Erste Schritte

RTDETRv2 vs. YOLOv10

Die Entwicklung des maschinellen Sehens wurde maßgeblich vom Bestreben geprägt, Geschwindigkeit und Genauigkeit in Einklang zu bringen. Traditionelle Pipelines für die Echtzeit-Objekterkennung verwenden Non-Maximum Suppression (NMS) als Nachverarbeitungsschritt, um überlappende Begrenzungsrahmen herauszufiltern. NMS verursacht jedoch zusätzliche Latenz und erfordert die Abstimmung von Schwellenwerten. Zwei Architekturansätze entfernen NMS direkt aus dem Modell: Transformer-basierte Modelle wie RTDETRv2 und CNN-basierte Modelle wie YOLOv10.

Dieser Leitfaden vergleicht die Architekturen, Leistungskennzahlen und idealen Einsatzbereiche der beiden Modelle und zeigt, wie die neuesten Modelle im Ultralytics-Ökosystem in moderne Bereitstellungen passen.

RTDETRv2: Transformer für Echtzeit-Erkennung#

RTDETRv2 baut auf der ursprünglichen RT-DETR-Architektur auf und soll das ganzheitliche Kontextverständnis von Vision Transformers mit den Echtzeitanforderungen verbinden, die traditionell von YOLO-Modellen erfüllt werden.

Wichtige Merkmale:

Architektur und Trainingsmethoden#

RTDETRv2 verwendet eine End-to-End-Transformer-Architektur, die ohne NMS auskommt. Das Modell verbessert seinen Vorgänger durch einen „Bag-of-Freebies“-Ansatz, der die Trainingsstrategie optimiert und Funktionen zur Erkennung über mehrere Maßstäbe einbezieht. Ein CNN-Backbone extrahiert Merkmalskarten (visuelle Details wie Kanten und Texturen), die anschließend von einer Transformer-Encoder-Decoder-Struktur verarbeitet werden. So analysiert das Modell den gesamten Bildkontext gleichzeitig und eignet sich besonders gut für komplexe Szenen mit dicht gedrängten oder überlappenden Objekten.

Stärken und Schwächen#

Stärken:

  • Globaler Kontext: Der Aufmerksamkeitsmechanismus sorgt dafür, dass sich das Modell in komplexen, unübersichtlichen Umgebungen besonders bewährt.
  • Ohne NMS: Das Modell sagt Objektkoordinaten direkt voraus und vereinfacht so die Bereitstellungspipeline.
  • Hohe Genauigkeit: Das Modell erreicht auf dem COCO-Datensatz eine ausgezeichnete mittlere durchschnittliche Präzision (mAP).

Schwächen:

  • Hoher Ressourcenbedarf: Transformer-Architekturen benötigen beim Training in der Regel mehr CUDA-Speicher als CNNs. Dadurch ist die Feinabstimmung auf handelsüblicher Hardware kostspielig.
  • Schwankende Inferenzgeschwindigkeit: Obwohl das Modell schnell ist, können die umfangreichen Aufmerksamkeitsberechnungen die Bildrate in der Computer Vision auf Edge-Geräten ohne dedizierte KI-Beschleuniger verringern.

Weitere Informationen zu RTDETRv2

YOLOv10: Echtzeit-Objekterkennung von Anfang bis Ende#

YOLOv10 markiert einen bedeutenden Wandel in der Entwicklung der YOLO-Objekterkennung, denn das Modell behebt den langjährigen NMS-Engpass direkt innerhalb eines CNN-Frameworks.

Wichtige Merkmale:

Architektur und Trainingsmethoden#

Die zentrale Neuerung von YOLOv10 ist die konsistente doppelte Zuweisung für das NMS-freie Training. Während des Trainings kommen zwei Erkennungsköpfe zum Einsatz: Einer verwendet die Eins-zu-vielen-Zuweisung wie traditionelle YOLO-Modelle und liefert umfangreiche Lernsignale, der andere nutzt die Eins-zu-eins-Zuweisung und macht NMS überflüssig. Bei der Inferenz wird nur der Eins-zu-eins-Kopf verwendet, wodurch ein durchgängiger Prozess entsteht. Darüber hinaus optimierten die Autorinnen und Autoren verschiedene Komponenten mit einer ganzheitlichen, auf Effizienz und Genauigkeit ausgerichteten Modellstrategie, um redundante Berechnungen zu reduzieren.

Stärken und Schwächen#

Stärken:

  • Geringe Latenz: Durch den Wegfall von NMS und die Optimierung der Architektur erzielt YOLOv10 eine sehr geringe Inferenzlatenz.
  • Effizient: Das Modell benötigt weniger Parameter und FLOPs, um eine mit anderen Modellen vergleichbare Genauigkeit zu erreichen, und eignet sich damit besonders gut für ressourcenbeschränkte Umgebungen.
  • Bereitstellung ohne NMS: Vereinfacht die Integration in Edge-Anwendungen wie die intelligente Videoüberwachung.

Schwächen:

  • Konzept der ersten Generation: Als erstes YOLO-Modell mit dieser speziellen NMS-freien Architektur legte es den Grundstein, ließ aber Raum für die Vielseitigkeit bei mehreren Aufgaben und die Optimierungen späterer Modelle wie YOLO11 und YOLO26.

Mehr über YOLOv10 erfahren

Leistungsvergleich#

Bei der Bewertung von Modellen für den Produktionseinsatz muss die Genauigkeit gegen die Rechenkosten abgewogen werden. Die folgende Tabelle zeigt die Kompromisse zwischen den Modellgrößen von RTDETRv2 und YOLOv10 auf COCO.

ModellGröße
(Pixel)
mAPval50-95Geschwindigkeit
CPU ONNX
(ms)
Geschwindigkeit
T4 TensorRT10
(ms)
Parameter
(M)
FLOPs
(B)
RTDETRv2-s64048.1-5.032060
RTDETRv2-m64051.9-7.5136100
RTDETRv2-l64053.4-9.7642136
RTDETRv2-x64054.3-15.0376259
YOLOv10n64038.5-1.842.36.7
YOLOv10s64046.3-2.497.221.6
YOLOv10m64051.1-4.7415.459.1
YOLOv10b64052.5-5.7419.192.0
YOLOv10l64053.2-7.2824.4120.3
YOLOv10x64054.4-10.7029.5160.4

RTDETRv2 ist bei kleinen, mittleren und großen Modellen geringfügig genauer (48,1, 51,9 und 53,4 mAP gegenüber 46,3, 51,1 und 53,2 für YOLOv10s, m und l). YOLOv10 ist jedoch bei jeder Modellgröße schneller und kleiner. YOLOv10x erreicht dieselbe Genauigkeit wie RTDETRv2-x (54,4 gegenüber 54,3 mAP), hat aber 29,5M statt 76M Parameter und eine TensorRT-Latenz von 10,70 ms statt 15,03 ms. Die Nano- und Small-Varianten machen YOLOv10 attraktiv für Anwendungen im Bereich Edge Computing und AIoT.

Die passende Modellgröße wählen

Wenn du das Modell auf Server-GPUs einsetzt, bei denen Stapelgröße und VRAM weniger stark beschränkt sind, maximieren größere Modelle wie -x oder -l die Genauigkeit. Für Edge-Geräte wie Raspberry Pi oder Mobiltelefone solltest du Nano-Varianten (-n) oder Small-Varianten (-s) bevorzugen, damit die Bildrate in Echtzeit erhalten bleibt.

Anwendungsfälle und Empfehlungen#

Ob RT-DETR oder YOLOv10 besser geeignet ist, hängt von den konkreten Projektanforderungen, den Einschränkungen bei der Bereitstellung und den Präferenzen für das 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 YOLOv10 wählen solltest#

YOLOv10 empfiehlt sich für:

  • Echtzeiterkennung ohne NMS: Anwendungen, die von einer durchgängigen Erkennung ohne Non-Maximum Suppression profitieren und dadurch die Komplexität der Bereitstellung verringern.
  • Ausgewogenes Verhältnis von Geschwindigkeit und Genauigkeit: Projekte, die über verschiedene Modellgrößen hinweg ein ausgewogenes Verhältnis zwischen Inferenzgeschwindigkeit und Erkennungsgenauigkeit erfordern.
  • Anwendungen mit gleichbleibender Latenz: Bereitstellungsszenarien, in denen vorhersehbare Inferenzzeiten entscheidend sind, etwa in der Robotik oder bei autonomen Systemen.

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, bei denen die bis zu 43 % schnellere CPU-Inferenz von YOLO26n gegenüber YOLO11n einen entscheidenden Vorteil bietet.
  • Erkennung kleiner Objekte: Anspruchsvolle Szenarien wie Luftaufnahmen von Drohnen oder die Analyse von IoT-Sensordaten, bei denen ProgLoss und STAL die Genauigkeit bei kleinen Objekten verbessern.

Der Vorteil von Ultralytics: YOLO26 im Überblick#

RTDETRv2 und YOLOv10 sind beide wichtige Forschungsbeiträge, doch ihr Einsatz in der Praxis erfordert ein gut gepflegtes Software-Ökosystem. Die Ultralytics Platform vereint einfache Bedienung, umfassende Dokumentation und Werkzeuge für Datenannotation und Bereitstellung.

Für neue Projekte im Jahr 2026 ist Ultralytics YOLO26 das empfohlene Modell. Es baut auf Ideen aus beiden Architekturen auf und bietet mehrere Verbesserungen:

  • End-to-End-Design ohne NMS: Aufbauend auf dem NMS-freien Training, das YOLOv10 in YOLO-Modelle eingeführt hat, bietet YOLO26 optional einen One-to-One-Kopf (nms=False), der die NMS-Nachverarbeitung überspringt. Das ermöglicht eine schnellere, einfachere Bereitstellungslogik und eine gleichmäßigere Latenz.
  • Wegfall von DFL: Durch den Wegfall von Distribution Focal Loss vereinfacht YOLO26 den Modellexport und verbessert die Kompatibilität mit Edge-Geräten und Geräten mit geringem Stromverbrauch.
  • MuSGD-Optimierer: Dieser von Trainingstechniken für LLMs inspirierte Optimierer kombiniert SGD und Muon und sorgt für stabileres Training sowie schnellere Konvergenz.
  • Bis zu 43 % schnellere CPU-Inferenz: YOLO26n läuft auf der CPU mit ONNX bis zu 43 % schneller als YOLO11n. Das ist in Umgebungen ohne dedizierte GPUs hilfreich.
  • ProgLoss + STAL: Progressive Loss und Small-Target-Aware Label Assignment (STAL) verbessern die Erkennung kleiner Objekte. Das ist entscheidend für Anwendungen mit Drohnen und IoT-Sensoren.
  • Unterstützung mehrerer Aufgaben: Im Gegensatz zu Modellen, die auf Begrenzungsrahmen beschränkt sind, unterstützt YOLO26 auch Instanzsegmentierung, semantische Segmentierung, Tiefenschätzung, Bildklassifizierung, Posenschätzung und OBB-Erkennung. Dazu kommen aufgabenspezifische Verbesserungen wie Residual Log-Likelihood Estimation (RLE) für die Posenschätzung.

Implementierung mit Python#

Das Training und die Bereitstellung dieser Modelle über die Ultralytics-Python-API sind bewusst einfach gehalten. Der Speicherbedarf beim Training ist geringer als bei Transformer-lastigen Architekturen. So kannst du leistungsstarke Modelle auf handelsüblicher Hardware trainieren.

from ultralytics import YOLO

# YOLO26-Modell laden (empfohlen)
# Alternativ ein YOLOv10-Modell mit YOLO('yolov10n.pt') laden
model = YOLO("yolo26n.pt")

# Das Modell mit deinem eigenen Datensatz trainieren
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Einfach in verschiedene Formate für die Bereitstellung auf Edge-Geräten exportieren
model.export(format="onnx", simplify=True)

Ob du Sicherheitsalarmsysteme entwickelst oder medizinische Bildanalysen durchführst: Mit einem Modell aus der aktiven Ultralytics-Community stehen dir die Werkzeuge, Anleitungen zur Hyperparameter-Abstimmung und regelmäßige Aktualisierungen zur Verfügung, die du für den Erfolg brauchst. YOLOv10 und RTDETRv2 ebneten den Weg für Architekturen ohne NMS. YOLO26 baut darauf auf und bietet eine starke Kombination aus Leistung, Vielseitigkeit und Produktionsreife.

Kommentare

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