RTDETRv2 vs. YOLOv9#

Das Gebiet des Computer-Vision hat eine faszinierende Divergenz architektonischer Philosophien erlebt, vor allem zwischen konvolutionalen neuronalen Netzen (CNNs) und transformerbasierten Modellen. Beim Vergleich von RTDETRv2 und YOLOv9 bewerten Entwickler im Wesentlichen die Kompromisse zwischen globalen Aufmerksamkeitsmechanismen und programmierbaren Gradienteninformationen. Beide Modelle repräsentieren den Höhepunkt ihrer jeweiligen Paradigmen und verschieben die Grenzen der Objekterkennung in Echtzeit.

Einführung in die Modelle#

RTDETRv2: Transformer für Echtzeiterkennung#

RTDETRv2 wurde von Forschern bei Baidu entwickelt und baut auf dem ursprünglichen RT-DETR auf, indem es eine Reihe kostenloser Verbesserungen einführt, um den Transformer für Echtzeiterkennung als Ausgangsbasis zu optimieren. Das Modell behebt den traditionellen Engpass von Transformern – die Inferenzgeschwindigkeit – und macht sie für Echtzeitanwendungen geeignet.

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

Ein prägendes Merkmal von RTDETRv2 ist sein nativer End-to-End-Aufbau ohne NMS. Durch die vollständige Entfernung der Nicht-Maximum-Unterdrückung (NMS) während der Nachverarbeitung stabilisiert das Modell die Inferenzlatenz und vereinfacht die Bereitstellungspipeline. Der globale Aufmerksamkeitsmechanismus ermöglicht dem Modell ein besonders gutes Verständnis komplexer Szenen und dichter Menschenmengen, da es den Kontext des gesamten Bildes gleichzeitig auswertet.

Erfahre mehr über RTDETRv2

YOLOv9: Programmierbare Gradienteninformationen#

YOLOv9, eine hocheffiziente CNN-basierte Architektur, geht das Informationsengpassproblem an, das tiefen neuronalen Netzen innewohnt. Das Modell führt Programmierbare Gradienteninformation (PGI) und das Generalized Efficient Layer Aggregation Network (GELAN) ein.

• Autoren: Chien-Yao Wang und Hong-Yuan Mark Liao
• Organisation: Institute of Information Science, Academia Sinica
• Datum: 21. Februar 2024
• Links: Arxiv, GitHub

YOLOv9 basiert auf den bewährten Grundlagen eines konvolutionalen neuronalen Netzes, maximiert jedoch die Parametereffizienz. Durch die Beibehaltung wichtiger Informationen während der Vorwärtsverarbeitung gewährleistet das Modell zuverlässige Gewichtsaktualisierungen, was zu einem äußerst leichten und dennoch sehr genauen Modell führt. Im Gegensatz zu RTDETRv2 ist YOLOv9 jedoch weiterhin auf die standardmäßige NMS-Nachverarbeitung angewiesen.

Erfahre mehr über YOLOv9

Leistung und Ressourceneffizienz#

Bei der Bewertung dieser Modelle für den Produktiveinsatz ist es entscheidend, die mittlere durchschnittliche Präzision (mAP) gegen die Rechenkosten abzuwägen. Die folgende Tabelle veranschaulicht ihre Leistung auf dem MS-COCO-Datensatz.

Speicherbedarf und Trainingseffizienz#

Transformer wie RTDETRv2 sind während des Trainings bekanntermaßen speicherintensiv und benötigen häufig beträchtlichen CUDA-Speicher sowie längere Trainingsläufe, um vollständig zu konvergieren. Im Gegensatz dazu weisen CNN-Architekturen wie YOLOv9 und andere Ultralytics YOLO-Modelle einen deutlich geringeren Speicherbedarf auf, sodass Entwickler mit größeren Batch-Größen auf Hardware für Endanwender trainieren können.

Der Vorteil von Ultralytics: Ökosystem und Benutzerfreundlichkeit#

Die Untersuchung eigenständiger Repositorys wie der offiziellen GitHub-Seiten von RTDETRv2 oder YOLOv9 kann zwar sehr lehrreich sein, doch Produktionsumgebungen erfordern Stabilität, Benutzerfreundlichkeit und ein gut gepflegtes Ökosystem. Die Integration dieser Modelle über die Ultralytics Python API bietet dir eine nahtlose Entwicklererfahrung.

Einheitliche API und Vielseitigkeit#

Das Ultralytics-Framework abstrahiert die Komplexität des Ladens von Daten, der Augmentierungen und des verteilten Trainings. Während sich das ursprüngliche RTDETRv2 außerdem strikt auf die Erkennung konzentriert, ermöglicht das Ultralytics-Ökosystem einen einfachen Wechsel zwischen Objekterkennung, Instanzsegmentierung und Posenschätzung.

from ultralytics import RTDETR, YOLO

# Train a YOLOv9 model on custom data
model_yolo = YOLO("yolov9c.pt")
model_yolo.train(data="coco8.yaml", epochs=50, imgsz=640)

# Easily switch to RT-DETR for complex scene evaluation
model_rtdetr = RTDETR("rtdetr-l.pt")
results = model_rtdetr.predict("https://ultralytics.com/images/bus.jpg")

# Export to production-ready formats like TensorRT
model_yolo.export(format="engine")

Mit einer umfassenden Dokumentation, automatischer Versuchsverfolgung und nahtlosen Exportmöglichkeiten in Formate wie ONNX, TensorRT und OpenVINO verkürzt Ultralytics die Zeit vom Prototyp bis zum Produktiveinsatz erheblich.

Ideale Anwendungsfälle#

Worin RTDETRv2 besonders stark ist#

Dank seines globalen Aufmerksamkeitsmechanismus ist RTDETRv2 besonders leistungsfähig bei der serverseitigen Verarbeitung und in Umgebungen, in denen globaler Kontext entscheidend ist. Das Modell eignet sich besonders für:

• Medizinische Bildgebung: Erkennung subtiler Anomalien, bei denen der umgebende Kontext entscheidend ist.
• Luftüberwachung: Erkennung kleiner Objekte in hochauflösenden Drohnenaufnahmen ohne die räumlichen Verzerrungen herkömmlicher CNN-Faltungen.
• Analyse dichter Menschenmengen: Verfolgung einzelner Personen, bei der starke Verdeckungen ankerbasierte Modelle normalerweise vor Probleme stellen.

Worin YOLOv9 besonders stark ist#

YOLOv9 ist ein Vorreiter für Edge-Einsätze mit begrenzten Ressourcen. Seine Recheneffizienz macht das Modell ideal für:

• Robotik: Navigation in Echtzeit und Hindernisvermeidung, wenn minimale Latenz erforderlich ist.
• IoT in Smart Cities: Einsatz auf Edge-Geräten wie dem NVIDIA Jetson zur Verkehrsüberwachung.
• Industrielle Inspektion: Qualitätskontrolle an Hochgeschwindigkeitsmontagelinien, die eine hohe Bildrate pro Sekunde (FPS) erfordert.

Die Zukunft: Ultralytics YOLO26 kommt#

YOLOv9 und RTDETRv2 stellen zwar gewaltige Fortschritte dar, doch die Landschaft hat sich rasant weiterentwickelt. Für moderne Einsätze verkörpert das neu veröffentlichte Ultralytics YOLO26 die optimale Verbindung beider architektonischer Philosophien.

YOLO26 vereint die besten Aspekte von Transformern und CNNs und setzt einen neuen Standard:

• End-to-End-Aufbau ohne NMS: Wie RTDETRv2 ist YOLO26 nativ End-to-End und beseitigt die NMS-Nachverarbeitung vollständig. Dadurch entstehen schnellere, einfachere und äußerst vorhersehbare Bereitstellungspipelines.
• MuSGD-Optimierer: YOLO26 ist von Trainingstechniken für Large Language Models (LLMs) inspiriert, etwa von Kimi K2 von Moonshot AI, und verwendet eine Kombination aus SGD und Muon. Das bringt beispiellose Trainingsstabilität und schnelle Konvergenz in die Computer Vision.
• Bis zu 43 % schnellere CPU-Inferenz: Im Gegensatz zu rechenintensiven Transformern ist YOLO26 umfassend für Edge Computing und Geräte ohne GPUs optimiert.
• Entfernung von DFL: Die Entfernung von Distribution Focal Loss vereinfacht den Modellgraphen erheblich und gewährleistet einen reibungslosen Export auf stromsparende Edge-Geräte und eingebettete neuronale Verarbeitungseinheiten (NPUs).
• ProgLoss + STAL: Diese verbesserten Verlustfunktionen steigern die Erkennung kleiner Objekte erheblich – eine entscheidende Funktion für IoT- und Luftbilddatensätze.

Für Teams, die ein neues Computer-Vision-Projekt starten möchten, empfehlen wir dringend, YOLO26 zu evaluieren. Es bietet die Eleganz eines Transformers ohne NMS sowie die hohe Geschwindigkeit und Trainingseffizienz einer stark optimierten YOLO-Architektur.

Zusammenfassung#

Die Wahl zwischen RTDETRv2 und YOLOv9 hängt weitgehend von deiner Bereitstellungshardware und deinen spezifischen Genauigkeitsanforderungen ab. RTDETRv2 bietet Genauigkeit auf dem neuesten Stand der Technik und Kontextverständnis für servergestützte Anwendungen, während YOLOv9 eine außergewöhnliche Effizienz für Edge-Geräte liefert.

Durch die Nutzung des ausgereiften Ultralytics-Ökosystems können Entwickler jedoch mühelos mit beiden Modellen experimentieren. Dank der Einführung neuerer Modelle wie YOLO11 und des nativen End-to-End-Modells YOLO26 war es außerdem noch nie so einfach, das optimale Gleichgewicht zwischen hoher Inferenzgeschwindigkeit, vielseitiger Aufgabenunterstützung und geringem Speicherverbrauch zu finden.