YOLOX 对比 RTDETRv2：目标检测技术比较
在快速发展的计算机视觉领域，为您的项目选择合适的架构通常需要在推理速度、准确性和计算资源效率之间进行复杂的权衡。本比较探讨了两种截然不同的物体 detect 方法：YOLOX（一个高性能的无锚点 CNN）和 RTDETRv2（一个尖端的实时 detect Transformer）。
尽管YOLOX代表了YOLO家族中向无锚点方法学的重大转变，但RTDETRv2利用视觉Transformer（ViTs）的力量来捕获全局上下文，挑战了传统的卷积神经网络（CNNs）。本指南分析了它们的架构、性能指标和理想用例，以帮助您做出明智的决策。
性能分析：速度 vs. 准确性
下面的性能指标说明了这两种模型的基本设计理念。RTDETRv2 通常通过利用注意力机制来理解复杂场景，从而实现更高的平均精度 (mAP)。然而，这种 accuracy 通常伴随着更高的计算成本。YOLOX，尤其是在其较小的变体中，优先考虑低推理延迟和在标准硬件上的高效执行。
| 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) |
|---|---|---|---|---|---|---|
| YOLOXnano | 416 | 25.8 | - | - | 0.91 | 1.08 |
| YOLOXtiny | 416 | 32.8 | - | - | 5.06 | 6.45 |
| YOLOXs | 640 | 40.5 | - | 2.56 | 9.0 | 26.8 |
| YOLOXm | 640 | 46.9 | - | 5.43 | 25.3 | 73.8 |
| YOLOXl | 640 | 49.7 | - | 9.04 | 54.2 | 155.6 |
| YOLOXx | 640 | 51.1 | - | 16.1 | 99.1 | 281.9 |
| 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 |
如表中所示，RTDETRv2-x实现了54.3的mAP，达到最高准确性，性能优于最大的YOLOX变体。相反，YOLOX-s在GPU硬件上展现出卓越的速度，使其在延迟敏感型应用中非常有效。
YOLOX：无锚框效率
YOLOX通过转向无锚框机制和解耦detect头来改进YOLO系列。通过消除对预定义锚框的需求，YOLOX简化了训练过程，并提高了对不同对象形状的泛化能力。
作者: Zheng Ge, Songtao Liu, Feng Wang, Zeming Li, and Jian Sun
组织:Megvii
日期: 2021-07-18
Arxiv:YOLOX：2021年超越YOLO系列
主要优势
- Anchor-Free Design: 消除对手动调整 anchor 超参数的需求，降低了设计复杂性。
- 解耦头：分离分类和回归任务，有助于模型更快收敛并获得更高的精度。
- SimOTA: 一种高级标签分配策略，动态分配正样本，从而提高训练稳定性。
弱点
- 过时的架构： 发布于 2021 年，它缺乏像YOLO11等较新版本中的一些现代优化。
- 有限的任务支持：主要侧重于 detect，缺乏在同一框架内对 segment 或 姿势估计 的原生支持。
RTDETRv2：Transformer 强大模型
RTDETRv2 (Real-Time Detection Transformer version 2) 代表了将Transformer架构应用于实时目标检测的飞跃。它通过引入高效的混合编码器，解决了通常与 Transformer 相关的高计算成本问题。
作者： 吕文宇、赵一安、常钦尧、黄奎、王冠中、刘毅
机构：百度
日期： 2023-04-17 (v1), 2024-07 (v2)
预印本：RT-DETRv2：带有免费增强的改进基线
主要优势
- 全局上下文： 自注意力机制使模型能够理解图像中远距离物体之间的关系，从而减少复杂场景中的误报。
- 高精度：与同等规模的基于CNN的模型相比，始终能获得更高的mAP分数。
- 无需NMS：Transformer架构自然地消除了重复检测，从而无需非极大值抑制（NMS）后处理。
弱点
- 内存密集度: 与 CNN 相比，训练期间需要更多的 GPU 显存，使得在消费级硬件上训练更加困难。
- CPU 延迟：虽然针对 GPU 进行了优化，但 Transformer 操作在仅限 CPU 的边缘设备上可能比 YOLOX-Nano 等轻量级 CNN 慢。
理想用例
这些模型之间的选择通常取决于部署环境的具体限制。
- 如果您正在部署到资源受限的边缘设备，如 Raspberry Pi 或手机，其中每一毫秒的延迟都至关重要，请选择 YOLOX。它也非常适用于物体固定且可预测的工业检测线。
- 选择 RTDETRv2 的时机：如果您可以使用强大的 GPU（如 NVIDIA T4 或 A100）并且精度至关重要。它在拥挤场景、自动驾驶或空中监控中表现出色，在这些场景中，上下文和对象关系至关重要。
为什么Ultralytics YOLO模型是卓越选择
尽管YOLOX和RTDETRv2表现出色，但以YOLO11为核心的Ultralytics YOLO生态系统为开发者和研究人员提供了更全面的解决方案。Ultralytics优先考虑用户体验，确保最先进的AI技术易于访问、高效且多功能。
1. 无与伦比的多功能性和生态系统
与主要是一个检测模型的 YOLOX 不同，Ultralytics YOLO11 原生支持广泛的计算机视觉任务，包括实例分割、姿势估计、分类和旋转框检测 (OBB)。这使您能够通过单一、统一的 API 解决多个问题。
2. 易于使用和维护
Ultralytics 软件包简化了复杂的 MLOps 世界。凭借维护良好的代码库、频繁的更新和详尽的 文档，用户可以在几分钟内完成从安装到训练的过程。
from ultralytics import YOLO
# Load a COCO-pretrained YOLO11n model
model = YOLO("yolo11n.pt")
# Train the model on a custom dataset
train_results = model.train(
data="coco8.yaml", # path to dataset YAML
epochs=100, # number of training epochs
imgsz=640, # training image size
device="cpu", # device to run on, i.e. device=0 or device=0,1,2,3 or device="cpu"
)
# Evaluate model performance on the validation set
metrics = model.val()
3. 训练效率和内存占用
Ultralytics YOLO模型的一个关键优势是其效率。RTDETRv2等Transformer基模型以数据需求大和内存密集型著称，通常需要配备大容量显存的高端GPU进行训练。相比之下，Ultralytics YOLO模型经过优化，可以在更广泛的硬件（包括消费级GPU）上高效训练，同时占用更少的CUDA内存。这种训练效率普及了高性能AI的访问。
4. 性能平衡
Ultralytics 模型在工程上旨在实现速度和准确性之间的“最佳平衡点”。对于大多数实际应用——从零售分析到安全监控——YOLO11 提供了与 Transformer 模型相当的准确性，同时保持了实时视频流所需的极快推理速度。
结论
YOLOX 和 RTDETRv2 都为计算机视觉领域做出了重大贡献。YOLOX 对于严格受限的传统嵌入式系统来说，仍然是一个可靠的选择，而RTDETRv2 则为高端硬件突破了准确性的界限。
然而，对于大多数寻求面向未来、多功能且易于使用的解决方案的开发人员而言，Ultralytics YOLO11 脱颖而出，成为首选。它结合了低内存需求、广泛的任务支持和蓬勃发展的社区，确保您的项目建立在可靠性和性能的基础之上。
探索其他比较
为了进一步完善您的模型选择，可以探索这些相关的技术比较：