RTDETRv2 so với YOLOv5 : So sánh kỹ thuật

Trong bối cảnh phát hiện đối tượng đang phát triển nhanh chóng, việc lựa chọn mô hình phù hợp thường liên quan đến việc cân nhắc giữa độ phức tạp về kiến trúc, tốc độ suy luận và khả năng ứng dụng thực tế. Hướng dẫn này cung cấp so sánh kỹ thuật toàn diện giữa RTDETRv2 , một bộ phát hiện thời gian thực dựa trên biến áp của Baidu, và YOLOv5 , mô hình dựa trên CNN huyền thoại của Baidu. Ultralytics được biết đến vì tính linh hoạt và được áp dụng rộng rãi.

Phân tích hiệu năng: Tốc độ so với độ chính xác

Sự khác biệt cơ bản giữa hai mô hình này nằm ở triết lý kiến trúc của chúng. RTDETRv2 sử dụng phương pháp Vision Transformer (ViT) để nắm bắt bối cảnh toàn cầu, hướng đến độ chính xác tối đa trong các phép đo chuẩn. Ngược lại, YOLOv5 sử dụng thiết kế Mạng nơ-ron tích chập (CNN) được tối ưu hóa cao, ưu tiên sự cân bằng giữa tốc độ, hiệu quả và khả năng triển khai dễ dàng trên nhiều phần cứng khác nhau.

Bảng dưới đây minh họa sự khác biệt này. Trong khi RTDETRv2 đạt được mAP điểm trên tập dữ liệu COCO , nó đòi hỏi nhiều tài nguyên tính toán hơn đáng kể. YOLOv5 , đặc biệt là ở các biến thể nhỏ hơn (Nano và Small), cung cấp tốc độ suy luận nhanh hơn đáng kể—đặc biệt là trên CPU—và dung lượng bộ nhớ thấp hơn nhiều, khiến nó trở thành lựa chọn thiết thực cho các ứng dụng thực tế.

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

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

Hiệu quả bộ nhớ

YOLOv5 yêu cầu ít hơn đáng kể CUDA Bộ nhớ dùng cho đào tạo so với các mô hình dựa trên bộ biến đổi như RTDETRv2. Rào cản gia nhập thấp hơn này cho phép các nhà phát triển đào tạo các mô hình tùy chỉnh trên GPU tiêu dùng tiêu chuẩn hoặc thậm chí trên môi trường đám mây như Google Colab mà không gặp phải lỗi Hết bộ nhớ (OOM).

RTDETRv2: Người thách thức máy biến hình

RTDETRv2 (Real-Time Detection Transformer v2) là nỗ lực mang lại lợi ích về độ chính xác của bộ chuyển đổi vào các tình huống thời gian thực. Bằng cách sử dụng kiến trúc lai, RTDETRv2 cố gắng giảm thiểu chi phí tính toán cao thường đi kèm với Vision Transformer.

Tác giả: Wenyu Lv, Yian Zhao, Qinyao Chang, Kui Huang, Guanzhong Wang, và Yi Liu
Tổ chức: Baidu
Ngày: 2023-04-17
Arxiv: 2304.08069
GitHub: Kho lưu trữ RT-DETR
Tài liệu: Tài liệu RTDETRv2

Kiến trúc và Điểm mạnh

RTDETRv2 kết hợp xương sống CNN để trích xuất đặc điểm hiệu quả với bộ mã hóa-giải mã biến áp. Thiết kế này cho phép mô hình sử dụng các cơ chế tự chú ý để hiểu các mối quan hệ toàn cục giữa các đối tượng, điều này có thể hữu ích trong các cảnh phức tạp với hiện tượng che khuất hoặc đông đúc. Điểm mạnh chính của nó là độ chính xác cao trong các tiêu chuẩn học thuật, trong đó nó thường vượt trội hơn các mô hình dựa trên CNN có quy mô tương tự trong các trường hợp thuần túy. mAP số liệu.

Điểm yếu

Mặc dù có độ chính xác cao, RTDETRv2 vẫn gặp phải những thách thức về tính linh hoạt và dễ sử dụng. Kiến trúc biến áp vốn nặng hơn, dẫn đến thời gian đào tạo chậm hơn và tiêu thụ bộ nhớ cao hơn. Hơn nữa, hệ sinh thái của nó chủ yếu tập trung vào nghiên cứu, thiếu các công cụ mở rộng, hỗ trợ triển khai và tài nguyên cộng đồng thường thấy ở các nền tảng phát triển hơn. Nó cũng chủ yếu giới hạn ở khả năng phát hiện đối tượng, trong khi các dự án hiện đại thường yêu cầu phân đoạn hoặc phân loại trong cùng một quy trình.

Tìm hiểu thêm về RTDETRv2

Ultralytics YOLOv5 : Tiêu chuẩn đa năng

YOLOv5 được coi rộng rãi là một trong những mô hình thị giác máy tính thực tế và thân thiện với người dùng nhất hiện có. Được xây dựng bởi Ultralytics , nó ưu tiên trải nghiệm "đào tạo, triển khai và hoàn thành" hợp lý, giúp AI tiên tiến có thể tiếp cận được với mọi người, từ người yêu thích đến kỹ sư doanh nghiệp.

Tác giả: Glenn Jocher
Tổ chức: Ultralytics
Date: 2020-06-26
GitHub: Kho lưu trữ YOLOv5
Tài liệu: Tài liệu YOLOv5

Tại sao YOLOv5 Nổi bật

YOLOv5 vượt trội nhờ cách tiếp cận toàn diện với các hoạt động học máy (MLOps) . Nó không chỉ là một kiến trúc mô hình mà là một hệ sinh thái hoàn chỉnh.

Dễ sử dụng: Với một cách đơn giản Python API và giao diện dòng lệnh, người dùng có thể bắt đầu đào tạo dữ liệu tùy chỉnh chỉ trong vài phút.
Cân bằng hiệu suất: Dòng sản phẩm (từ Nano đến X-Large) cung cấp tốc độ và độ chính xác hoàn hảo, cho phép người dùng tùy chỉnh lựa chọn của mình theo phần cứng cụ thể, chẳng hạn như NVIDIA Jetson hoặc Raspberry Pi.
Tính linh hoạt: Không giống như RTDETRv2, YOLOv5 hỗ trợ nhiều tác vụ bao gồm phân loại hình ảnh và phân đoạn phiên bản , giảm nhu cầu duy trì các cơ sở mã riêng biệt cho các tác vụ thị giác khác nhau.
Khả năng xuất khẩu: Ultralytics cung cấp hỗ trợ tích hợp để xuất sang ONNX , TensorRT , CoreML , Và TFLite , đảm bảo rằng các mô hình có thể được triển khai ở mọi nơi, từ ứng dụng di động đến máy chủ đám mây.

Tìm hiểu thêm về YOLOv5

Ví dụ Sử dụng

YOLOv5 được thiết kế để đơn giản hóa. Dưới đây là ví dụ về cách tải mô hình được đào tạo trước và chạy suy luận bằng cách sử dụng PyTorch Hub, trình diễn API trực quan Ultralytics được biết đến với.

import torch

# Load the YOLOv5s model from PyTorch Hub
model = torch.hub.load("ultralytics/yolov5", "yolov5s")

# Define an image URL
img = "https://ultralytics.com/images/zidane.jpg"

# Perform inference
results = model(img)

# Print results to the console
results.print()

# Show the image with bounding boxes
results.show()

So sánh Đào tạo và Hệ sinh thái

Trải nghiệm của nhà phát triển thường quan trọng như hiệu suất của mô hình thô. Ở đây, sự khác biệt rất rõ rệt.

Hiệu quả đào tạo

YOLOv5 sử dụng các bộ dò dựa trên mỏ neo có hiệu quả về mặt tính toán để đào tạo. Ultralytics Khung bao gồm "túi quà tặng miễn phí" như tăng cường khảm và tiến hóa neo tự động, giúp các mô hình hội tụ nhanh hơn và khái quát hóa tốt hơn với ít dữ liệu hơn. Ngược lại, việc huấn luyện RTDETRv2 tốn nhiều tài nguyên hơn do độ phức tạp bậc hai của các lớp chú ý của bộ biến đổi, thường yêu cầu GPU cao cấp với VRAM lớn.

Hỗ trợ hệ sinh thái

Hệ sinh thái Ultralytics mang lại những lợi thế vượt trội. Người dùng được hưởng lợi từ:

Phát triển tích cực: Cập nhật thường xuyên đảm bảo khả năng tương thích với các phiên bản mới nhất của PyTorch Và CUDA .
Hỗ trợ cộng đồng: Cộng đồng lớn trên GitHub và Discord giúp khắc phục sự cố nhanh chóng.
Công cụ tích hợp: Tích hợp liền mạch với các công cụ như Ultralytics HUB cho phép đào tạo mô hình không cần mã, quản lý tập dữ liệu và triển khai chỉ bằng một cú nhấp chuột.

RTDETRv2, mặc dù ấn tượng về mặt kỹ thuật, nhưng lại thiếu cơ sở hạ tầng xung quanh ở mức độ này, khiến việc tích hợp vào quy trình sản xuất trở nên khó khăn hơn.

Các trường hợp sử dụng lý tưởng

Việc lựa chọn mô hình phù hợp phụ thuộc vào mục tiêu và hạn chế cụ thể của bạn.

Khi nào nên chọn RTDETRv2

Nghiên cứu học thuật: Nếu mục tiêu của bạn là thúc đẩy công nghệ tiên tiến mAP số trên các tập dữ liệu như COCO và bạn có quyền truy cập vào GPU hàng đầu (ví dụ: A100).
Bối cảnh phức tạp: Trong các tình huống mà việc hiểu mối quan hệ giữa các vật thể ở xa quan trọng hơn tốc độ suy luận hoặc chi phí phần cứng.

Khi nào nên chọn YOLOv5

Triển khai Edge: Dành cho các ứng dụng trên thiết bị di động, máy bay không người lái hoặc hệ thống nhúng, nơi CPU tốc độ và hiệu quả năng lượng là tối quan trọng.
Sản xuất theo thời gian thực: Cung cấp năng lượng cho hệ thống báo động an ninh hoặc giám sát giao thông khi độ trễ thấp là điều không thể thương lượng.
Phát triển nhanh chóng: Các công ty khởi nghiệp và nhóm doanh nghiệp cần lặp lại nhanh chóng, từ việc thu thập dữ liệu đến mô hình triển khai, sẽ thấy YOLOv5 quy trình làm việc nhanh hơn đáng kể.
Yêu cầu đa nhiệm: Các dự án cần cả phát hiện và phân đoạn có thể sử dụng một khuôn khổ duy nhất, giúp đơn giản hóa ngăn xếp công nghệ.

Bạn đang tìm kiếm công nghệ mới nhất?

Trong khi YOLOv5 vẫn là một công cụ mạnh mẽ, các nhà phát triển đang tìm kiếm hiệu suất và kiến trúc mới nhất nên xem qua YOLO11 . YOLO11 xây dựng trên di sản của YOLOv5 , cung cấp độ chính xác cao hơn, tốc độ nhanh hơn và các khả năng mở rộng như ước tính tư thế và phát hiện vật thể định hướng (OBB).

Kết luận

Cả RTDETRv2 và YOLOv5 là những công cụ đắc lực trong kho vũ khí của kỹ sư thị giác máy tính. RTDETRv2 thể hiện tiềm năng của máy biến áp trong việc phát hiện với độ chính xác cao, khiến nó trở thành ứng cử viên mạnh mẽ cho các ứng dụng nghiên cứu chuyên sâu với nguồn lực tính toán dồi dào.

Tuy nhiên, đối với phần lớn các triển khai thực tế, Ultralytics YOLOv5 vẫn là lựa chọn vượt trội. Tính dễ sử dụng , độ hoàn thiện hệ sinh thái và tính linh hoạt vượt trội khiến nó trở thành giải pháp lý tưởng cho các nhà phát triển cần kết quả đáng tin cậy và tốc độ cao. Cho dù bạn đang triển khai trên đám mây hay biên, hiệu quả và hỗ trợ mà nó mang lại Ultralytics đảm bảo con đường từ ý tưởng đến sản xuất diễn ra suôn sẻ hơn.

Khám Phá Các So Sánh Mô Hình Khác

Để giúp bạn đưa ra quyết định sáng suốt nhất, hãy khám phá cách các mô hình này so sánh với các kiến trúc khác trong lĩnh vực này: