YOLOX 与 RTDETRv2#

为computer vision applications选择最佳架构需要在准确率、推理速度和部署可行性之间进行仔细权衡。在这篇全面的技术分析中，我们探讨了YOLOX（一种高度成功的无锚框CNN架构）与RTDETRv2（一种先进的实时检测Transformer）之间的根本区别。

虽然这两个模型都对object detection领域做出了重要贡献，但构建生产就绪应用程序的开发者通常发现，像Ultralytics YOLO26这样的现代替代方案提供了更出色的训练效率、更低的内存需求以及更强大的部署生态系统。

YOLOX：架起研究与工业之间的桥梁#

YOLOX 作为 YOLO 系列的一种广受欢迎的无锚点适配方案脱颖而出，引入了一种简化的设计，在其发布时带来了令人瞩目的性能提升。

• 作者： Zheng Ge, Songtao Liu, Feng Wang, Zeming Li, and Jian Sun
• 组织： Megvii
• 日期： 2021年7月18日
• 链接： Arxiv, GitHub, Docs

架构创新#

YOLOX将YOLO系列过渡到了无锚框范式，集成了解耦头和先进的SimOTA标签分配策略。通过消除锚框，该架构显著减少了设计参数的数量，并提高了在各种benchmark datasets上的泛化能力。其轻量级版本YOLOX-Nano和YOLOX-Tiny成为了在vision AI applications on edge devices上部署的热门选择。

了解更多关于 YOLOX 的信息

RTDETRv2：推进实时视觉 Transformer#

RTDETRv2 在前代产品的基础上，利用视觉 Transformer (ViT) 的强大功能，在不牺牲实时推理速度的情况下实现了极具竞争力的精度。

• 作者： Wenyu Lv, Yian Zhao, Qinyao Chang, Kui Huang, Guanzhong Wang 和 Yi Liu
• 机构： 百度
• 日期： 2024-07-24
• 链接： Arxiv、GitHub

架构创新#

RTDETRv2通过利用原生绕过NMS的基于Transformer的架构，从根本上重新构想了检测流程。这是通过混合编码器和IoU感知查询选择实现的，它改善了对象查询的初始化。该模型有效地处理多尺度特征，使其能够捕捉复杂环境中的错综复杂的细节，例如traffic video detection at nighttime。

然而，Transformer天生就是资源密集型的。训练RTDETRv2通常需要比基于CNN的替代方案显著更多的GPU内存和计算周期，这对于预算有限的团队或需要频繁进行model tuning的团队来说可能是一个障碍。

了解更多关于 RTDETR 的信息

性能对比表#

为了客观评估这些架构，我们检查了它们在COCO dataset上的性能。下表展示了准确率（mAP）、参数量和计算复杂度之间的权衡。

虽然 RTDETRv2 达到了令人印象深刻的精度，但 YOLOX 在轻量级参数配置方面保持优势，特别是其 Nano 和 Tiny 变体。

应用场景与建议#

在 YOLOX 和 RT-DETR 之间进行选择，取决于你的具体项目需求、部署约束和生态系统偏好。

何时选择 YOLOX#

YOLOX 是以下场景的有力选择：

• 无锚点检测研究： 学术研究使用 YOLOX 简洁的无锚点架构作为基准，用于实验新的检测头或损失函数。
• 超轻量级边缘设备： 部署在微控制器或遗留移动硬件上，此时 YOLOX-Nano 变体极小的体积（0.91M 参数）至关重要。
• SimOTA 标签分配研究： 探索基于最优传输的标签分配策略及其对训练收敛影响的研究项目。

何时选择 RT-DETR#

推荐使用 RT-DETR 的场景为：

• 基于 Transformer 的检测研究： 探索注意力机制和 Transformer 架构以实现无 NMS 的端到端目标检测的项目。
• 高精度、延迟要求宽松的场景： 将检测精度置于首位，且可以容忍稍高推理延迟的应用。
• 大目标检测： 以中大型目标为主的场景，在这种场景下，Transformer 的全局注意力机制具有天然优势。

何时选择 Ultralytics (YOLO26)#

对于大多数新项目，Ultralytics YOLO26 提供了性能与开发者体验的最佳结合：

• 无 NMS 的边缘部署： 需要一致、低延迟推理且无需复杂非极大值抑制后处理的应用。
• 仅 CPU 环境： 没有专用 GPU 加速的设备，YOLO26 带来的高达 43% 的 CPU 推理提速可提供决定性优势。
• 小目标检测： 诸如航拍无人机图像或物联网传感器分析等具有挑战性的场景，其中 ProgLoss 和 STAL 显著提高了微小目标的准确率。

Ultralytics 的优势：YOLO26#

虽然YOLOX和RTDETRv2都提供了各自的优势，但新发布的Ultralytics YOLO26重新定义了视觉AI的最先进水平，解决了速度、准确率和易用部署之间的历史权衡。

端到端无 NMS 架构#

在借鉴 Transformer 模型并保持 CNN 高效性的同时，YOLO26 采用了原生的 端到端无 NMS 设计。通过消除作为后处理步骤的非极大值抑制，YOLO26 大幅简化了部署流水线，确保了在各种边缘设备上的一致推理延迟，且无需处理复杂的阈值调优开销。

CPU 推理速度提升高达 43%#

与高度依赖高端GPU的RTDETRv2等Transformer架构不同，YOLX26专门针对edge computing environments进行了优化。通过移除DFL，YOLO26简化了模型导出，并实现了高达43%更快的CPU推理，使其成为集成到Raspberry Pi或标准移动设备等硬件中的理想选择。

使用 MuSGD 的训练效率#

训练Transformer模型通常会导致过度的CUDA memory consumption和延长的训练时间。YOLO26引入了新颖的MuSGD Optimizer——一种随机梯度下降与受大语言模型启发的Muon优化器的混合体。这项创新提供了异常稳定的训练和更快的收敛速度，与RTDETRv2相比显著降低了硬件要求。

无与伦比的生态系统和多功能性#

Ultralytics ecosystem提供了直观、精简的开发者体验。凭借丰富的文档、活跃的社区支持以及云驱动的Ultralytics Platform，管理完整的AI生命周期从未如此简单。此外，YOLO26用途广泛。虽然RTDETRv2专注于目标检测，但YOLO26原生无缝支持instance segmentation、pose estimation、image classification和Oriented Bounding Box (OBB)任务。在新的ProgLoss + STAL损失函数的增强下，YOLO26在小目标识别方面也表现出色，这是aerial imagery和industrial defect detection的关键功能。

与 Ultralytics 的无缝集成#

部署模型不应需要处理复杂、碎片化的代码库。Ultralytics Python API 让你只需几行代码即可加载、训练和导出最先进的模型。

from ultralytics import YOLO

# Load the latest YOLO26 nano model for optimal edge performance
model = YOLO("yolo26n.pt")

# Train the model on your custom dataset with minimal memory overhead
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Validate the model's performance
metrics = model.val()

# Export seamlessly to ONNX or TensorRT for deployment
model.export(format="onnx", optimize=True)

通过利用 Ultralytics，你可以避开研究仓库中常见的复杂环境配置，从而加快上市时间。

结论#

YOLOX 和 RTDETRv2 代表了实时目标检测发展过程中的重要里程碑。YOLOX 证明了高效无锚点 CNN 的可行性，而 RTDETRv2 则成功地将 Transformer 适配到了实时约束中。

然而，对于从smart retail analytics到嵌入式机器人的现代应用，Ultralytics YOLO26提供了明确的解决方案。通过将无NMS推理与无与伦比的CPU速度、缩减的内存占用以及Ultralytics Platform的强大支持融为一体，YOLO26赋能开发者构建下一代可靠的高性能计算机视觉系统。