RTDETRv2 so với Ultralytics YOLO11 : So sánh kỹ thuật

Việc lựa chọn kiến trúc phát hiện đối tượng tối ưu đòi hỏi sự cân bằng giữa độ chính xác, độ trễ suy luận và hiệu quả tính toán. Hướng dẫn này cung cấp phân tích kỹ thuật toàn diện về RTDETRv2 , một bộ phát hiện dựa trên biến áp, và Ultralytics YOLO11 , công nghệ tiên tiến nhất hiện nay. YOLO Bộ truyện (Bạn chỉ nhìn một lần).

Mặc dù cả hai mô hình đều vượt qua giới hạn của thị giác máy tính, nhưng chúng sử dụng các phương pháp tiếp cận cơ bản khác nhau. RTDETRv2 tận dụng các bộ chuyển đổi thị giác để nắm bắt bối cảnh toàn cục, ưu tiên độ chính xác trong các cảnh phức tạp. Ngược lại, YOLO11 cải tiến kiến trúc dựa trên CNN để mang lại sự cân bằng vượt trội về tốc độ, độ chính xác và khả năng triển khai dễ dàng, được hỗ trợ bởi hệ sinh thái Ultralytics mạnh mẽ.

RTDETRv2: Bộ chuyển đổi phát hiện thời gian thực

RTDETRv2 là một bước tiến quan trọng trong việc điều chỉnh kiến trúc Transformer để phát hiện đối tượng theo thời gian thực. Được phát triển bởi các nhà nghiên cứu tại Baidu, nó được xây dựng dựa trên nền tảng ban đầu. RT-DETR bằng cách giới thiệu một cơ sở đào tạo được cải thiện với chiến lược đào tạo "túi quà tặng miễn phí".

Tác giả: Wenyu Lv, Yian Zhao, Qinyao Chang, Kui Huang, Guanzhong Wang, và Yi Liu
Tổ chức: Baidu
Ngày: 2023-04-17
Arxiv: https://arxiv.org/abs/2304.08069
GitHub: https://github.com/lyuwenyu/ RT-DETR /tree/main/rtdetrv2_pytorch
Tài liệu: https://github.com/lyuwenyu/ RT-DETR /tree/main/rtdetrv2_pytorch#readme

Kiến trúc và Khả năng

RTDETRv2 sử dụng kiến trúc lai kết hợp xương sống (thường là một mạng lưới CNN như ResNet) với bộ mã hóa-giải mã biến áp. Điểm mạnh cốt lõi nằm ở cơ chế tự chú ý , cho phép mô hình xử lý thông tin toàn cục trên toàn bộ hình ảnh cùng lúc. Khả năng này đặc biệt hữu ích cho việc phân biệt các vật thể trong môi trường đông đúc hoặc xác định mối quan hệ giữa các đặc điểm ảnh ở xa.

Điểm mạnh và Điểm yếu

Ưu điểm chính của RTDETRv2 là khả năng đạt được Độ chính xác trung bình ( mAP ) cao trên các điểm chuẩn như COCO , thường vượt trội hơn các mô hình chỉ dựa trên CNN trong các tình huống đòi hỏi sự hiểu biết về bối cảnh toàn cầu.

Tuy nhiên, điều này đi kèm với những đánh đổi. Kiến trúc dựa trên bộ biến đổi vốn dĩ tiêu tốn nhiều tài nguyên hơn. RTDETRv2 thường yêu cầu nhiều bộ nhớ CUDA hơn đáng kể trong quá trình đào tạo và suy luận so với YOLO mô hình. Ngoài ra, mặc dù được tối ưu hóa cho hiệu suất "thời gian thực", nó thường chậm hơn YOLO11 về tốc độ suy luận thô, đặc biệt là trên các thiết bị biên hoặc hệ thống không có GPU cao cấp. Hệ sinh thái xung quanh RTDETRv2 cũng phân mảnh hơn, chủ yếu phục vụ mục đích nghiên cứu hơn là triển khai sản xuất.

Tìm hiểu thêm về RTDETRv2

Ultralytics YOLO11 : Tốc độ, Độ chính xác và Tính linh hoạt

Ultralytics YOLO11 là phiên bản mới nhất trong dòng sản phẩm phát hiện đối tượng được áp dụng rộng rãi nhất trên thế giới. Được thiết kế bởi Ultralytics , YOLO11 cải tiến mô hình phát hiện một giai đoạn để tối đa hóa hiệu quả mà không ảnh hưởng đến độ chính xác.

Tác giả: Glenn Jocher, Jing Qiu
Tổ chức: Ultralytics
Ngày: 2024-09-27
GitHub: https://github.com/ ultralytics / ultralytics
Tài liệu: https://docs. ultralytics .com/models/ yolo11 /

Kiến trúc và các tính năng chính

YOLO11 sử dụng kiến trúc CNN tiên tiến với các lớp trích xuất đặc trưng được cải tiến và đầu được tối ưu hóa cho hồi quy hộp giới hạn chính xác. Không giống như các mô hình chỉ tập trung vào phát hiện, YOLO11 là một nền tảng đa năng hỗ trợ nhiều tác vụ thị giác máy tính— phân đoạn trường hợp , phân loại hình ảnh , ước tính tư thế và hộp giới hạn định hướng (OBB) —trong một khuôn khổ thống nhất duy nhất.

Hệ sinh thái thống nhất

Một trong những lợi thế quan trọng nhất của YOLO11 là sự tích hợp của nó với Ultralytics hệ sinh thái. Các nhà phát triển có thể chuyển từ quản lý tập dữ liệu sang đào tạo và triển khai một cách liền mạch, sử dụng cùng một API cho tất cả các tác vụ.

Các Ultralytics Lợi thế

YOLO11 được thiết kế hướng đến trải nghiệm của nhà phát triển. Nó cung cấp:

Hiệu quả đào tạo: Tốc độ hội tụ nhanh hơn và yêu cầu bộ nhớ thấp hơn đáng kể so với các mô hình máy biến áp, cho phép đào tạo trên phần cứng cấp tiêu dùng.
Tính linh hoạt khi triển khai: Xuất dữ liệu liền mạch sang các định dạng như ONNX , TensorRT , CoreML , Và TFLite để triển khai trên nền tảng biên và đám mây.
Dễ sử dụng: API Pythonic và toàn diện CLI làm cho người mới bắt đầu dễ hiểu trong khi vẫn cung cấp kiến thức chuyên sâu cho các chuyên gia.

Tìm hiểu thêm về YOLO11

Phân tích hiệu suất: Số liệu và hiệu quả

Khi so sánh RTDETRv2 và YOLO11 , các số liệu này làm nổi bật các triết lý thiết kế riêng biệt. Bảng dưới đây chứng minh rằng Ultralytics YOLO11 luôn mang lại tỷ lệ tốc độ/độ chính xác vượt trội.

Ví dụ, YOLO11x đạt được mức cao hơn mAP (54,7) so với mô hình RTDETRv2-x lớn nhất (54,3) trong khi vẫn duy trì độ trễ suy luận thấp hơn đáng kể (11,3 ms so với 15,03 ms trên T4 GPU ). Hơn nữa, các biến thể nhỏ hơn như YOLO11m cung cấp độ chính xác cạnh tranh với chi phí tính toán giảm đáng kể, khiến chúng khả thi hơn nhiều cho các ứng dụng thời gian thực.

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

YOLO11n	640	39.5	56.1	1.5	2.6	6.5
YOLO11s	640	47.0	90.0	2.5	9.4	21.5
YOLO11m	640	51.5	183.2	4.7	20.1	68.0
YOLO11l	640	53.4	238.6	6.2	25.3	86.9
YOLO11x	640	54.7	462.8	11.3	56.9	194.9

Những Điểm Chính

Tốc độ suy luận: YOLO11 các mô hình đều nhanh hơn trên toàn cầu, đặc biệt là trên CPU -dựa trên suy luận trong đó Transformers thường gặp khó khăn do tính toán sự chú ý phức tạp.
Hiệu suất tham số: YOLO11 đạt được độ chính xác tương tự hoặc tốt hơn với ít tham số và FLOP hơn, dẫn đến chi phí lưu trữ và mức tiêu thụ điện năng thấp hơn.
Sử dụng bộ nhớ: Đào tạo a YOLO11 mô hình thường tiêu thụ ít hơn GPU VRAM so với RTDETRv2, cho phép xử lý khối lượng lớn hơn hoặc đào tạo trên GPU dễ tiếp cận hơn.

Trải nghiệm sử dụng và phát triển

Một điểm khác biệt quan trọng là khả năng tích hợp dễ dàng. Mặc dù RTDETRv2 cung cấp cơ sở mã hướng đến nghiên cứu, YOLO11 cung cấp API Python sẵn sàng cho sản xuất và CLI .

Ví dụ sau đây minh họa cách đơn giản để tải một chương trình được đào tạo trước YOLO11 mô hình hóa và chạy suy luận trên hình ảnh. Mức độ đơn giản này giúp tăng tốc đáng kể vòng đời phát triển .

from ultralytics import YOLO

# Load a pretrained YOLO11n model
model = YOLO("yolo11n.pt")

# Run inference on an image
results = model("path/to/image.jpg")

# Show results
results[0].show()

Quy trình làm việc hợp lý này mở rộng sang đào tạo trên các tập dữ liệu tùy chỉnh , trong đó Ultralytics tự động xử lý việc tăng cường dữ liệu phức tạp và điều chỉnh siêu tham số.

Các trường hợp sử dụng lý tưởng

Việc lựa chọn mô hình phù hợp phụ thuộc vào mục tiêu và ràng buộc cụ thể của dự án.

Khi nào nên chọn Ultralytics YOLO11

YOLO11 là lựa chọn được khuyến nghị cho phần lớn các ứng dụng thương mại và nghiên cứu do tính linh hoạt và hỗ trợ hệ sinh thái của nó.

Điện toán biên: Lý tưởng để triển khai trên các thiết bị như NVIDIA Jetson hoặc Raspberry Pi do độ trễ thấp và hiệu quả sử dụng tài nguyên.
Hệ thống thời gian thực: Hoàn hảo cho việc giám sát giao thông , điều hướng tự động và kiểm soát chất lượng công nghiệp, nơi tốc độ ở mức mili giây là rất quan trọng.
Dự án đa nhiệm vụ: Nếu dự án của bạn yêu cầu phân đoạn hoặc ước tính tư thế cùng với phát hiện, YOLO11 cung cấp giải pháp thống nhất.
Tạo mẫu nhanh: Tài liệu mở rộng và sự hỗ trợ của cộng đồng cho phép lặp lại nhanh chóng từ ý tưởng đến triển khai.

Khi nào nên chọn RTDETRv2

RTDETRv2 phù hợp nhất cho các tình huống nghiên cứu chuyên biệt.

Nghiên cứu học thuật: Khi mục tiêu chính là nghiên cứu kiến trúc Vision Transformer hoặc vượt qua các tiêu chuẩn học thuật cụ thể bất kể chi phí tính toán.
Các trường hợp che khuất phức tạp: Trong các tình huống có đầu vào tĩnh, trong đó tài nguyên phần cứng không giới hạn, cơ chế chú ý toàn cục có thể mang lại một số lợi thế nhỏ trong việc giải quyết các trường hợp che khuất dày đặc.

Kết luận

Trong khi RTDETRv2 chứng minh tiềm năng của bộ biến đổi trong phát hiện đối tượng, Ultralytics YOLO11 vẫn là lựa chọn ưu việt cho việc triển khai thực tế và các giải pháp thị giác máy tính toàn diện. Kiến trúc của nó mang lại sự cân bằng tốt hơn giữa tốc độ và độ chính xác, trong khi hệ sinh thái xung quanh giúp giảm đáng kể độ phức tạp của việc đào tạo và MLOps .

Đối với các nhà phát triển đang tìm kiếm một mô hình đáng tin cậy, nhanh chóng và được hỗ trợ tốt có thể mở rộng từ nguyên mẫu đến sản xuất, YOLO11 mang lại giá trị vô song.

Khám phá các Mô hình Khác

Nếu bạn quan tâm đến những so sánh sâu hơn trong lĩnh vực thị giác máy tính, hãy khám phá các trang liên quan sau: