RTDETRv2 vs. YOLOv5#

Die Entwicklung der computer vision war maßgeblich von dem unermüdlichen Streben geprägt, Genauigkeit mit Inferenzgeschwindigkeit in Echtzeit in Einklang zu bringen. Beim Vergleich von RTDETRv2 und Ultralytics YOLOv5 wägen Entwickler im Wesentlichen die hochentwickelten globalen Kontextfähigkeiten von Transformer-Architekturen gegen die hochoptimierte, praxiserprobte Effizienz von Convolutional Neural Networks (CNNs) ab.

Dieser Leitfaden bietet eine technische Tiefenanalyse dieser beiden prominenten Architekturen und beschreibt deren Leistungsmetriken, Trainingsmethoden, Speicheranforderungen und idealen Bereitstellungsszenarien, um dir bei der Auswahl des besten object detection-Modells für deinen spezifischen Anwendungsfall zu helfen.

RTDETRv2: Der Transformer-Ansatz für Echtzeit-Erkennung#

Aufbauend auf dem ursprünglichen Real-Time Detection Transformer (RT-DETR) führt RTDETRv2 eine Reihe von "Bag-of-Freebies" ein, um die Basisarchitektur zu verbessern, ohne die Latenz der Inferenz zu beeinträchtigen.

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

Architektur und Fähigkeiten#

RTDETRv2 nutzt eine hybride CNN-Transformer-Architektur. Das CNN dient als Backbone, um feinkörnige visuelle Merkmale zu extrahieren, während die Transformer-Encoder-Decoder-Schichten die gesamte Feature Map verarbeiten, um den globalen Kontext zu verstehen. Ein Hauptmerkmal von RTDETRv2 ist seine End-to-End-Natur, wodurch die Notwendigkeit einer Non-Maximum Suppression (NMS)-Nachbearbeitung komplett entfällt.

Während RTDETRv2 eine beeindruckende Genauigkeit erreicht – insbesondere in komplexen, dichten Szenen, in denen sich Objekte überlappen –, geht dies mit nennenswerten Kompromissen einher. Der den Transformern innewohnende attention mechanism erfordert im Vergleich zu Standard-CNNs während des Trainings deutlich mehr CUDA-Speicher. Darüber hinaus ist seine Architektur zwar auf High-End-GPUs wie dem NVIDIA A100 oder T4 leistungsstark, auf Standard-CPUs und stark eingeschränkten Edge-Geräten jedoch spürbar langsamer.

Erfahre mehr über RTDETRv2

Ultralytics YOLOv5: Der Industriestandard für Effizienz#

Ultralytics YOLOv5 hat die Landschaft des angewandten maschinellen Lernens grundlegend verändert, als es veröffentlicht wurde, und machte leistungsstarkes Computer Vision für Entwickler weltweit durch ein außergewöhnlich intuitives Framework zugänglich.

• Autor: Glenn Jocher
• Organisation: Ultralytics
• Datum: 26. Juni 2020
• Links: Official Documentation, GitHub Repository

Ökosystem und Leistungsbilanz#

YOLOv5 basiert vollständig auf dem PyTorch-Framework und setzt auf eine extrem effiziente CNN-Architektur. Es wurde von Grund auf für Benutzerfreundlichkeit entwickelt, mit einer schlanken API und einer der umfangreichsten Dokumentationen in der KI-Branche.

Der größte Vorteil von YOLOv5 liegt in seiner unübertroffenen Vielseitigkeit und den geringen Speicheranforderungen. Das Training eines YOLOv5-Modells benötigt drastisch weniger VRAM als Transformer-basierte Modelle, wodurch es für Forscher und Ingenieure mit begrenztem Hardwarebudget zugänglich wird. Während sich RTDETRv2 zudem ausschließlich auf Bounding-Box-Detektion konzentriert, hat sich YOLOv5 zu einem vielseitigen Kraftpaket entwickelt, das instance segmentation und image classification unterstützt.

Erfahre mehr über YOLOv5

Vergleich von Leistung und Metriken#

Bei der Analyse der Rohleistung anhand des Standard-COCO dataset erkennen wir klare Unterschiede darin, wie diese Modelle Ressourcen priorisieren.

Analyse der Kompromisse#

Die Daten zeigen, dass RTDETRv2-x eine maximale mean Average Precision (mAP) von 54,3 % erreicht und damit YOLOv5x (50,7 %) knapp übertrifft. Dieser geringe Genauigkeitszuwachs ist jedoch mit enormen Rechenkosten verbunden. YOLOv5x arbeitet mit geringerer Latenz (11,89 ms im Vergleich zu 15,03 ms bei TensorRT) und benötigt nur einen Bruchteil des Speicherplatzes. Für Edge-Bereitstellungen mit ultrageringem Stromverbrauch bleibt YOLOv5n (Nano) unangefochten und schließt Inferenzen in nur 1,12 ms bei einem winzigen Parameter-Footprint von 2,6M ab – eine Leistungsklasse, in der RTDETRv2 gar nicht erst antritt.

Trainingseffizienz und Code-Einfachheit#

Eine der Hauptstärken des Ultralytics-Ökosystems ist seine einheitliche API. Selbst wenn du die Transformer-Architektur von RT-DETR für eine spezifische rechenintensive Aufgabe nutzen möchtest, kannst du dies vollständig innerhalb des Ultralytics Python Pakets tun und Modelle nahtlos mit nur einer einzigen 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 gewartetes Ökosystem mit experiment tracking integrations (wie Weights & Biases und Comet ML) und Ein-Klick-Exporten in Bereitstellungsformate wie ONNX und OpenVINO.

Praxisanwendungen und ideale Anwendungsfälle#

Wo RTDETRv2 glänzt#

RTDETRv2 eignet sich am besten für Umgebungen, in denen keine Hardwareeinschränkungen bestehen und maximale Präzision das einzige Ziel ist.

• Serverseitige medizinische Bildgebung: Erkennung mikroskopischer Anomalien in hochauflösenden Röntgenaufnahmen.
• Satellitenbilder: Verfolgung dichter, sich überlappender Objekte bei aerial surveillance-Aufgaben auf leistungsstarken Cloud-Clustern.

Wo YOLOv5 dominiert#

YOLOv5 ist der unbestrittene Champion für praktische, reale Bereitstellungen auf verschiedenster Hardware.

• Edge-KI-Geräte: Bereitstellung von security alarm systems auf Raspberry Pi- oder NVIDIA Jetson-Geräten, bei denen der Speicher streng limitiert ist.
• Mobile Anwendungen: Ausführung schneller Echtzeit-Bounding-Box- und Segmentierungs-Inferenzen direkt auf Smartphones mittels CoreML oder TFLite.
• Hochgeschwindigkeits-Industriefertigung: Inspektion von Teilen in schnellen Produktionslinien, bei denen eine Latenz im Millisekundenbereich entscheidend für den operativen Erfolg ist.

Letztendlich bietet das Ultralytics YOLO-Framework, während RTDETRv2 die Genauigkeitsobergrenze mithilfe von Transformer-Schichten verschiebt, eine unübertroffene Balance aus Geschwindigkeit, geringen Speicheranforderungen und einer brillant entwickelten Entwicklererfahrung, die die Zeit vom Prototyp bis zur Produktion drastisch verkürzt.