Erste Schritte

RTDETRv2 im Vergleich zu YOLOv7

Das maschinelle Sehen hat sich in den letzten Jahren rasant weiterentwickelt, angetrieben durch Fortschritte bei Faltungsneuronalen Netzen (CNNs) und Vision-Transformern (ViTs). Für die Auswahl einer Architektur zur Bereitstellung musst du die Kompromisse zwischen Geschwindigkeit, Genauigkeit und Rechenaufwand verstehen. Dieser Leitfaden vergleicht die technischen Unterschiede zwischen zwei bekannten Architekturen, RTDETRv2 und YOLOv7, und stellt das neuere Ultralytics-YOLO26 vor.

RTDETRv2: Transformer-Ansatz für Echtzeit-Erkennung#

RTDETRv2 (Real-Time Detection Transformer, Version 2) baut auf seinem Vorgänger auf und zeigt, dass Transformer-basierte Architekturen in Echtzeitszenarien mit traditionellen Nachverarbeitungsschritten konkurrieren können, ohne auf diese angewiesen zu sein.

Architekturmerkmale#

RTDETRv2 verwendet einen hybriden Encoder und einen Transformer-Decoder. Dank Selbstaufmerksamkeit kann das Modell das gesamte Bild auf einmal verarbeiten und räumliche Beziehungen erfassen, die rein lokale Faltungskerne übersehen. Ein besonderes Merkmal ist das native Design ohne NMS. Durch den Wegfall von Non-Maximum Suppression (NMS) beseitigt RTDETRv2 einen häufigen Engpass, der bei der Bereitstellung zu schwankender Inferenzlatenz führt.

Stärken und Einschränkungen#

Die größte Stärke von RTDETRv2 ist seine Fähigkeit, dicht gedrängte, überlappende Objekte in komplexen Szenen zu verarbeiten. Der globale Kontext der Transformer-Aufmerksamkeitslayer verbessert die Genauigkeit, insbesondere in Szenarien mit häufigen Verdeckungen.

Das hat jedoch seinen Preis in Form des Rechenaufwands. Transformer-Modelle benötigen beim Training und bei der Inferenz typischerweise mehr Speicher als CNNs. Dadurch sind die Batch-Größen auf GPUs für Privatnutzer begrenzt, und Entwicklungszyklen können sich verlängern, wenn Entwickler benutzerdefinierte Datensätze optimieren.

Erfahre mehr über RTDETRv2

YOLOv7: Eine CNN-Baseline für Geschwindigkeit#

YOLOv7 wurde zwei Jahre vor RTDETRv2 veröffentlicht und führte mehrere strukturelle Optimierungen des klassischen YOLO-Frameworks ein. Zum Zeitpunkt der Veröffentlichung setzte es einen hohen Maßstab für echtzeitfähige Detektoren auf CNN-Basis.

Architekturmerkmale#

Die Architektur von YOLOv7 basiert auf dem Konzept des erweiterten effizienten Layer-Aggregationsnetzwerks (E-ELAN). Dieser Ansatz optimiert den Gradientenpfad, sodass das Modell effektiver lernen kann, ohne den Rechenaufwand stark zu erhöhen. Die Autoren führten außerdem „trainierbare kostenlose Zusatzmethoden“ ein, eine Reihe von Verfahren, die die Modellgenauigkeit während des Trainings verbessern, ohne die Inferenzkosten zu erhöhen.

Stärken und Einschränkungen#

YOLOv7 ist weiterhin ein leistungsfähiges Modell für Standardaufgaben der Objekterkennung und verarbeitet Daten auf GPUs für Privatnutzer schnell. Als CNN benötigt es beim Training typischerweise weniger CUDA-Speicher als transformerbasierte Modelle wie RTDETRv2.

Trotz dieser Vorteile setzt YOLOv7 bei der Nachverarbeitung weiterhin auf NMS. In Umgebungen mit einer hohen Dichte an Vorhersagen kann der NMS-Schritt zu Schwankungen bei der Verarbeitungszeit führen und strikte Echtzeitgarantien erschweren. Außerdem verarbeitet YOLOv7 Aufgaben wie Instanzsegmentierung und Posenschätzung in separaten Codezweigen statt in einem einheitlichen Framework.

Mehr über YOLOv7 erfahren

Leistungsvergleich#

Die folgende Tabelle vergleicht die mittlere Average Precision (mAP), die Anzahl der Parameter und die Inferenzgeschwindigkeit auf dem COCO-Validierungssatz.

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
YOLOv7l64051.4-6.8436.9104.7
YOLOv7x64053.1-11.5771.3189.9
Einordnung der Leistung

RTDETRv2-x erzielt die höchste mAP (54,3), hat aber auch die meisten Parameter und FLOPs. YOLOv7l (51,4 mAP, 6,84 ms) ist etwas schneller als RTDETRv2-m (51,9 mAP, 7,51 ms), während RTDETRv2-l (53,4 mAP, 9,76 ms) sowohl genauer als auch schneller ist als YOLOv7x (53,1 mAP, 11,57 ms). Für keines der Modelle werden hier CPU-Geschwindigkeiten angegeben. Nutzer, die auf Umgebungen mit geringem Stromverbrauch und ohne dedizierte GPUs abzielen, sollten daher die CPU-Inferenz selbst benchmarken.

Die moderne Lösung: YOLO26 kommt#

RTDETRv2 und YOLOv7 haben beide die Computer-Vision-Anwendungen vorangebracht, und das Feld entwickelt sich weiter. YOLO26, veröffentlicht im Januar 2026, verbindet die Effizienz von CNNs mit optionaler NMS-freier Inferenz, ähnlich wie bei Transformer-Detektoren.

Für Entwickler und Forschende, die neue Systeme entwickeln, bieten die integrierte Ultralytics Platform und das Python-Ökosystem einen einheitlichen Arbeitsablauf, der den Integrations- und Wartungsaufwand verringert.

Wichtige Neuerungen in YOLO26#

  • End-to-End-Design ohne NMS: YOLO26 unterstützt native End-to-End-Inferenz und überspringt die NMS-Nachverarbeitung mit seinem optionalen One-to-One-Head (nms=False), was eine schnellere und einfachere Bereitstellung ermöglicht. Dieser Ansatz, der erstmals in YOLOv10 eingeführt wurde, sorgt unabhängig von der Objektdichte für eine stabile Latenz.
  • Bis zu 43 % schnellere CPU-Inferenz: YOLO26n läuft auf der CPU bis zu 43 % schneller als YOLO11n. Das eignet sich für Edge-Computing und Geräte ohne GPU, auf denen sich größere Transformer-Modelle schwieriger bereitstellen lassen.
  • MuSGD-Optimierer: Eine Mischung aus SGD und Muon, inspiriert von Kimi K2 von Moonshot AI, überträgt Trainingstechniken für große Sprachmodelle (LLM) auf Computer Vision, um das Training zu stabilisieren und die Konvergenz zu beschleunigen.
  • Entfernung von DFL: Distribution Focal Loss wurde entfernt. Das vereinfacht den Rechengraphen und sorgt für einen reibungsloseren Export auf eingebettete NPUs und in TensorRT-Umgebungen.
  • ProgLoss + STAL: Progressive Loss und Small-Target-Aware Label Assignment (STAL) verbessern die Erkennung kleiner Objekte, was für Robotik, IoT und die Analyse von Luftbildern entscheidend ist.
  • Aufgabenspezifische Verbesserungen: YOLO26 ist nicht nur für die Objekterkennung gedacht. Das Modell bietet Mehrskalen-Prototypen für Segmentierung, die Residual-Log-Likelihood-Schätzung (RLE) für Posenschätzung und einen spezialisierten Winkelverlust zur Behebung von Problemen mit den Grenzen orientierter Begrenzungsrahmen (OBB).

Optimierte Entwicklererfahrung#

Ein entscheidender Vorteil von Ultralytics-Modellen wie YOLO26 (oder dem weit verbreiteten YOLO11) ist das gut gepflegte Ökosystem. Das Training mit einem benutzerdefinierten Datensatz erfordert nur wenige Codezeilen:

from ultralytics import YOLO

# YOLO26-Modell initialisieren
model = YOLO("yolo26s.pt")

# Das Modell mit dem COCO8-Datensatz trainieren
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Für die Bereitstellung auf Edge-Geräten exportieren
model.export(format="onnx", dynamic=True)

Ideale Anwendungsfälle und Einsatzgebiete#

Die Wahl zwischen diesen Architekturen hängt von der Zielhardware und den konkreten betrieblichen Anforderungen ab.

Wann RTDETRv2 infrage kommt#

RTDETRv2 eignet sich für Umgebungen mit leistungsstarken GPUs, in denen die serverseitige Verarbeitung stattfindet. Dank seines globalen Aufmerksamkeitsmechanismus eignet es sich für das Verständnis komplexer Szenen, etwa für die Überwachung stark besuchter Veranstaltungen oder spezielle medizinische Bildgebung, bei der überlappende Merkmale eine tiefgehende Kontextanalyse erfordern.

Wann du YOLOv7 in Betracht ziehen solltest#

YOLOv7 wird in der akademischen Forschung häufig weiterhin als Basismodell für Vergleiche verwendet. Das Modell findet sich auch in älteren industriellen Deployments, deren bestehende Pipelines auf bestimmte PyTorch-Versionen festgelegt sind und keine Multitask-Flexibilität neuerer Frameworks benötigen.

Für moderne Infrastrukturen in der Smart City, die Drohnen-Navigation und die Hochgeschwindigkeitsfertigung bietet YOLO26 eine ausgewogene Kombination aus Geschwindigkeit und Genauigkeit. Der geringere Speicherbedarf ermöglicht Hyperparameteroptimierung und Training auf handelsüblicher Hardware. Die optionale NMS-freie Inferenz und CPU-Optimierungen eignen sich außerdem für ressourcenbeschränkte Edge-Geräte wie den Raspberry Pi oder NVIDIA Jetson.

Weitere Vergleiche entdecken

Möchtest du wissen, wie diese Modelle im Vergleich zu anderen Architekturen abschneiden? In unseren ausführlichen Leitfäden zu YOLO11 vs. RT-DETR und YOLOv8 vs. YOLOv7 findest du das passende Modell für dein Vision-AI-Projekt.

Kommentare

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