Erste Schritte

DAMO-YOLO und RTDETRv2

Die Computer-Vision-Forschung hat zahlreiche Architekturen hervorgebracht, die Geschwindigkeit, Genauigkeit und Recheneffizienz in Einklang bringen sollen. DAMO-YOLO und RTDETRv2 gehen diese Herausforderungen unterschiedlich an. Beide zielen auf Echtzeit-Inferenz ab, unterscheiden sich jedoch grundlegend in ihren Architekturansätzen.

Dieser Leitfaden behandelt die technischen Daten, Architekturinnovationen und praktischen Anwendungsfälle beider Modelle. Außerdem wird erläutert, wie die Ultralytics-Plattform und YOLO26 die Bereitstellung vereinfachen.

Modellübersicht#

DAMO-YOLO im Überblick#

DAMO-YOLO wurde von Forschern der Alibaba Group entwickelt und bietet ein schnelles und genaues Verfahren zur Objekterkennung, das stark auf der Suche nach neuronalen Architekturen (NAS) beruht. Es ersetzt herkömmliche, von Hand entworfene Backbones durch per NAS erzeugte Strukturen mit geringer Latenz. Darüber hinaus nutzt es ein effizientes RepGFPN (reparametrisiertes allgemeines Merkmals-Pyramidennetzwerk) und ein ZeroHead-Design, um die Merkmalsaggregation und Bounding-Box-Vorhersagen zu vereinfachen.

Wichtige Modelldetails:

Mehr über DAMO-YOLO erfahren

RTDETRv2 im Überblick#

RTDETRv2 von Baidu ist ein bemerkenswerter Fortschritt bei Transformern zur Echtzeit-Erkennung. Im Gegensatz zu Detektoren auf Grundlage neuronaler Faltungsnetzwerke (CNN), die auf Non-Maximum Suppression (NMS) angewiesen sind, nutzt RTDETRv2 Selbstaufmerksamkeit, um den globalen Kontext des gesamten Bildes zu modellieren. Das Modell gibt Bounding-Boxen direkt aus und umgeht die Nachverarbeitung mit NMS vollständig. Seine Trainingsstrategie nach dem Prinzip einer „Sammlung kostenloser Verbesserungen“ erhöht die Basisgenauigkeit, ohne die Inferenzlatenz zu steigern.

Wichtige Modelldetails:

Erfahre mehr über RTDETRv2

Transformer in der visuellen KI nutzen

Transformer benötigen zwar mehr Rechenressourcen, doch dank ihrer Fähigkeit, den globalen Kontext zu verarbeiten, eignen sie sich gut zum Verständnis komplexer Szenen – eine wesentliche Stärke von RTDETRv2.

Leistungsvergleich#

Bei der Bewertung dieser Modelle für den praktischen Einsatz sind Kennzahlen wie die mittlere durchschnittliche Präzision (mAP), die Inferenzgeschwindigkeit und der Speicherbedarf entscheidend. Transformer-basierte Modelle wie RTDETRv2 benötigen beim Training und bei der Inferenz in der Regel mehr CUDA-Speicher als leichtgewichtige CNNs wie DAMO-YOLO.

Die folgende Tabelle vergleicht ihre Leistungskennzahlen.

ModellGröße
(Pixel)
mAPval50-95Geschwindigkeit
CPU ONNX
(ms)
Geschwindigkeit
T4 TensorRT10
(ms)
Parameter
(M)
FLOPs
(B)
DAMO-YOLOt64042.0-2.328.518.1
DAMO-YOLOs64046.0-3.4516.337.8
DAMO-YOLOm64049.2-5.0928.261.8
DAMO-YOLOl64050.8-7.1842.197.3
RTDETRv2-s64048.1-5.032060
RTDETRv2-m64051.9-7.5136100
RTDETRv2-l64053.4-9.7642136
RTDETRv2-x64054.3-15.0376259

Ideale Anwendungsfälle#

Stärken von DAMO-YOLO: Dank des NAS-optimierten Backbones und der geringen Parameterzahl seiner kleineren Varianten (wie DAMO-YOLOt) eignet sich das Modell gut für den Einsatz auf Geräten mit begrenzten Ressourcen. Wenn du Lösungen für eingebettete Geräte mit Laufzeitumgebungen wie ONNX oder speziellen TensorRT-Engines für Edge-Computing entwickelst, bietet DAMO-YOLO ein reaktionsschnelles Framework.

Stärken von RTDETRv2: RTDETRv2 eignet sich besonders für Umgebungen mit Server-GPUs, in denen der globale Bildkontext entscheidend ist. Dank seiner Transformer-Architektur kann das Modell überlappende Bounding-Boxen ohne NMS auf natürliche Weise auflösen. Dadurch eignet es sich gut für die Verwaltung großer Menschenmengen oder komplexe Objektverfolgung, bei der räumliche Beziehungen zwischen weit auseinanderliegenden Objekten entscheidend sind.

Der Vorteil von Ultralytics: YOLO26 im Überblick#

DAMO-YOLO und RTDETRv2 sind zwar bedeutende akademische Leistungen, doch die Überführung dieser Modelle in skalierbare, produktionsreife Anwendungen kann schwierig sein. Entwickler stoßen häufig auf fragmentierte Codebasen, fehlende Unterstützung für das Lernen mehrerer Aufgaben und komplizierte Bereitstellungspipelines.

Hier hebt sich das Ultralytics-Ökosystem ab. Mit seinem Fokus auf Benutzerfreundlichkeit, einer gut gepflegten Python-API und der Vielseitigkeit für mehrere Aufgaben ermöglicht Ultralytics Entwicklern, weniger Zeit mit der Fehlersuche und mehr Zeit mit der Entwicklung zu verbringen.

Das kürzlich veröffentlichte Modell Ultralytics YOLO26 baut mit mehreren Verbesserungen gegenüber DAMO-YOLO und RTDETRv2 auf diesen Vorteilen auf:

  • End-to-End-Design ohne NMS: Aufbauend auf dem NMS-freien Training von YOLOv10 bietet YOLO26 einen optionalen End-to-End-Kopf (nms=False). Damit entfällt die Nachverarbeitung mit NMS. So gelingt die Bereitstellung schneller und einfacher als mit herkömmlichen CNN-Detektoren, während zugleich die Vorteile der direkten Ausgabe von RTDETRv2 erhalten bleiben.
  • Bis zu 43 % schnellere CPU-Inferenz: YOLO26n läuft mit ONNX auf einer CPU bis zu 43 % schneller als YOLO11n und ist für Edge-KI-Geräte ohne separate GPU optimiert. Damit eignet sich YOLO26n besser für IoT-Anwendungen als speicherintensive Transformer.
  • MuSGD-Optimierer: Diese von Kimi K2 von Moonshot AI inspirierte Kombination aus SGD und Muon bringt Trainingsverfahren für große Sprachmodelle (LLM) in die Computer Vision und sorgt so für stabiles Training und schnellere Konvergenz.
  • ProgLoss + STAL: Die progressive Verlustfunktion und die Zuweisung von Labels, die kleine Ziele berücksichtigt, verbessern die Erkennung kleiner Objekte – ein Bereich, in dem Modelle traditionell Schwierigkeiten haben. Das ist entscheidend für Luftbilder und Drohnenanwendungen.
  • Entfernung von DFL: Distribution Focal Loss wurde entfernt, um Exportformate zu vereinfachen und die Kompatibilität mit Edge-Geräten mit geringem Stromverbrauch zu verbessern.
  • Vielseitigkeit bei mehreren Aufgaben: Im Gegensatz zu Konkurrenzmodellen, die auf die Erkennung beschränkt sind, bietet YOLO26 aufgabenspezifische Verbesserungen. Dazu gehören eine Verlustfunktion für die semantische Segmentierung, die die Konvergenz der Instanzsegmentierung verbessert, Residual Log-Likelihood Estimation (RLE) für die Posenschätzung und eine spezielle Winkelfunktion für orientierte Bounding-Boxen (OBB).
Speichereffizienz ist entscheidend

Das Training transformerbasierter Modelle wie RTDETRv2 erfordert große CUDA-Speicherbereiche und macht häufig kostspielige Konfigurationen mit mehreren GPUs erforderlich. Ultralytics-YOLO-Modelle benötigen beim Training und bei der Inferenz wesentlich weniger Speicher. Dadurch wird die KI-Entwicklung für Forscher und Hobbyanwender gleichermaßen zugänglich.

Codebeispiel: Die einheitliche Ultralytics-API#

Ein wesentlicher Vorteil des Ultralytics-Ökosystems ist seine einheitliche API. Du kannst verschiedene Modelle laden, trainieren und validieren – darunter eine PyTorch-Implementierung von RT-DETR und die neuesten YOLO-Modelle –, ohne deinen Arbeitsablauf ändern zu müssen.

from ultralytics import RTDETR, YOLO

# Ein RT-DETR-Modell laden
model_rtdetr = RTDETR("rtdetr-l.pt")

# YOLO26-Modell laden
model_yolo = YOLO("yolo26n.pt")

# Inferenz mit einer einfachen, einheitlichen Schnittstelle für ein Bild ausführen
results_rtdetr = model_rtdetr("https://ultralytics.com/images/bus.jpg")
results_yolo = model_yolo("https://ultralytics.com/images/bus.jpg")

# Die erkannten Objekte anzeigen
results_yolo[0].show()

Diese Einfachheit gilt auch für das Training auf benutzerdefinierten Datensätzen und den Export. Mit dem Ultralytics-Python-Paket können Entwickler ihre trainierten Gewichte mit einem einzigen Befehl in Bereitstellungsformate wie CoreML oder OpenVINO exportieren.

Fazit und weiterführende Informationen#

DAMO-YOLO und RTDETRv2 haben die Echtzeit-Objekterkennung vorangebracht. DAMO-YOLO bietet optimierte, automatisch gesuchte Netzwerkstrukturen für hohe Recheneffizienz. RTDETRv2 zeigt, dass Transformer bei Echtzeitanwendungen mithalten können, indem sie herkömmliche Engpässe wie NMS beseitigen.

Für Entwickler, die ein ausgewogenes Verhältnis von Leistung, umfassender Dokumentation und Produktionsreife suchen, bleiben Ultralytics-YOLO-Modelle jedoch eine gute Standardwahl. Mit YOLO26 erhalten Nutzer optionale End-to-End-Erkennung nach Transformer-Art, von LLMs inspirierte Trainingseffizienz und schnelle CPU-Inferenz in einem intuitiven und robusten Ökosystem.

Wenn du Modelle für dein nächstes Projekt bewertest, lohnt sich auch ein Blick auf den Vergleich EfficientDet im Vergleich zu RT-DETR, die Vorgängergeneration YOLO11 oder wissenschaftliche Vergleichsmodelle wie YOLOX. Starte noch heute mit dem Ultralytics-Schnellstartleitfaden.

Kommentare

Stell eine Frage, teile deine Ergebnisse oder hilf jemand anderem.