RTDETRv2 und PP-YOLOE+#

Das sich rasant entwickelnde Gebiet der Computer Vision hat vielfältige Architekturansätze hervorgebracht, um komplexe Herausforderungen der Echtzeit-Objekterkennung zu bewältigen. Zu den bemerkenswertesten jüngsten Entwicklungen zählen RTDETRv2 und PP-YOLOE+. Diese beiden leistungsstarken Modelle verfolgen bei der visuellen Erkennung grundlegend unterschiedliche Entwurfsansätze. Obwohl beide Modelle auf leistungsstarke Erkennung ausgelegt sind, unterscheiden sie sich erheblich in ihrer Funktionsweise, ihren Trainingsansätzen und den idealen Einsatzszenarien.

Dieser umfassende Leitfaden erläutert die technischen Feinheiten beider Modelle und vergleicht ihre Architekturen, Leistungskennzahlen und Ökosysteme, damit Entwickler und Forschende die optimale Lösung für ihre jeweiligen Anforderungen bei der Bereitstellung auswählen können.

Modellübersicht#

Bevor wir die Leistungsdaten analysieren, ist es wichtig, die Herkunft und die Architekturziele der beiden Modelle zu verstehen. Beide stammen von Forschungsteams bei Baidu, repräsentieren jedoch unterschiedliche Zweige der Objekterkennungsfamilie.

RTDETRv2#

RTDETRv2 ist ein bedeutender Fortschritt bei transformerbasierten Bildverarbeitungsarchitekturen. Aufbauend auf dem ursprünglichen Echtzeit-Erkennungstransformer kombiniert das Modell eine CNN-Backbone mit einem effizienten hybriden Encoder und einem Transformer-Decoder. Sein prägendstes Merkmal ist die native End-to-End-Vorhersagefähigkeit, durch die die Unterdrückung nicht maximaler Werte (NMS) bei der Nachverarbeitung vollständig entfällt.

• Autor: Wenyu Lv, Yian Zhao, Qinyao Chang, Kui Huang, Guanzhong Wang und Yi Liu
• Organisation: Baidu
• Datum: 2024-07-24
• Arxiv: 2407.17140
• GitHub: RT-DETR-Repository

Erfahre mehr über RTDETRv2

PP-YOLOE+#

PP-YOLOE+ ist eine weiterentwickelte Version der YOLO-Reihe und wurde umfassend für leistungsstarke industrielle Anwendungen optimiert. Das Modell zeichnet sich durch eine skalierbare CNN-Architektur mit einem ankerfreien Erkennungskopf aus. Es ist auf ein hervorragendes Verhältnis zwischen Geschwindigkeit und Genauigkeit ausgelegt und führt leistungsstarke Techniken wie den ET-Kopf und eine verallgemeinerte fokale Verlustfunktion ein, um die Erkennung kleiner Objekte zu verbessern.

• Autor: PaddlePaddle-Autoren
• Organisation: Baidu
• Datum: 2022-04-02
• ArXiv: 2203.16250
• GitHub: PaddleDetection-Repository

Erfahre mehr über PP-YOLOE+

Architektonische Unterschiede#

Der grundlegende Unterschied zwischen diesen beiden Modellen liegt darin, wie sie visuellen Kontext verarbeiten und Vorhersagen erzeugen.

PP-YOLOE+ verwendet eine traditionelle, aber stark optimierte Backbone aus einem faltenden neuronalen Netz (CNN). Das Modell nutzt lokale rezeptive Felder, um Merkmale zu extrahieren, und ist dadurch bei der üblichen Bereitstellung äußerst schnell und effizient. Für die Nachverarbeitung ist jedoch weiterhin die herkömmliche NMS erforderlich, um überlappende Begrenzungsrahmen herauszufiltern. In Szenen mit vielen Objekten kann das zu Latenzengpässen führen.

RTDETRv2 verwendet dagegen einen hybriden Encoder und einen Transformer-Decoder. Dadurch kann das Modell den globalen Kontext des gesamten Bildes gleichzeitig erfassen. Die Aufmerksamkeitsmechanismen erkennen von sich aus die Beziehungen zwischen Objekten, sodass das Modell endgültige Begrenzungsrahmen direkt und ohne NMS ausgeben kann. Dieser End-to-End-Ansatz sorgt unabhängig von der Anzahl erkannter Objekte für eine stabile Inferenzlatenz.

Leistungskennzahlen und Vergleich#

Bei der Bewertung von YOLO-Leistungskennzahlen ist es entscheidend, die Genauigkeit (mAP) gegen den Rechenaufwand (FLOPs) und die Inferenzgeschwindigkeit abzuwägen. Die folgende Tabelle zeigt die Leistung beider Modelle in verschiedenen Größen.

PP-YOLOE+x erzielt auf dem COCO-Datensatz mit 54,7 % eine geringfügig höhere mAP^val. RTDETRv2-Modelle bieten in der Regel eine vergleichbare Genauigkeit und dank ihres NMS-freien Designs zusätzlich eine gleichmäßige Latenz. Bei kleineren Modellen hat PP-YOLOE+ jedoch einen klaren Vorteil bei der Parameteranzahl und den FLOPs, wodurch sich das Modell besonders gut für den Einsatz am Netzwerkrand eignet.

Der Ultralytics-Vorteil: YOLO26 ist da#

RTDETRv2 und PP-YOLOE+ sind zwar beide leistungsstarke Modelle, doch die Spitzenmodelle entwickeln sich weiter. Für Entwickler, die ein optimales Gleichgewicht zwischen Geschwindigkeit, Genauigkeit und Unterstützung durch das Ökosystem suchen, ist Ultralytics YOLO26 der neue Industriestandard.

YOLO26 vereint die besten Eigenschaften von CNNs und Transformern. Das Modell bietet einen optionalen End-to-End-Inferenzmodus ohne NMS (nms=False), der von modernen Architekturen geprägt wurde und bei Aktivierung Engpässe in der Nachverarbeitung beseitigt. Darüber hinaus führt es den bahnbrechenden MuSGD-Optimierer ein: Dieser hybride Ansatz ist von Innovationen beim LLM-Training inspiriert und sorgt für äußerst stabiles Training und schnelle Konvergenz.

Außerdem ist YOLO26 nicht auf einfache Objekterkennung beschränkt. Das Modell ist von Haus aus vielseitig und unterstützt Instanzsegmentierung, Posenschätzung und orientierte Begrenzungsrahmen (OBB), während PP-YOLOE+ in erster Linie auf die Erkennung von Begrenzungsrahmen ausgelegt ist.

Trainingsmethoden und Ökosystem#

Effizientes Training und einfache Bedienung sind Bereiche, in denen das Ultralytics-Ökosystem eigenständigen Forschungs-Repositories deutlich überlegen ist. PP-YOLOE+ basiert auf dem PaddlePaddle-Framework, und RTDETRv2 erfordert oft komplexe Umgebungsinstallationen. Die Integration von Modellen über Ultralytics ermöglicht dagegen eine nahtlose Nutzung.

Mit der Ultralytics-API profitierst du von einem geringeren Speicherbedarf beim Training, automatisierter Datensatzverwaltung und einer einfacheren Optimierung der Hyperparameter. Außerdem kannst du Modelle mit nur einem Befehl in Produktionsformate wie ONNX oder TensorRT überführen.

Codebeispiel: Einfachere Inferenz#

Das folgende Beispiel zeigt, wie einfach du RT-DETR zusammen mit dem empfohlenen YOLO26-Modell über das Ultralytics-Python-Paket nutzen kannst:

from ultralytics import RTDETR, YOLO

# Ein RT-DETR-Modell initialisieren (Ultralytics unterstützt die ursprünglichen Modelle RT-DETR-L und RT-DETR-X)
model_rtdetr = RTDETR("rtdetr-l.pt")

# NMS-freie Inferenz mit einem Testbild ausführen
results_rtdetr = model_rtdetr("https://ultralytics.com/images/bus.jpg")
results_rtdetr[0].show()

# Für höhere Geschwindigkeit und mehr Vielseitigkeit das neueste YOLO26-Modell initialisieren
model_yolo26 = YOLO("yolo26n.pt")

# Das YOLO26-Modell mit optimierter Speichernutzung mühelos trainieren
model_yolo26.train(data="coco8.yaml", epochs=50, imgsz=640)

# Export nach TensorRT für den Einsatz am Edge
model_yolo26.export(format="engine")

Praxisanwendungen und Anwendungsfälle#

Die Wahl zwischen diesen Architekturen hängt oft von den konkreten Hardware- und Anwendungsanforderungen ab.

• RTDETRv2 eignet sich hervorragend für serverseitige Umgebungen und das Verständnis komplexer Szenen. Der globale Aufmerksamkeitsmechanismus macht das Modell besonders leistungsfähig bei der Menschenmengenverwaltung und der dichten medizinischen Bildanalyse, bei denen überlappende Objekte herkömmliche NMS-Algorithmen häufig an ihre Grenzen bringen.
• PP-YOLOE+ eignet sich besonders für industrielle Inspektionen mit hohen Geschwindigkeitsanforderungen und Umgebungen, die stark auf das PaddlePaddle-Ökosystem setzen. Dank der geringen Parameterzahl in den kleineren Größen ist das Modell für bestimmte Robotikanwendungen geeignet.
• Ultralytics YOLO26 ist die universell empfehlenswerte Lösung für den umfassenden kommerziellen Einsatz. Mit den verbesserten Funktionen ProgLoss + STAL steigert das Modell die Erkennung kleiner Objekte erheblich – entscheidend für Drohnenanwendungen aus der Luft und die Verkehrsüberwachung in Smart Cities.

Anwendungsfälle und Empfehlungen#

Die Wahl zwischen RT-DETR und PP-YOLOE+ hängt von deinen konkreten Projektanforderungen, Einsatzbeschränkungen und Präferenzen beim Ökosystem ab.

Wann du RT-DETR wählen solltest#

RT-DETR eignet sich besonders für:

• Forschung zu Transformer-basierter Erkennung: Projekte, die Aufmerksamkeitsmechanismen und Transformer-Architekturen für die End-to-End-Objekterkennung ohne NMS untersuchen.
• Anwendungsfälle mit hohen Genauigkeitsanforderungen und flexibler Latenz: Anwendungen, bei denen die Erkennungsgenauigkeit oberste Priorität hat und eine etwas höhere Inferenzlatenz akzeptabel ist.
• Erkennung großer Objekte: Szenen mit überwiegend mittelgroßen bis großen Objekten, bei denen der globale Aufmerksamkeitsmechanismus von Transformern einen natürlichen Vorteil bietet.

Wann du PP-YOLOE+ wählen solltest#

PP-YOLOE+ empfiehlt sich für:

• Integration in das PaddlePaddle-Ökosystem: Unternehmen mit einer bestehenden Infrastruktur auf Basis des PaddlePaddle-Frameworks und der Werkzeuge von Baidu.
• Edge-Bereitstellung mit Paddle Lite: Bereitstellung auf Hardware mit hochoptimierten Inferenzkernen speziell für Paddle Lite oder die Paddle-Inferenz-Engine.
• Erkennung mit hoher Genauigkeit auf Servern: Szenarien, in denen höchste Erkennungsgenauigkeit auf leistungsstarken GPU-Servern gefragt ist und die Abhängigkeit von einem bestimmten Framework keine Rolle spielt.

Wann du Ultralytics (YOLO26) wählen solltest#

Für die meisten neuen Projekte bietet Ultralytics YOLO26 die beste Kombination aus Leistung und Entwicklererfahrung:

• NMS-freie Bereitstellung auf Edge-Geräten: Anwendungen, die eine gleichbleibende Inferenz mit geringer Latenz ohne die Komplexität der Nachbearbeitung durch Non-Maximum Suppression erfordern.
• Umgebungen ohne GPU: Geräte ohne dedizierte GPU-Beschleunigung, auf denen die bis zu 43 % schnellere CPU-Inferenz von YOLO26 einen entscheidenden Vorteil bietet.
• Erkennung kleiner Objekte: Anspruchsvolle Szenarien wie Luftbilder von Drohnen oder die Analyse von IoT-Sensoren, bei denen ProgLoss und STAL die Genauigkeit bei sehr kleinen Objekten deutlich steigern.

Fazit#

RTDETRv2 und PP-YOLOE+ haben die Möglichkeiten der Bildverarbeitung erweitert und gezeigt, dass sowohl Transformer-Architekturen als auch hochoptimierte CNN-Architekturen praxistauglich sind. Die Komplexität fragmentierter Forschungs-Codebasen kann jedoch die Zeitpläne für den Produktionseinsatz beeinträchtigen.

Für moderne KI-Entwickler bietet die Ultralytics Platform einen unübertroffenen Vorteil. Durch den Wechsel zu nahtlos integrierten Modellen wie YOLO11 oder dem hochmodernen YOLO26 können Teams ein optimales Verhältnis von Genauigkeit zu Geschwindigkeit erreichen und gleichzeitig Speicherbedarf und Entwicklungsaufwand drastisch senken.