RTDETRv2 vs YOLOv5#

Die Entwicklung des maschinellen Sehens wurde maßgeblich vom unermüdlichen Bestreben geprägt, Genauigkeit und Inferenzgeschwindigkeit in Echtzeit miteinander in Einklang zu bringen. Beim Vergleich von RTDETRv2 und Ultralytics YOLOv5 wägen Entwickler im Wesentlichen die ausgeprägten Fähigkeiten von Transformer-Architekturen zur Erfassung globaler Zusammenhänge gegen die hochgradig optimierte und praxiserprobte Effizienz von Faltungsneuronalen Netzen (CNNs) ab.

Dieser Leitfaden bietet eine detaillierte technische Analyse dieser beiden bedeutenden Architekturen und erläutert ihre Leistungskennzahlen, Trainingsmethoden, Speicheranforderungen und idealen Einsatzszenarien, damit du das beste Modell zur Objekterkennung für deinen spezifischen Anwendungsfall auswählen kannst.

RTDETRv2: Der Transformer-Ansatz für Echtzeiterkennung#

Aufbauend auf dem ursprünglichen Echtzeit-Erkennungstransformer (RT-DETR) führt RTDETRv2 eine Reihe von „kostenlosen Verbesserungen“ ein, um die Basisarchitektur zu optimieren, ohne die Inferenzlatenz zu erhöhen.

• Autoren: Wenyu Lv, Yian Zhao, Qinyao Chang, Kui Huang, Guanzhong Wang und Yi Liu
• Organisation: Baidu
• Datum: 24.07.2024
• Links: ArXiv-Artikel, GitHub-Repository

Architektur und Funktionen#

RTDETRv2 nutzt eine hybride CNN-Transformer-Architektur. Das CNN dient als Backbone zur Extraktion feingranularer visueller Merkmale, während die Encoder- und Decoder-Schichten des Transformers die gesamte Merkmalskarte verarbeiten, um den globalen Kontext zu erfassen. Ein wesentliches Merkmal von RTDETRv2 ist seine End-to-End-Struktur, durch die eine Nachbearbeitung mit Unterdrückung von Nichtmaxima (NMS) vollständig entfällt.

RTDETRv2 erzielt zwar eine beeindruckende Genauigkeit – insbesondere in komplexen, dicht besiedelten Szenen mit sich überschneidenden Objekten –, bringt jedoch erhebliche Nachteile mit sich. Der Aufmerksamkeitsmechanismus von Transformern erfordert beim Training deutlich mehr CUDA-Speicher als standardmäßige CNNs. Außerdem funktioniert das Modell zwar auf leistungsstarken GPUs wie der NVIDIA A100 oder T4 gut, ist auf herkömmlichen CPUs jedoch spürbar langsamer und auf ressourcenbeschränkten Edge-Geräten stark eingeschränkt.

Erfahre mehr über RTDETRv2

Ultralytics YOLOv5: Der Industriestandard für Effizienz#

Ultralytics YOLOv5 veränderte mit seiner Veröffentlichung grundlegend die Landschaft des angewandten maschinellen Lernens und machte leistungsstarkes maschinelles Sehen durch ein besonders intuitives Framework für Entwickler weltweit zugänglich.

• Autor: Glenn Jocher
• Organisation: Ultralytics
• Datum: 26. Juni 2020
• Links: Offizielle Dokumentation, GitHub-Repository

Ökosystem und ausgewogenes Leistungsverhältnis#

YOLOv5 basiert vollständig auf dem PyTorch-Framework und nutzt eine äußerst effiziente CNN-Architektur. Das Modell wurde von Grund auf auf Benutzerfreundlichkeit ausgelegt und bietet eine übersichtliche API sowie eine der umfassendsten Dokumentationen in der KI-Branche.

Der größte Vorteil von YOLOv5 liegt in seiner unübertroffenen Vielseitigkeit und seinem geringen Speicherbedarf. Für das Training eines YOLOv5-Modells wird deutlich weniger VRAM benötigt als für transformerbasierte Modelle, wodurch es auch für Forscher und Ingenieure mit begrenztem Hardwarebudget zugänglich ist. Während sich RTDETRv2 außerdem ausschließlich auf die Erkennung von Begrenzungsrahmen konzentriert, hat sich YOLOv5 zu einem vielseitigen Kraftpaket weiterentwickelt, das Instanzsegmentierung und Bildklassifizierung unterstützt.

Vergleich von Leistung und Metriken#

Bei der Analyse der Rohleistung auf dem standardmäßigen COCO-Datensatz werden deutliche Unterschiede darin sichtbar, wie diese Modelle ihre Ressourcen priorisieren.

Analyse der Zielkonflikte#

Die Daten zeigen, dass RTDETRv2-x eine maximale mittlere durchschnittliche Präzision (mAP) von 54,3 % erreicht und damit die 50,7 % von YOLOv5x leicht übertrifft. Dieser geringe Genauigkeitsgewinn ist jedoch mit enormen Rechenkosten verbunden. YOLOv5x arbeitet mit einer geringeren Latenz (11,89 ms gegenüber 15,03 ms auf TensorRT) und benötigt nur einen Bruchteil des Speichers. Für Edge-Einsätze mit extrem geringem Energieverbrauch bleibt YOLOv5n (Nano) unübertroffen: Das Modell führt Inferenzvorgänge in nur 1,12 ms aus und hat lediglich 2,6 Millionen Parameter – eine Leistungsklasse, mit der RTDETRv2 nicht einmal konkurriert.

Trainingseffizienz und einfache Codeverwaltung#

Eine der wichtigsten Stärken des Ultralytics-Ökosystems ist seine einheitliche API. Selbst wenn du für eine bestimmte rechenintensive Aufgabe die Transformer-Architektur von RT-DETR verwenden möchtest, kannst du dies vollständig innerhalb des Ultralytics-Python-Pakets tun und Modelle nahtlos mit nur einer Codezeile austauschen.

from ultralytics import RTDETR, YOLO

# Load the Ultralytics YOLOv5 small model
model_yolo = YOLO("yolov5s.pt")

# Load the RT-DETR large model via Ultralytics
model_rtdetr = RTDETR("rtdetr-l.pt")

# Train YOLOv5 effortlessly on your custom data
model_yolo.train(data="coco8.yaml", epochs=100, imgsz=640)

# Run inference with both models seamlessly
results_yolo = model_yolo("https://ultralytics.com/images/bus.jpg")
results_rtdetr = model_rtdetr("https://ultralytics.com/images/bus.jpg")

results_yolo[0].show()

Durch die Nutzung der Ultralytics-Bibliothek erhalten Entwickler automatisch Zugriff auf ein gut gepflegtes Ökosystem mit Integrationen zur Versuchsverfolgung (etwa Weights & Biases und Comet ML) sowie Exporten mit nur einem Klick in Bereitstellungsformate wie ONNX und OpenVINO.

Anwendungen in der Praxis und geeignete Einsatzbereiche#

Wo RTDETRv2 seine Stärken ausspielt#

RTDETRv2 eignet sich am besten für Umgebungen ohne Hardwarebeschränkungen, in denen die höchstmögliche Präzision das alleinige Ziel ist.

• Medizinische Bildgebung auf dem Server: Erkennung mikroskopischer Anomalien in hochauflösenden Röntgenaufnahmen.
• Satellitenbilder: Verfolgung dichter, sich überschneidender Objekte bei Aufgaben der Luftüberwachung auf leistungsstarken Cloud-Clustern.

Wo YOLOv5 dominiert#

YOLOv5 ist der unangefochtene Spitzenreiter für den praktischen Einsatz unter realen Bedingungen auf unterschiedlichster Hardware.

• Edge-KI-Geräte: Bereitstellung von Sicherheitsalarmsystemen auf Raspberry Pi- oder NVIDIA-Jetson-Geräten mit streng begrenztem Speicher.
• Mobile Anwendungen: Schnelle Echtzeit-Inferenz von Begrenzungsrahmen und Segmentierungen direkt auf Smartphones über CoreML oder TFLite.
• Hochgeschwindigkeitsfertigung: Prüfung von Teilen auf schnellen Produktionslinien, bei denen eine Latenz im Millisekundenbereich für den Betriebserfolg entscheidend ist.

Letztendlich hebt RTDETRv2 die Genauigkeitsgrenze mithilfe von Transformer-Schichten an, doch das Ultralytics-YOLO-Framework bietet ein unübertroffenes Gleichgewicht aus Geschwindigkeit, geringem Speicherbedarf und einer hervorragend entwickelten Benutzererfahrung für Entwickler, die die Zeit vom Prototyp bis zur Produktionsreife deutlich verkürzt.