.0	24.9
EfficientDet-d4	640	49.7	42.8	33.55	20.7	55.2
EfficientDet-d5	640	51.5	72.5	67.86	33.7	130.0
EfficientDet-d6	640	52.6	92.8	89.29	51.9	226.0
EfficientDet-d7	640	53.7	122.0	128.07	51.9	325.0

Như đã chỉ ra trong bảng, RTDETRv2-x đạt được hiệu quả vượt trội mAP của 54,3 , thậm chí còn vượt trội hơn EfficientDet-d7 lớn nhất (53,7 mAP ) trong khi nhanh hơn đáng kể trên TensorRT (15,03ms so với 128,07ms). Tuy nhiên, đối với các môi trường cực kỳ hạn chế, EfficientDet-d0 vẫn là một lựa chọn cực kỳ nhẹ với các tham số tối thiểu (3,9M) và FLOP.

Điểm mạnh và Điểm yếu

Điểm mạnh của RTDETRv2:

Độ chính xác cao: Mang lại hiệu suất phát hiện hàng đầu, đặc biệt là trên tập dữ liệu COCO đầy thách thức.
Tối ưu hóa GPU : Kiến trúc có khả năng song song hóa cao, khiến nó trở nên lý tưởng cho việc triển khai TensorRT trên NVIDIA GPU.
Không cần neo: Loại bỏ nhu cầu điều chỉnh hộp neo, đơn giản hóa quy trình đào tạo.

Điểm mạnh của EfficientDet:

Khả năng mở rộng: Dòng D0-D7 cho phép kết hợp chính xác kích thước mô hình với khả năng phần cứng.
Tính toán thấp: Các biến thể nhỏ hơn (D0-D2) rất tuyệt vời cho CPU -chỉ suy luận hoặc thiết bị biên di động.
Đã thành lập: Kiến trúc trưởng thành với sự hỗ trợ rộng rãi trong nhiều công cụ chuyển đổi khác nhau.

Điểm yếu:

RTDETRv2: Yêu cầu đáng kể CUDA bộ nhớ để đào tạo và thường chậm hơn trên CPU do hoạt động của máy biến áp.
EfficientDet: Độ trễ cao hơn ở đầu có độ chính xác cao (D7) so với các máy dò hiện đại; quá trình đào tạo có thể chậm hội tụ hơn.

Các trường hợp sử dụng lý tưởng

Việc lựa chọn mô hình phù hợp phụ thuộc rất nhiều vào môi trường ứng dụng cụ thể.

Chọn RTDETRv2 cho hệ thống giám sát cao cấp, lái xe tự động hoặc kiểm tra công nghiệp, nơi có công suất mạnh mẽ GPU có sẵn. Khả năng phân biệt các chi tiết nhỏ của nó khiến nó phù hợp cho các nhiệm vụ như phát hiện thuốc trong sản xuất y tế hoặc phân tích hình ảnh vệ tinh phức tạp.
Hãy chọn EfficientDet cho các thiết bị IoT chạy bằng pin, ứng dụng di động hoặc các tình huống yêu cầu khả năng tương thích rộng trên nhiều cấp độ phần cứng khác nhau. Sản phẩm phù hợp với máy quét kho bán lẻ thông minh hoặc hệ thống báo động an ninh cơ bản, nơi chi phí và mức tiêu thụ điện năng là mối quan tâm hàng đầu.

Các Ultralytics YOLO Lợi thế

Trong khi cả RTDETRv2 và EfficientDet đều có ưu điểm riêng, Ultralytics YOLO11 cung cấp sự tổng hợp hấp dẫn các tính năng tốt nhất của chúng, được gói gọn trong một hệ sinh thái thân thiện với nhà phát triển.

Tại sao các nhà phát triển thích Ultralytics

Ultralytics các mô hình được thiết kế không chỉ để đánh giá chuẩn mà còn để sử dụng trong thực tế.

Dễ sử dụng: Ultralytics Python và CLI của Python giúp giảm đáng kể độ phức tạp của việc đào tạo và triển khai. Người dùng có thể chuyển từ cài đặt sang đào tạo trên một tập dữ liệu tùy chỉnh chỉ trong vài phút.
Hệ sinh thái được duy trì tốt: Được hỗ trợ bởi một cộng đồng phát triển mạnh và cập nhật thường xuyên, Ultralytics Khung tích hợp liền mạch với các công cụ MLOps như Weights & Biases , MLFlow và Ultralytics HUB để quản lý dữ liệu.
Cân bằng hiệu suất: YOLO11 đạt được sự cân bằng giữa tốc độ và độ chính xác tiên tiến. Nó thường ngang bằng hoặc vượt trội hơn độ chính xác của các mô hình biến áp như RTDETRv2 trong khi vẫn duy trì đặc tính tốc độ suy luận của CNN.
Hiệu quả bộ nhớ: Không giống như các yêu cầu về bộ nhớ nặng nề của đào tạo dựa trên máy biến áp, YOLO các mô hình được tối ưu hóa để đạt hiệu quả GPU sử dụng, cho phép sản xuất số lượng lớn hơn trên phần cứng cấp tiêu dùng.
Tính linh hoạt: Một khuôn khổ duy nhất hỗ trợ Phát hiện đối tượng , Phân đoạn thực thể , Ước tính tư thế , Phân loại và Phát hiện đối tượng định hướng (OBB) .

Hiệu quả đào tạo

Ultralytics cung cấp các trọng số được huấn luyện trước giúp hỗ trợ Chuyển giao Học tập , giảm đáng kể thời gian huấn luyện. Sau đây là cách đơn giản để bắt đầu huấn luyện một YOLO11 người mẫu:

from ultralytics import YOLO

# Load a pre-trained YOLO11 model
model = YOLO("yolo11n.pt")

# Train the model on the COCO8 dataset for 100 epochs
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

Triển khai đơn giản hóa

Ultralytics các mô hình có thể được xuất sang nhiều định dạng như ONNX , TensorRT , CoreML , Và OpenVINO chỉ với một lệnh duy nhất, đơn giản hóa quy trình từ nghiên cứu đến sản xuất. Tìm hiểu thêm về các chế độ xuất .

Kết luận

Khi so sánh RTDETRv2 với EfficientDet , người chiến thắng phụ thuộc vào các hạn chế của bạn. RTDETRv2 vượt trội về độ chính xác cao, GPU - môi trường tăng tốc, chứng minh rằng máy biến áp có thể hoạt động nhanh. EfficientDet vẫn là lựa chọn đáng tin cậy cho các tình huống biên giới có công suất thấp và bị hạn chế cao.

Tuy nhiên, đối với phần lớn các nhà phát triển đang tìm kiếm một giải pháp linh hoạt, dễ sử dụng và hiệu suất cao , Ultralytics YOLO11 là một lựa chọn nổi bật. Khả năng xử lý nhiều tác vụ thị giác trong một hệ sinh thái thống nhất, kết hợp với hiệu suất bộ nhớ và tốc độ đào tạo vượt trội, khiến nó trở thành lựa chọn tối ưu cho các ứng dụng thị giác máy tính hiện đại.

Khám Phá Các So Sánh Khác

Để mở rộng hiểu biết của bạn về các mô hình phát hiện đối tượng có sẵn, hãy cân nhắc khám phá những so sánh liên quan sau: