Erste Schritte

RTDETRv2 und YOLOv5

Die Entwicklung der Computer Vision wurde maßgeblich vom Bestreben geprägt, Genauigkeit und Echtzeit-Inferenzgeschwindigkeit in Einklang zu bringen. Beim Vergleich von RTDETRv2 und Ultralytics YOLOv5 wägen Entwickler das Modellieren des globalen Kontexts mit Transformer-Architekturen gegen die optimierte, produktionsbewährte Effizienz faltender neuronaler Netze (CNNs) ab.

Dieser Leitfaden vergleicht die beiden Architekturen und behandelt ihre Leistungskennzahlen, Trainingsmethoden, Speicheranforderungen und idealen Bereitstellungsszenarien, damit du das beste Objekterkennungs-Modell für deinen konkreten Anwendungsfall auswählen kannst.

RTDETRv2: Transformer-Ansatz für Echtzeit-Erkennung#

Aufbauend auf dem ursprünglichen Echtzeit-Erkennungstransformer (RT-DETR) führt RTDETRv2 eine Reihe von „Bag-of-Freebies“-Optimierungen ein, die die Basisarchitektur verbessern, ohne ihre Inferenzlatenz zu beeinträchtigen.

Architektur und Funktionen#

RTDETRv2 nutzt eine hybride CNN-Transformer-Architektur. Ein CNN-Backbone extrahiert detaillierte visuelle Merkmale, während die Transformer-Encoder- und -Decoder-Schichten die gesamte Merkmalskarte verarbeiten, um den globalen Kontext zu erfassen. Ein wesentliches Merkmal von RTDETRv2 ist das End-to-End-Design, das die Non-Maximum-Unterdrückung (NMS) bei der Nachverarbeitung überflüssig macht.

RTDETRv2 erzielt eine hohe Genauigkeit, insbesondere in komplexen, dichten Szenen mit überlappenden Objekten, bringt aber auch Nachteile mit sich. Der für Transformer typische Aufmerksamkeitsmechanismus benötigt beim Training mehr CUDA-Speicher als herkömmliche CNNs. Auf GPUs wie NVIDIA A100 oder T4 schneidet das Modell zwar gut ab, auf herkömmlichen CPUs und ressourcenbeschränkten Edge-AI-Geräten ist es jedoch deutlich langsamer.

Erfahre mehr über RTDETRv2

Ultralytics YOLOv5: Der Branchenstandard für Effizienz#

Bei seiner Veröffentlichung machte Ultralytics YOLOv5 leistungsstarke Computer Vision Entwicklerinnen und Entwicklern auf der ganzen Welt durch ein intuitives und benutzerfreundliches Framework zugänglich.

Ausgewogenes Verhältnis zwischen Ökosystem und Leistung#

YOLOv5 basiert vollständig auf dem PyTorch-Framework und verwendet eine effiziente CNN-Architektur. Das Modell wurde von Grund auf auf Benutzerfreundlichkeit ausgelegt und bietet eine einfache API sowie eine ausführliche Dokumentation.

Die wichtigsten Vorteile von YOLOv5 sind seine Vielseitigkeit und sein geringer Speicherbedarf. Für das Training eines YOLOv5-Modells ist deutlich weniger VRAM erforderlich als für transformerbasierte Modelle. Dadurch eignet es sich auch für Forschende und Ingenieure mit begrenztem Hardwarebudget. Während sich RTDETRv2 auf die Erkennung von Begrenzungsrahmen konzentriert, unterstützt das YOLOv5-Repository außerdem Instanzsegmentierung (seit YOLOv5 v7.0) und Bildklassifizierung.

Verwaltung von Unternehmensmodellen

Du kannst YOLOv5 direkt auf der Ultralytics Platform trainieren, validieren und bereitstellen. Sie bietet Cloud-Training und eine Bereitstellung ohne Code.

Leistungs- und Metrikvergleich#

Die Leistung auf dem standardmäßigen COCO-Datensatz zeigt deutliche Unterschiede darin, wie diese Modelle Genauigkeit und Ressourcenverbrauch gegeneinander abwägen.

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
YOLOv5n64028.0-1.121.94.5
YOLOv5s64037.4-1.927.216.5
YOLOv5m64045.4-4.0321.249.0
YOLOv5l64049.0-6.6146.5109.1
YOLOv5x64050.7-11.8986.7205.7

Abwägung der Vor- und Nachteile#

RTDETRv2-x erreicht eine maximale mittlere Average Precision (mAP) von 54,3 % und liegt damit 3,6 Punkte über YOLOv5x (50,7 %). YOLOv5x hat eine geringere TensorRT-Latenz (11,89 ms gegenüber 15,03 ms) und weniger FLOPs (205,7B gegenüber 259B), aber mehr Parameter (86,7M gegenüber 76M). Bei ähnlicher Latenz ist RTDETRv2 genauer: RTDETRv2-s erreicht 48,1 % bei 5,03 ms, während YOLOv5m 45,4 % bei 4,03 ms erzielt. Für Edge-Bereitstellungen mit geringem Stromverbrauch läuft YOLOv5n in 1,12 ms und hat 1,9M Parameter – eine Modellgrößenklasse, die RTDETRv2 nicht bietet.

Effizientes Training und einfacher Code#

Eine der größten Stärken des Ultralytics-Ökosystems ist die einheitliche API. Wenn du für eine rechenintensive Aufgabe die Transformer-Architektur von RT-DETR wählst, kannst du das Modell trotzdem vollständig im Ultralytics-Python-Paket verwenden und mit einer einzigen Codezeile zu einem anderen Modell wechseln.

from ultralytics import RTDETR, YOLO

# Das kleine Ultralytics-YOLOv5-Modell laden
model_yolo = YOLO("yolov5su.pt")  # YOLOv5u: ankerfreie YOLOv5-Gewichte für das ultralytics-Paket

# Das große RT-DETR-Modell über Ultralytics laden
model_rtdetr = RTDETR("rtdetr-l.pt")

# YOLOv5 mit deinen eigenen Daten trainieren
model_yolo.train(data="coco8.yaml", epochs=100, imgsz=640)

# Inferenz mit beiden Modellen ausführen
results_yolo = model_yolo("https://ultralytics.com/images/bus.jpg")
results_rtdetr = model_rtdetr("https://ultralytics.com/images/bus.jpg")

results_yolo[0].show()

Mit der Ultralytics-Bibliothek erhalten Entwickler automatisch Zugang zu einem gut gepflegten Ökosystem mit Integrationen zur Versuchsverfolgung, etwa für Weights & Biases und Comet, sowie Exportmöglichkeiten mit nur einem Befehl in Bereitstellungsformate wie ONNX und OpenVINO.

Anwendungen in der Praxis und ideale Einsatzbereiche#

Die Stärken von RTDETRv2#

RTDETRv2 eignet sich am besten für Umgebungen, in denen die Hardware keine Einschränkung darstellt und Genauigkeit das wichtigste Ziel ist.

  • Serverseitige medizinische Bildgebung: Erkennung subtiler Anomalien in hochauflösenden Röntgenbildern.
  • Satellitenbilder: Dichte, überlappende Objekte in Aufgaben der Luftbildüberwachung auf leistungsstarken Cloud-Clustern verfolgen.

Wo YOLOv5 besonders überzeugt#

YOLOv5 ist eine praktische Wahl für den Einsatz in der Praxis auf unterschiedlichster Hardware.

  • Edge-KI-Geräte: Sicherheitsalarmsysteme auf Raspberry Pi- oder NVIDIA-Jetson-Geräten bereitstellen, auf denen der Speicher streng begrenzt ist.
  • Mobile Anwendungen: Schnelle Echtzeit-Inferenz für Begrenzungsrahmen und Segmentierung direkt auf Smartphones mit CoreML oder LiteRT ausführen.
  • Hochgeschwindigkeitsfertigung: Teile auf schnellen Produktionsstraßen prüfen, auf denen eine Latenz im Millisekundenbereich für den betrieblichen Erfolg entscheidend ist.
Weitere Ultralytics-Modelle entdecken

YOLOv5 ist weiterhin weit verbreitet, aber inzwischen gibt es neuere Ultralytics-Modelle. Wenn du 2026 Modelle für ein neues Projekt vergleichst, solltest du Ultralytics YOLO26 in Betracht ziehen, das empfohlene Modell. YOLO26 bietet mit seinem optionalen One-to-One-Head (nms=False) ein End-to-End-Design ohne NMS. Das ähnelt Transformern, erreicht aber die Geschwindigkeit von CNNs. Außerdem verwendet das Modell den MuSGD-Optimierer für stabiles Training, und YOLO26n bietet eine bis zu 43 % schnellere CPU-Inferenz als YOLO11n. Alternativ ist YOLO11 weiterhin eine gut unterstützte Wahl für vielseitige Bereitstellungen, die Posenschätzung und OBB-Erkennung erfordern.

Letztlich verschiebt RTDETRv2 mit Transformer-Schichten zwar die Grenze der Genauigkeit, doch das Ultralytics-YOLO-Framework bietet eine ausgewogene Kombination aus Geschwindigkeit, geringem Speicherbedarf und einer Entwicklererfahrung, die den Weg vom Prototyp bis zur Produktion verkürzt.

Kommentare

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