YOLOv5 RT-DETRv2：实时目标检测器技术对比

实时目标检测的发展历程主要由两大架构范式定义：基于卷积神经网络（CNN）YOLO ，以及Transformer检测模型。本比较探讨了这两类模型在技术层面的差异。 Ultralytics YOLOv5（行业标准的CNN检测器）与 RT-DETRv2——这款实时检测Transformer 的最新迭代版本Transformer 挑战传统CNN的统治地位。

两种模型都致力于解决推理速度与高精度之间平衡这一关键挑战，但它们采用根本不同的方法来实现这一目标。

Ultralytics YOLOv5：行业标准

YOLOv5 凭借其在速度、精度与工程实用性方面的卓越平衡YOLOv5 全球部署最广泛的计算机视觉模型之一。Ultralytics2020年中发布，通过无缝Python 使尖端检测技术得以普及，让工程师和研究人员都能轻松使用，从而重新定义了人工智能领域的可用性标准。

• 作者： Glenn Jocher
• 组织：Ultralytics
• 日期： 2020-06-26
• GitHub:https://github.com/ultralytics/yolov5
• 文档:https://docs.ultralytics.com/models/yolov5/

了解更多关于 YOLOv5

架构与设计

YOLOv5 SPDarknet骨干网络，通过整合跨阶段部分网络（Cross Stage Partial networks）来优化梯度流并降低计算成本。其颈部采用路径聚合网络（PANet）实现高效的特征金字塔聚合，确保不同尺度特征的有效融合。

主要架构特性包括：

• 锚点检测：利用预定义的锚点框预测物体位置，这是实现稳健定位的成熟方法。
• 马赛克数据增强：一种训练技术，通过拼接四张图像，使模型能够在不同场景和尺度下detect 。
• SiLU激活函数：相较于传统的ReLU，更平滑的激活函数可提升深度神经网络的收敛性。

部署优势

YOLOv5 在易用性方面YOLOv5 。其"零基础到专家"的工作流程让开发者能在数分钟内完成从数据集到部署模型的全过程。Ultralytics 通过集成数据标注工具、云端训练功能以及一键导出至ONNX等格式的支持，全面赋能这一流程。 ONNX、 TensorRT和 CoreML。

与可能需要大量内存的transformer 不同YOLOv5 在训练期间的内存需求显著YOLOv5 。这种高效性使其能够在消费级GPUNVIDIA 等边缘设备上运行，使其在从野生动物保护到零售分析等现实应用中具有高度的通用性。

RT-DETRv2：Transformer

RT-DETRv2 实时检测Transformer ）RT-DETR的基础上，致力于将变换器的精确度提升至实时处理速度。该模型通过优化编码器-解码器结构，有效解决了视觉变换器（ViTs）通常面临的高计算成本问题。

• 作者： Wenyu Lv, Yian Zhao 等
• 组织： Baidu
• 日期：2023年4月17日（v1），2024年7月24日（v2）
• Arxiv：https://arxiv.org/abs/2304.08069
• GitHub:RT-DETR

了解更多关于 RT-DETR 的信息

架构与设计

RT-DETRv2 混合架构，将卷积神经网络（通常为ResNet或HGNet）作为骨干网络，与高效的transformer 相结合。

• 混合编码器：分离尺度内交互与跨尺度融合，以降低计算开销。
• IoU查询选择：通过优先处理高置信度特征，优化目标查询的初始化过程。
• 无锚点：无需预定义锚点即可直接预测边界框，理论上简化了输出头。
• NMS：其关键卖点在于消除了非最大抑制（NMS），这能降低后处理中的延迟波动。

部署考量

尽管RT-DETRv2 精度RT-DETRv2 ，但其资源需求更高。YOLOv5卷积神经网络相比，transformer模型训练通常需要更多GPU 和更长的训练时间。此外，虽然移除NMS 对延迟稳定性NMS 注意力层中的密集矩阵运算在老旧硬件或缺乏专用tensor 边缘设备上可能运行较慢。

性能指标比较

下表对比了COCO RT-DETRv2 COCO 数据集RT-DETRv2 表现。RT-DETRv2 强大的准确率（mAP），YOLOv5 提供更优的参数速度比，尤其在标准硬件上表现更为突出。

主要区别和应用场景

1. 培训效率与生态系统

Ultralytics 最显著的优势之一 Ultralytics YOLOv5 的最大优势之一在于其训练效率。该模型能在较小规模的数据集和较低性能的硬件上高效训练，从而使人工智能技术得以普及。Ultralytics 用户直观查看训练指标、管理数据集，并实现模型的无缝部署。

相比之下，由于transformer 机制的特性，RT-DETRv2 需要CUDA 更长的训练周期才能收敛。对于需要快速迭代的开发者而言，YOLOv5 的快速训练周期YOLOv5 显著提升工作效率的关键因素。

2. 多功能性

YOLOv5 是一个目标检测器。Ultralytics 将其功能扩展至：

• 实例分割：在像素级别对物体进行分割。
• 图像分类：高效地对整张图像进行分类。
• 姿势估计: detect 人体上的关键点。

这种多功能性意味着单一库即可驱动整套应用程序，从体育分析到医学成像，从而降低代码复杂度和维护成本。RT-DETRv2 主要RT-DETRv2 检测功能，在统一工作流中对这些辅助任务的支持尚不成熟。

3. 边缘与CPUCPU

针对CPU（常见于IP摄像头或云函数）或移动设备部署YOLOv5卷积神经网络架构经过高度优化。它支持导出至 TFLite 和 CoreML 格式，并提供全面的量化支持。RT-DETRv2 Transformer GPU RT-DETRv2 延迟问题，这是因为其复杂的矩阵运算难以通过CPU 实现高效加速。

推荐：Ultralytics 的优势

尽管RT-DETRv2 在学术研究中RT-DETRv2 出色Ultralytics YOLO 为生产系统提供了更全面的解决方案。其完善的生态系统确保与最新Python 、硬件驱动程序及导出格式兼容，为长期项目提供可靠保障。

对于在2026年启动新项目的用户，我们强烈建议关注Ultralytics YOLO26。

为何选择YOLO26？

YOLO26代表了效率的巅峰，融合了卷积神经网络（CNN）和Transformer模型的最佳特性。

• 原生端到端：与RT-DETRv2类似，YOLO26NMS，从而简化了部署流程。
• MuSGD优化器：一款突破性的混合优化器，实现更快的收敛速度和更高的稳定性。
• 边缘优化：专为实现最高43%CPU 加速而设计，相较于前代产品。
• DFL移除：简化损失函数以提升向边缘设备的可移植性。

了解更多关于 YOLO26 的信息

代码示例：运行YOLOv5

Ultralytics 的简洁性是其被广泛采用的主要原因。以下是加载和运行推理的便捷操作流程：

import torch

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

# Define an image URL or local path
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()

作为对比Ultralytics 通过相同的简易界面RT-DETR ：

from ultralytics import RTDETR

# Load a pre-trained RT-DETR model
model = RTDETR("rtdetr-l.pt")

# Run inference on an image
results = model("https://ultralytics.com/images/bus.jpg")

# Display the results
for result in results:
    result.show()

结论

YOLOv5 RT-DETRv2 出色的模型。RT-DETRv2 凭借其NMS架构和高精度，transformer检测技术RT-DETRv2 未来前景。然而， YOLOv5 在实际部署场景中仍具强大优势：其在边缘设备上具备无与伦比的运行速度，资源消耗更低，且拥有丰富的配套工具生态系统。

对于希望兼得两全之美的开发者——既追求卷积神经网络的速度，又渴望变压器NMS的便捷性Ultralytics 将成为2026年及未来的不二之选。

更多资源

• YOLOv5 文档
• RT-DETR
• Ultralytics Platform
• YOLO26：新标准

评论