YOLOv7 与 RTDETRv2：详细模型比较
选择正确的对象检测模型对于计算机视觉项目至关重要。本页对 YOLOv7 和 RTDETRv2 这两种最先进的模型进行了技术比较，以帮助您做出明智的决定。我们将深入探讨它们的架构差异、性能指标和理想应用。
| 模型 | 尺寸 （像素） |
mAPval 50-95 |
速度 CPU ONNX （毫秒） |
速度 T4TensorRT10 (ms) |
params (M) |
FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv7l | 640 | 51.4 | - | 6.84 | 36.9 | 104.7 |
| YOLOv7x | 640 | 53.1 | - | 11.57 | 71.3 | 189.9 |
| 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 |
YOLOv7：实时效率专家
YOLOv7 于 2022 年 7 月由来自台湾中央研究院信息科学研究所的作者 Chien-Yao Wang、Alexey Bochkovskiy 和 Hong-Yuan Mark Liao 推出，因其在物体检测任务中的速度和效率而备受赞誉。它改进了以往YOLO 模型的结构，在不明显牺牲准确性的前提下优先考虑快速推理。
结构和主要功能
YOLOv7 的架构建立在卷积神经网络（CNN）的基础上，并结合了几个关键功能以优化性能：
- E-ELAN（扩展高效层聚合网络）：提高特征提取效率，让模型更有效地学习。
- 模型缩放：采用复合缩放技术调整模型深度和宽度，可灵活满足不同的计算资源和性能需求。
- 辅助头训练：在训练过程中使用辅助损失头，以加深网络学习并提高整体准确性。
这些架构选择使 YOLOv7 能够在速度和准确性之间取得很好的平衡，从而使其适用于实时应用。更多详情，请参阅Arxiv 上的 YOLOv7 论文和YOLOv7 官方 GitHub 存储库。
性能指标
YOLOv7 专为低延迟要求的应用场景而设计。其性能特点如下
- mAPval50-95：在 COCO 数据集上实现高达 53.1% 的 mAP 值。
- 推理速度（T4 TensorRT10）：快至 6.84 毫秒，实现实时处理。
- 模型大小（参数）：起始参数为 36.9M，模型尺寸小巧，便于高效部署。
使用案例和优势
YOLOv7 尤其适用于需要在资源有限的设备上进行实时目标检测的应用，包括
- 机器人学：为机器人导航和交互提供快速感知。
- 监控：实现安防系统的实时监控和分析。了解YOLOv8 如何增强安防报警系统。
- 边缘设备：部署在计算能力有限的边缘设备上，NVIDIA Jetson或Raspberry Pi。
它的主要优势在于速度快、模型相对较小，因此非常适合在各种硬件平台上部署。在YOLOv7 文档中了解有关YOLOv7 架构和功能的更多信息。
RTDETRv2：精度与变压器效率
RTDETRv2（Real-Time Detection Transformer version 2，实时检测变换器第 2 版）由百度公司的吕文宇、赵一安、常钦尧、黄奎、王冠中和刘毅于 2024 年 7 月推出，它采用了一种不同的方法，将视觉变换器（ViT）集成到物体检测中。与YOLO 的 CNN 基础不同，RTDETRv2 利用变换器捕捉全局图像上下文，从而在保持实时性能的同时提高了准确性。
结构和主要功能
RTDETRv2 的架构由以下方面定义：
- 视觉变换器 (ViT) 主干网：利用变换器编码器处理整个图像，捕捉对理解复杂场景至关重要的长距离依赖关系。
- 混合 CNN 特征提取：将用于初始特征提取的 CNN 与转换层相结合，以有效整合全局上下文。
- 无锚检测：无需预定义锚框，从而简化了检测过程，提高了模型的灵活性并降低了复杂性。
这种基于变压器的设计使 RTDETRv2 有可能实现更高的精度，尤其是在复杂和杂乱的环境中。有关视觉变压器的更多信息，请参阅我们的视觉变压器（ViT）词汇表页面。RTDETRv2 论文可在 Arxiv 上查阅，官方 GitHub 存储库提供了实现细节。
性能指标
RTDETRv2 在保持具有竞争力的速度的同时优先考虑准确性，并提供以下性能指标：
- mAPval50-95：mAPval50-95 高达 54.3%，显示了物体检测的高准确性。
- 推理速度（T4 TensorRT10）：从 5.03 毫秒开始，确保在合适的硬件上具有实时能力。
- 模型大小（参数）：从 20M 参数开始，提供一系列模型大小，以满足不同的部署需求。
使用案例和优势
RTDETRv2 非常适合高精度和计算资源充足的应用：
- 自动驾驶汽车：为安全导航提供可靠、精确的环境感知。探索人工智能在自动驾驶汽车中的相关应用。
- 医学成像：在医学影像中实现精确的异常检测，帮助诊断和制定治疗计划。了解有关人工智能在医疗保健领域应用的更多信息。
- 高分辨率图像分析：需要对大型图像进行详细分析的任务，如卫星图像分析或工业检测。
RTDETRv2 的优势在于它的转换器架构，该架构有助于进行稳健的特征提取和更高的准确性，使其成为执行复杂检测任务的绝佳工具。更多详情，请参阅RT-DETR GitHub README。
结论
YOLOv7 和 RTDETRv2 都是功能强大的对象检测模型，各自具有独特的优势。YOLOv7 在要求速度和效率的实时应用中表现出色，而 RTDETRv2 则通过其基于变压器的架构优先考虑精度。您的选择应符合您项目的具体要求--速度适用于时间敏感型任务，精度适用于详细分析。
如需了解其他比较和型号，您可能也会感兴趣：
