Erste Schritte

RTDETRv2 vs. YOLOv9

Computer-Vision-Architekturen lassen sich grob in zwei Ansätze einteilen: Faltungsneuronale Netze (CNNs) und Transformer-basierte Modelle. Beim Vergleich von RTDETRv2 und YOLOv9 gilt es, globale Aufmerksamkeit gegen programmierbare Gradienteninformationen abzuwägen. Beide Modelle sind starke Vertreter ihrer jeweiligen Ansätze für die Echtzeit-Objekterkennung.

Einführung in die Modelle#

RTDETRv2: Real-Time Detection Transformer#

RTDETRv2 wurde von Forschenden bei Baidu entwickelt und baut auf dem ursprünglichen RT-DETR auf. Ein „Bag-of-Freebies“-Ansatz verbessert den grundlegenden Real-Time Detection Transformer. 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: 2024-07-24
  • Links: arXiv, GitHub

Ein wesentliches Merkmal von RTDETRv2 ist das native End-to-End-Design ohne NMS. Durch den Wegfall von Non-Maximum Suppression (NMS) bei der Nachverarbeitung sorgt das Modell für stabilere Inferenzlatenz und vereinfacht die Bereitstellungspipeline. Der globale Aufmerksamkeitsmechanismus unterstützt das Modell bei komplexen Szenen und Menschenmengen, da es den gesamten Bildkontext gleichzeitig auswertet.

Erfahre mehr über RTDETRv2

YOLOv9: Programmierbare Gradienteninformationen#

YOLOv9, eine effiziente CNN-basierte Architektur, begegnet dem Informationsengpass, der tiefen neuronalen Netzen innewohnt. Das Modell führt Programmable Gradient Information (PGI) und das Generalized Efficient Layer Aggregation Network (GELAN) ein.

YOLOv9 baut auf bewährten Grundlagen Faltungsneuronaler Netze auf und legt den Schwerpunkt auf Parametereffizienz. PGI erhält wichtige Informationen während der Vorwärtsverarbeitung und sorgt so für zuverlässige Gradienten und ein leichtes, zugleich genaues Modell. Anders als RTDETRv2 ist YOLOv9 jedoch weiterhin auf die standardmäßige NMS-Nachverarbeitung angewiesen.

Mehr über YOLOv9 erfahren

Leistung und Ressourceneffizienz#

Die folgende Tabelle vergleicht die mittlere durchschnittliche Präzision (mAP) und die Rechenkosten auf dem MS-COCO-Datensatz. YOLOv9 benötigt bei ähnlicher Genauigkeit deutlich weniger Parameter (YOLOv9m erreicht 51,4 mAP mit 20,1M Parametern gegenüber 51,9 mAP und 36M bei RTDETRv2-m) und ist bei jeder Größe außer YOLOv9e auf T4 mit TensorRT schneller. YOLOv9e erzielt die höchste mAP (55,6), ist aber auch das langsamste Modell in der Tabelle (16,77 ms).

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
YOLOv9t64038.3-2.32.07.7
YOLOv9s64046.8-3.547.226.7
YOLOv9m64051.4-6.4320.176.8
YOLOv9c64053.0-7.1625.5102.8
YOLOv9e64055.6-16.7758.1192.5

Speicherbedarf und Trainingseffizienz#

Transformer wie RTDETRv2 benötigen beim Training viel Arbeitsspeicher und häufig erhebliche Mengen an CUDA-Speicher. CNN-Architekturen wie YOLOv9 und andere Ultralytics-YOLO-Modelle benötigen in der Regel weniger Speicher. Dadurch können Entwickler auf handelsüblicher Hardware mit größeren Batch-Größen trainieren.

Effizientes Training

Um deine Hardware optimal zu nutzen, solltest du die Ultralytics Platform für das Training in der Cloud in Betracht ziehen. Sie richtet die Umgebung ein und legt die Batch-Größe automatisch fest.

Die Vorteile von Ultralytics: Ökosystem und Benutzerfreundlichkeit#

Eigenständige Repositories wie die offiziellen RTDETRv2- oder YOLOv9-GitHub-Seiten sind für Forschungszwecke nützlich. Produktionsumgebungen erfordern jedoch Stabilität, einfache Bedienung und ein gut gepflegtes Ökosystem. Wenn du diese Modelle über die Ultralytics-Python-API verwendest, erhältst du eine einheitliche Entwicklererfahrung.

Einheitliche API und Vielseitigkeit#

Das Ultralytics-Framework nimmt dir die Komplexität des Ladens von Daten, der Datenerweiterung und des verteilten Trainings ab. Während sich das ursprüngliche RTDETRv2 ausschließlich auf die Erkennung konzentriert, kannst du im Ultralytics-Ökosystem außerdem zwischen Objekterkennung, Instanzsegmentierung und Posenschätzung wechseln.

from ultralytics import RTDETR, YOLO

# Ein YOLOv9-Modell mit eigenen Daten trainieren
model_yolo = YOLO("yolov9c.pt")
model_yolo.train(data="coco8.yaml", epochs=50, imgsz=640)

# Einfach zu RT-DETR wechseln, um komplexe Szenen auszuwerten
model_rtdetr = RTDETR("rtdetr-l.pt")
results = model_rtdetr.predict("https://ultralytics.com/images/bus.jpg")

# In produktionsreife Formate wie TensorRT exportieren
model_yolo.export(format="engine")

Mit umfassender Dokumentation, automatischer Nachverfolgung von Experimenten und dem Export in Formate wie ONNX, TensorRT und OpenVINO verkürzt Ultralytics den Weg vom Prototyp zur Produktion.

Ideale Anwendungsfälle#

Die Stärken von RTDETRv2#

Dank seines globalen Aufmerksamkeitsmechanismus eignet sich RTDETRv2 gut für die serverseitige Verarbeitung und Umgebungen, in denen der globale Kontext wichtig ist. Das Modell leistet gute Arbeit bei:

  • Medizinische Bildgebung: Erkennung subtiler Anomalien, bei denen der umgebende Kontext entscheidend ist.
  • Luftüberwachung: Analyse hochauflösender Drohnenaufnahmen, bei denen der weiträumige räumliche Kontext bei der Interpretation der Szene hilft.
  • Analyse großer Menschenmengen: Erkennung einzelner Personen in dicht gedrängten Szenen, in denen NMS überlappende korrekte Erkennungen unterdrücken kann.

Die Stärken von YOLOv9#

YOLOv9 eignet sich gut für Edge-Bereitstellungen mit begrenzten Ressourcen. Die Recheneffizienz des Modells passt zu:

  • Robotik: Echtzeitnavigation und Hindernisvermeidung, wenn minimale Latenz erforderlich ist.
  • Smart-City-IoT: Einsatz auf Edge-Geräten wie NVIDIA Jetson zur Verkehrsüberwachung.
  • Industrielle Inspektion: Qualitätskontrolle an Hochgeschwindigkeitsfertigungsstraßen, für die eine hohe Bildrate (FPS) erforderlich ist.

Die Zukunft: Ultralytics YOLO26 kommt#

YOLOv9 und RTDETRv2 waren beide wichtige Entwicklungsschritte, doch das Forschungsfeld hat sich weiterentwickelt. Für neue Bereitstellungen vereint Ultralytics YOLO26, veröffentlicht im Januar 2026, Ideen aus beiden Architekturansätzen.

YOLO26 vereint die Stärken von Transformern und CNNs:

  • End-to-End-Design ohne NMS: Wie RTDETRv2 unterstützt YOLO26 native End-to-End-Inferenz. Der optionale One-to-One-Head (nms=False) überspringt die NMS-Nachverarbeitung und ermöglicht schnellere, einfachere und besser vorhersehbare Bereitstellungspipelines.
  • MuSGD-Optimierer: Inspiriert von Trainingstechniken für große Sprachmodelle (LLMs), etwa Moonshot AIs Kimi K2, verwendet YOLO26 eine Kombination aus SGD und Muon für stabileres Training und schnellere Konvergenz.
  • Bis zu 43 % schnellere CPU-Inferenz: YOLO26n läuft auf der CPU bis zu 43 % schneller als YOLO11n und eignet sich damit für Edge Computing und Geräte ohne GPUs, auf denen größere Transformermodelle Schwierigkeiten haben.
  • Wegfall von DFL: Durch den Wegfall von Distribution Focal Loss wird der Modellgraph vereinfacht. Das erleichtert den Export auf Edge-Geräte mit geringem Stromverbrauch und eingebettete neuronale Verarbeitungseinheiten (NPUs).
  • ProgLoss + STAL: Progressive Loss und Small-Target-Aware Label Assignment (STAL) verbessern die Erkennung kleiner Objekte. Das ist für IoT- und Luftbilddatensätze wichtig.

Teams, die ein neues Computer-Vision-Projekt beginnen, empfehlen wir, YOLO26 zu evaluieren. Das Modell bietet optionale NMS-freie Inferenz wie ein Transformer und zugleich die Geschwindigkeit und Trainingseffizienz einer YOLO-Architektur.

Zusammenfassung#

Die Entscheidung zwischen RTDETRv2 und YOLOv9 hängt hauptsächlich von der Hardware für die Bereitstellung und den konkreten Anforderungen an die Genauigkeit ab. RTDETRv2 bietet hohe Genauigkeit und Kontextbewusstsein für servergestützte Anwendungen, während YOLOv9 eine hohe Effizienz auf Edge-Geräten ermöglicht.

Im Ultralytics-Ökosystem können Entwickler YOLOv9 und das ursprüngliche RT-DETR mit derselben API testen. Neuere Modelle wie YOLO11 und das End-to-End-fähige YOLO26 unterstützen mehr Aufgaben, bieten schnelle Inferenz und benötigen wenig Arbeitsspeicher.

Kommentare

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