RTDETRv2 im Vergleich zu YOLOv6-3.0
Entwickler, die ein Computer-Vision-Modell zur Objekterkennung auswählen, können zwischen sehr unterschiedlichen Architekturen wählen. Diese Seite vergleicht zwei davon: RTDETRv2, einen Transformer für Echtzeitdetektion, und YOLOv6-3.0, ein für industrielle Anwendungen optimiertes faltendes neuronales Netzwerk (CNN).
Der Vergleich behandelt ihre Architekturen, Leistungskennzahlen und idealen Bereitstellungsszenarien, erklärt, was das Ultralytics-Ökosystem Entwicklern bietet, und stellt Ultralytics YOLO26 vor, das empfohlene Modell für neue Projekte.
RTDETRv2: Der Vision-Transformer-Ansatz#
RTDETRv2 wurde von Forschenden bei Baidu entwickelt, baut auf dem ursprünglichen RT-DETR auf und verfeinert transformerbasierte Objekterkennung.
- Autoren: Wenyu Lv, Yian Zhao, Qinyao Chang, Kui Huang, Guanzhong Wang und Yi Liu
- Organisation: Baidu
- Datum: 2024-07-24
- arXiv: 2407.17140
- GitHub: lyuwenyu/RT-DETR
- Dokumentation: RTDETRv2-GitHub-README
Architekturmerkmale#
RTDETRv2 nutzt eine hybride Architektur, die einen CNN-Feature-Extraktor mit einem Transformer-Decoder kombiniert. Das charakteristische Merkmal des Modells ist sein nativ NMS-freies Design. Durch den Verzicht auf Non-Maximum-Unterdrückung (NMS) bei der Nachverarbeitung sagt das Modell Begrenzungsrahmen direkt voraus. Das vereinfacht die Bereitstellung und stabilisiert die Inferenzlatenz.
Die Trainingsverbesserungen von RTDETRv2 nach dem „Bag-of-Freebies“-Prinzip tragen zusammen mit globaler Aufmerksamkeit dazu bei, komplexe Szenen und überlappende Objekte zu verarbeiten. Aufmerksamkeitsmodelle erfassen Beziehungen im gesamten Bild statt nur innerhalb lokaler Faltungsfenster.
Transformer eignen sich zwar besonders gut für das Verständnis komplexer Szenen, benötigen beim Training aber typischerweise mehr CUDA-Speicher als CNNs. Das kann die Batch-Größen auf handelsüblichen GPUs begrenzen und die gesamte Trainingszeit verlängern.
YOLOv6-3.0: Maximierung des industriellen Durchsatzes#
YOLOv6-3.0 stammt aus der Vision-AI-Abteilung von Meituan und wurde für industrielle Verarbeitungsketten entwickelt, bei denen der GPU-Durchsatz entscheidend ist.
- Autoren: Chuyi Li, Lulu Li, Yifei Geng, Hongliang Jiang, Meng Cheng, Bo Zhang, Zaidan Ke, Xiaoming Xu und Xiangxiang Chu
- Organisation: Meituan
- Datum: 2023-01-13
- arXiv: 2301.05586
- GitHub: meituan/YOLOv6
Architektonischer Schwerpunkt#
YOLOv6-3.0 basiert auf einem EfficientRep-Backbone, das die Speicherzugriffskosten auf Hardwarebeschleunigern wie NVIDIA-GPUs minimieren soll. Die Neck-Architektur umfasst ein bidirektionales Konkatenationsmodul (BiC), das die Merkmalsfusion über verschiedene Maßstäbe hinweg verbessert.
Während des Trainings kommt eine Anchor-Aided-Training-Strategie (AAT) zum Einsatz, die von anchorbasierten Paradigmen profitiert und zugleich einen anchorfreien Inferenzmodus für eine schnellere Ausführung beibehält. Das Modell erzielt einen hohen Durchsatz auf Server-GPUs (z. B. T4, A100), doch sein GPU-orientiertes Design kann auf Edge-Geräten ohne GPU weniger effizient sein.
Leistungsvergleich#
Die folgende Tabelle vergleicht Genauigkeit (mAP), Inferenzgeschwindigkeit und Rechenaufwand (FLOPs) auf dem COCO-Validierungssatz.
| Modell | Größe (Pixel) | mAPval50-95 | Geschwindigkeit CPU ONNX (ms) | Geschwindigkeit T4 TensorRT10 (ms) | Parameter (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| RTDETRv2-s | 640 | 48.1 | - | 5.03 | 20 | 60 |
| RTDETRv2-m | 640 | 51.9 | - | 7.51 | 36 | 100 |
| RTDETRv2-l | 640 | 53.4 | - | 9.76 | 42 | 136 |
| RTDETRv2-x | 640 | 54.3 | - | 15.03 | 76 | 259 |
| YOLOv6-3.0n | 640 | 37.5 | - | 1.17 | 4.7 | 11.4 |
| YOLOv6-3.0s | 640 | 45.0 | - | 2.66 | 18.5 | 45.3 |
| YOLOv6-3.0m | 640 | 50.0 | - | 5.28 | 34.9 | 85.8 |
| YOLOv6-3.0l | 640 | 52.8 | - | 8.95 | 59.6 | 150.7 |
YOLOv6-3.0 ist bei jeder vergleichbaren Modellgröße auf T4 mit TensorRT schneller (zum Beispiel 5,28 ms gegenüber 7,51 ms bei den mittelgroßen Modellen). RTDETRv2 erreicht dagegen eine höhere mAP (51,9 gegenüber 50,0 bei mittlerer und 53,4 gegenüber 52,8 bei großer Modellgröße) und skaliert mit RTDETRv2-x auf 54,3 mAP. Beide Modelle konzentrieren sich auf die Erkennung: Ihre Hauptversionen bieten weder Instanzsegmentierung noch Posenschätzung.
Anwendungsfälle und Empfehlungen#
Ob du RT-DETR oder YOLOv6 wählst, hängt von den konkreten Anforderungen deines Projekts, den Einschränkungen bei der Bereitstellung und deinen Präferenzen im Hinblick auf 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 YOLOv6 wählen solltest#
YOLOv6 empfiehlt sich für:
- Bereitstellung auf industrielle Hardware: Szenarien, in denen das hardwarebewusste Design und die effiziente Reparametrisierung des Modells eine optimierte Leistung auf bestimmter Zielhardware ermöglichen.
- Schnelle einstufige Erkennung: Anwendungen, bei denen die reine Inferenzgeschwindigkeit auf der GPU für die Echtzeit-Videoverarbeitung in kontrollierten Umgebungen entscheidend ist.
- Integration in das Meituan-Ökosystem: Teams, die bereits mit dem Technologie-Stack und der Bereitstellungsinfrastruktur von Meituan arbeiten.
Wann du Ultralytics (YOLO26) wählen solltest#
Für die meisten neuen Projekte bietet Ultralytics YOLO26 die beste Kombination aus Leistung und Entwicklerfreundlichkeit:
- 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 YOLO26 (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#
Bei der Modellauswahl zählen mehr als Benchmarkwerte: Auch die Entwicklererfahrung, die Flexibilität bei der Bereitstellung und die Unterstützung durch das Ökosystem sind wichtig. In das Ultralytics-Ökosystem integrierte Modelle bieten mehrere Vorteile gegenüber unveränderlichen Forschungs-Repositories.
- Benutzerfreundlichkeit: Das Python-Paket
ultralyticsbietet eine einfache API. Für das Training, die Validierung und den Export von Modellen genügen wenige Codezeilen. - Gut gepflegtes Ökosystem: Anders als isolierte akademische Repositories werden das Paket
ultralyticsund die Ultralytics Platform aktiv gepflegt und unterstützen den Export in Formate wie ONNX, OpenVINO und CoreML. - Effizientes Training: Ultralytics-YOLO-Modelle benötigen beim Training typischerweise weniger GPU-Speicher als Transformer-Architekturen wie RTDETRv2. Dadurch sind größere Batch-Größen auf handelsüblicher Hardware möglich.
- Vielseitigkeit: Anders als YOLOv6-3.0, das auf Detektion ausgerichtet ist, unterstützt YOLO26 in einem einzigen Framework die Erkennung, Instanzsegmentierung, semantische Segmentierung, Tiefenschätzung, Bildklassifizierung, Posenschätzung und orientierte Begrenzungsrahmen (OBB).
Mit der Ultralytics-CLI ist der Export eines trainierten Modells für den Einsatz am Netzwerkrand so einfach wie die Ausführung von: yolo export model=yolo11n.pt format=tensorrt.
YOLO26 kennenlernen#
RTDETRv2 und YOLOv6-3.0 haben jeweils besondere Stärken. Für Teams, die neue Computer-Vision-Projekte starten, empfehlen wir jedoch YOLO26, das Ultralytics im Januar 2026 veröffentlicht hat.
YOLO26 vereint die Stärken industrieller CNNs und moderner Transformer:
- End-to-End-Design ohne NMS: Aufbauend auf dem in YOLOv10 eingeführten Ansatz bietet YOLO26 einen optionalen NMS-freien Head (
nms=False), der die NMS-Nachverarbeitung überspringt. So wird die Latenz vorhersehbar, ähnlich wie bei RTDETRv2, und der Speicherbedarf bleibt geringer. - MuSGD-Optimierer: Diese Mischung aus SGD und Muon ist von Trainingstechniken für große Sprachmodelle (LLM) wie dem Kimi K2 von Moonshot AI inspiriert und sorgt für stabileres Training und schnellere Konvergenz.
- Für Edge-Geräte optimiert: Durch den Wegfall von Distribution Focal Loss (DFL) läuft YOLO26n auf der CPU bis zu 43 % schneller als YOLO11n und eignet sich damit für Mobil- und IoT-Geräte ohne GPU-Beschleunigung.
- ProgLoss + STAL: Progressive Loss und Small-Target-Aware Label Assignment (STAL) verbessern die Erkennung kleiner Objekte – eine seit Langem bestehende Herausforderung für CNNs. Das ist besonders für Luftbilder und die Robotik hilfreich.
Trainingsbeispiel#
Mit der Ultralytics API lassen sich Modelle mit wenigen Codezeilen trainieren. Das ausführbare Beispiel unten trainiert das Modell YOLO26 Nano mit dem COCO8-Datensatz:
from ultralytics import YOLO
# Load the newly released YOLO26 Nano model
model = YOLO("yolo26n.pt")
# Train the model on the COCO8 dataset for 50 epochs
# The Ultralytics engine handles data caching and augmentation automatically
train_results = model.train(data="coco8.yaml", epochs=50, imgsz=640)
# Validate the model's performance
metrics = model.val()
print(f"Validation mAP50-95: {metrics.box.map}")
# Export the trained model to ONNX format for production
model.export(format="onnx")Zusammenfassung#
Bei der Wahl zwischen RTDETRv2 und YOLOv6 kommt es vor allem auf deine konkrete Hardware und die Latenzanforderungen an. RTDETRv2 eignet sich besonders für Forschungsumgebungen und die serverseitige Verarbeitung, bei denen der Umgang mit komplexen, überlappenden Objekten entscheidend ist. YOLOv6 bleibt eine starke Wahl für Fertigungsstraßen mit hohem Durchsatz und leistungsstarken NVIDIA-GPUs.
Für Entwickler, die NMS-freie Inferenz wie bei einem Transformer mit der Geschwindigkeit und dem geringen Speicherbedarf eines CNN verbinden möchten, ist YOLO26 die empfohlene Wahl. Die Dokumentation, die aktive Community und die Ultralytics-Werkzeuge helfen dabei, Vision-AI-Projekte vom Prototyp bis zur Produktion zu bringen.
Kommentare
Stell eine Frage, teile deine Ergebnisse oder hilf jemand anderem.