跳转至内容

YOLOv5 RTDETRv2YOLOv5 ：评估卷积神经网络与Transformer 在目标检测中的表现

过去几年间，计算机视觉领域取得了显著发展，为开发者提供了多种架构来处理复杂的视觉任务。其中最受欢迎的范式包括卷积神经网络（CNN）和检测变换器（DETR）。

本指南对这两个类别中的两个关键模型进行了深入的技术比较： Ultralytics YOLOv5——一款基于卷积神经网络的高效通用模型，以及RTDETRv2——transformer实时目标检测器。

Ultralytics YOLOv5：行业效率标杆

自发布以来Ultralytics YOLOv5 人工智能领域的基石，为全球数千个商业应用和研究项目提供支持。该模型完全基于 PyTorch 框架构建，在确保实时性能的同时，优先提供了直观的开发者体验。

主要特点：

架构与优势

YOLOv5 精简的卷积神经网络架构，旨在最大化特征提取效率的同时保持极低的内存占用。该架构融合了CSPDarknet主干网络与PANet颈部结构，形成了强大的多尺度特征融合组合。

YOLOv5 的主要优势之一YOLOv5 其性能平衡性。它在速度与准确性之间实现了卓越的权衡，使其成为NVIDIA 设备和智能手机等资源受限硬件上部署模型的理想选择。

此外YOLOv5 无与伦比的多功能性。不同于仅限于边界框预测的模型YOLOv5 图像分类与实例分割，为各类视觉任务提供统一框架。其训练效率同样卓越，相较于transformer架构，训练过程中CUDA 显著减少。

弱点

由于基于较早的卷积神经网络框架，YOLOv5 在后处理阶段YOLOv5 依赖非最大抑制（NMS）来消除重复的边界框。尽管在Ultralytics 经过高度优化，NMS 偶尔NMS 专用边缘NPU上引发延迟瓶颈。

了解更多关于 YOLOv5

RTDETRv2：百度实时变压器

RTDETRv2（实时检测Transformer ）在将transformer 应用于实时目标检测方面实现了重大突破，解决了传统DETR长期存在的计算效率问题。

主要特点：

架构与优势

RTDETRv2在前代基础上，通过采用混合编码器与灵活解码器设计来处理图像。transformer自我注意机制使模型能够全面理解图像上下文，使其在存在严重物体遮挡的复杂场景中表现尤为出色。

RTDETRv2的标志性特征在于其端到端、NMS的设计。通过直接预测目标查询，无需锚框或NMS ，该架构显著简化了推理流程。在基准数据集上，该架构实现了令人瞩目的mAP 均值平均精度）表现，例如 COCO等基准数据集上取得了显著的mAP（均值平均精度）成绩。

弱点

尽管具备实时处理能力，RTDETRv2YOLO 仍存在显著更高的内存需求。 Transformer模型中的注意力机制随序列长度呈二次增长，这在高分辨率训练时可能导致内存不足错误——除非使用GPU 。此外，该模型Ultralytics 开箱即用灵活性，主要专注于2D目标检测，未原生支持分割或姿势估计 。

了解更多关于 RTDETR 的信息

性能对比表

为客观评估这些架构，我们汇总了其性能指标。加粗显示的数值代表在测试范围内最高效或表现最优的指标。

模型尺寸
(像素)		mAPval
50-95		速度
CPU ONNX
(毫秒)		速度
T4 TensorRT10
(毫秒)		参数
(M)		FLOPs
(B)
YOLOv5n64028.073.61.122.67.7
YOLOv5s64037.4120.71.929.124.0
YOLOv5m64045.4233.94.0325.164.2
YOLOv5l64049.0408.46.6153.2135.0
YOLOv5x64050.7763.211.8997.2246.4
RTDETRv2-s64048.1-5.032060
RTDETRv2-m64051.9-7.5136100
RTDETRv2-l64053.4-9.7642136
RTDETRv2-x64054.3-15.0376259

性能背景

尽管RTDETRv2-x实现了最高的绝对mAP，但其参数数量是YOLOv5n的近30倍。对于在有限硬件上运行的高速应用场景，Ultralytics 始终能提供最佳的计算效率。

Ultralytics 生态系统优势

将模型从研究笔记本迁移至生产环境时，围绕模型的软件生态系统与神经网络架构同等重要。Ultralytics 提供的完善生态系统 Ultralytics 加速了开发生命周期。

无与伦比的易用性

Ultralytics 致力于提供极致简化的用户体验。无论您需要训练自定义模型、执行验证，还是导出至硬件特定格式（如 TensorRT 或 ONNXUltralytics Python 仅需寥寥数行代码即可实现。

以下是一个实用的代码示例，展示了Ultralytics 进行训练和运行推理是多么简单：

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()

这个简单统一的API原生支持与诸如Weights & Biases等工具的实验追踪集成。 Weights & Biases 和 Comet等工具的实验追踪集成，开发者无需编写复杂的模板代码即可无缝记录指标。

应用场景与建议

YOLOv5 RT-DETR 之间进行选择RT-DETR 您的具体项目需求、部署限制以及生态系统偏好。

何时选择 YOLOv5

YOLOv5 以下场景的强力选择：

  • 成熟的生产系统：现有部署场景中YOLOv5长期稳定的track 、详尽的文档支持以及庞大的社区支持而备受推崇。
  • 资源受限训练： GPU 有限的环境中，YOLOv5训练管道和较低的内存需求具有显著优势。
  • 广泛的导出格式支持：适用于需要跨多种格式部署的项目，包括 ONNX、 TensorRT、 CoreML, TFLite。

何时选择RT-DETR

RT-DETR ：

  • Transformer检测研究：探索注意力机制与transformer 的项目，用于实现无需NMS端到端目标检测。
  • 高精度场景（支持灵活延迟）：检测精度为首要目标，且可接受稍高的推理延迟的应用场景。
  • 大型物体检测：场景中主要包含中型至大型物体，此时变压器的全局注意力机制具有天然优势。

何时选择Ultralytics YOLO26）

对于大多数Ultralytics 提供了性能与开发者体验的最佳组合：

  • NMS边缘部署：适用于需要持续低延迟推理，且无需复杂非最大抑制后处理的应用场景。
  • CPU环境：在不具备专用GPU 设备上，YOLO26高达43%CPU 加速优势具有决定性意义。
  • 小目标检测： 在无人机航拍图像或物联网传感器分析等挑战性场景中，ProgLoss和STAL能显著提升对微小目标的检测精度。

展望未来：YOLO11

若您今日正着手启动新的视觉项目，强烈建议您探索最新一代Ultralytics 。

尽管YOLOv5 依然极其可靠， YOLO11 在提升准确性的同时，还扩展了任务集，包括方向性边界框检测（旋转框检测 Bounding Box旋转框检测）。

更重要的是，尖端的YOLOv26融合了两种方法的优势。它实现了端到端NMS设计（该设计最早由 YOLOv10），在消除后处理开销的同时保持了卷积神经网络的效率。YOLO26还引入了受LLM训练创新启发的MuSGD优化器，实现更快收敛。通过移除DFL（分布式焦点损失，以简化导出并提升边缘/低功耗设备兼容性），YOLO26实现最高43%CPU 加速，成为边缘AI的绝对首选。 此外，ProgLoss + STAL增强型损失函数显著提升了小目标识别能力，这对物联网、机器人及航空影像领域至关重要。

结论

YOLOv5 进行选择，很大程度上取决于您的部署限制。RTDETRvmAP 强大的transformer 机制突破了mAP 的边界，但其内存和计算开销成本高昂。

Ultralytics YOLOv5 经过验证、高度优化且功能强大的解决方案，能够在从云服务器到微控制器的各种环境中流畅运行。对于追求最高精度与无缝部署工具的团队Ultralytics 升级至YOLOv5，正是现代视觉AI应用领域无可争议的尖端解决方案。


评论