YOLO11 im Vergleich zu RTDETRv2#

Die Computer Vision hat sich rasant weiterentwickelt und bietet Entwicklern zahlreiche Möglichkeiten, robuste bildverarbeitende Anwendungen zu entwickeln. Im Bereich der Objekterkennung in Echtzeit ist die Debatte zwischen Faltungsnetzwerken (CNNs) und Vision-Transformern (ViTs) präsenter denn je. Dieser technische Vergleich beleuchtet zwei führende Architekturen: YOLO11, den Höhepunkt hochoptimierter CNN-Frameworks, und RTDETRv2, eine leistungsstarke Weiterentwicklung der Detection-Transformer-Familie.

Dieser Leitfaden untersucht Architekturen, Leistungskennzahlen und geeignete Bereitstellungsszenarien, um Machine-Learning-Ingenieuren fundierte Entscheidungen zu ermöglichen. Beide Modelle loten die Grenzen der Genauigkeit weiter aus, doch Ultralytics YOLO-Modelle bieten in der Regel ein besseres Gleichgewicht aus Geschwindigkeit, Unterstützung durch das Ökosystem und Benutzerfreundlichkeit für den praktischen Produktionseinsatz.

YOLO11: der Maßstab für Vielseitigkeit in der Praxis#

YOLO11 wurde von Ultralytics vorgestellt und baut auf jahrelanger Grundlagenforschung auf, um ein schnelles, genaues und äußerst vielseitiges Modell bereitzustellen. Es wurde dafür entwickelt, Objekterkennung, Instanzsegmentierung, Bildklassifizierung, Posenschätzung und die Erkennung orientierter Bounding Boxes (OBB) nativ und nahtlos zu unterstützen.

• Autoren: Glenn Jocher und Jing Qiu
• Organisation: Ultralytics
• Datum: 2024-09-27
• GitHub: Ultralytics-Repository
• Dokumentation: YOLO11-Dokumentation

Architektur und Stärken#

YOLO11 verfügt über einen optimierten CNN-Backbone und fortschrittliche räumliche Feature-Pyramiden, wodurch es besonders ressourcenschonend ist. Das Modell eignet sich hervorragend für Umgebungen mit strengen Hardwarebeschränkungen und benötigt sowohl beim Training als auch bei der Inferenz nur wenig Speicher. Die Ultralytics Platform unterstützt YOLO11 nativ und ermöglicht eine unkomplizierte Modellüberwachung, Datenannotation und Cloud-Trainings, ohne dass verschiedene MLOps-Werkzeuge miteinander verbunden werden müssen.

Für Entwickler, die auf Edge-Computing setzen, bietet YOLO11 eine extrem niedrige Latenz. Dank seines geringen Gewichts läuft es effizient auf Geräten von Raspberry Pis bis hin zu handelsüblichen Mobiltelefonen. Damit eignet es sich bestens für den intelligenten Einzelhandel, die Qualitätskontrolle in der Fertigung und die automatisierte Verkehrssteuerung.

RTDETRv2: Transformer für Echtzeit-Anwendungen von Baidu#

RTDETRv2 (Detection Transformer für Echtzeit-Anwendungen, Version 2) ist Baidus Ansatz, Transformer-basierte Architekturen für Echtzeitaufgaben nutzbar zu machen. Das Modell baut auf dem ursprünglichen RT-DETR auf und integriert einen „Bag-of-Freebies“-Ansatz, um die Grundgenauigkeit zu verbessern, ohne die Inferenzlatenz zu erhöhen.

• Autoren: Wenyu Lv, Yian Zhao, Qinyao Chang, Kui Huang, Guanzhong Wang und Yi Liu
• Organisation: Baidu
• Datum: 2024-07-24
• Arxiv: 2407.17140
• GitHub: RTDETRv2-Repository
• Dokumentation: RTDETRv2-README

Erfahre mehr über RTDETRv2

Architektur und Stärken#

Anders als herkömmliche CNNs verwendet RTDETRv2 eine Encoder-Decoder-Architektur mit Selbstaufmerksamkeitsmechanismen. Dadurch kann das Modell den globalen Kontext eines Bildes erfassen. Das ist besonders in überfüllten Szenen mit häufigen Verdeckungen von Vorteil. RTDETRv2 verzichtet bei der Nachbearbeitung auf Non-Maximum Suppression (NMS) und nutzt stattdessen während des Trainings das ungarische Verfahren für eine Eins-zu-eins-Zuordnung über bipartites Matching.

Allerdings benötigen Transformer-Modelle bekanntermaßen viel VRAM und CUDA-Speicher. Das Training von RTDETRv2 von Grund auf oder die Feinabstimmung mit benutzerdefinierten Datensätzen erfordert oft umfangreiche GPU-Cluster der Spitzenklasse. Für kleinere, agile Teams kann das im Vergleich zum geringen Trainingsspeicherbedarf von Ultralytics-Modellen eine Hürde darstellen.

Analyse von Leistung und Kennzahlen#

Beim Vergleich dieser Modelle anhand des standardisierten COCO-Datensatzes zeigen sich deutliche Kompromisse zwischen Parameterzahl, FLOPs und Genauigkeit.

Die Ergebnisse im Detail#

Wie die Tabelle zeigt, bietet YOLO11 ein beeindruckendes Verhältnis von Leistung zu Modellgröße. YOLO11x erreicht einen höheren mAP^val-Wert (54,7) als RTDETRv2-x (54,3) und benötigt dabei deutlich weniger Parameter (56,9 Mio. gegenüber 76 Mio.) sowie wesentlich weniger Rechenleistung in FLOPs (195,3 Mrd. gegenüber 259 Mrd.).

Außerdem ist die Inferenz von YOLO11 auf T4-TensorRT besonders schnell. YOLO11s schließt die Inferenz in nur 2,5 ms ab, während das kleinste RTDETRv2-s 5,03 ms benötigt. Dadurch ist YOLO11 die klare Wahl für schnelle Videoanalysen in Echtzeit, bei denen die Bildverarbeitungszeit den entscheidenden Engpass darstellt.

Trainingsökosystem und Benutzerfreundlichkeit#

Der zentrale Vorteil eines Ultralytics-Modells liegt im dazugehörigen Ökosystem. Das Training von RTDETRv2 erfordert oft, sich in komplexen Repositories aus der Forschung zurechtzufinden, die komplizierten Gewichte für den Verlust beim bipartiten Matching anzupassen und einen erheblichen Speicherbedarf zu verwalten.

Ultralytics legt dagegen großen Wert auf die Entwicklererfahrung. Die einheitliche Python-API nimmt dir den Großteil des Standardcodes ab, lässt sich nahtlos mit Werkzeugen wie Weights & Biases zur Versuchsverfolgung integrieren und übernimmt die Datenerweiterung automatisch.

So einfach kannst du mit dem Paket ultralytics ein Modell trainieren und exportieren:

from ultralytics import YOLO

# YOLO11-Modell mit vortrainierten Gewichten initialisieren
model = YOLO("yolo11n.pt")

# Das Modell effizient auf einer lokalen GPU oder in einer Cloud-Instanz trainieren
train_results = model.train(
    data="coco8.yaml",
    epochs=100,
    imgsz=640,
    device=0,  # CUDA-GPU verwenden
)

# Das trainierte Modell für eine breite Bereitstellung nach ONNX exportieren
export_path = model.export(format="onnx")

Nach dem Training lässt sich ein YOLO11-Modell mit nur einem Befehl in Formate wie ONNX, OpenVINO oder CoreML exportieren. So lässt sich deine Bildverarbeitungspipeline mühelos auf verschiedene Hardwareplattformen skalieren.

Anwendungsfälle und Empfehlungen#

Die Wahl zwischen YOLO11 und RT-DETR hängt von den Anforderungen deines Projekts, den Bereitstellungsbeschränkungen und deinen Präferenzen für das Ökosystem ab.

Wann du YOLO11 wählen solltest#

YOLO11 eignet sich besonders für:

• Bereitstellung auf Edge-Geräten im Produktionseinsatz: Kommerzielle Anwendungen auf Geräten wie Raspberry Pi oder NVIDIA Jetson, bei denen Zuverlässigkeit und aktive Wartung entscheidend sind.
• Vision-Anwendungen mit mehreren Aufgaben: Projekte, die Objekterkennung, Segmentierung, Posenschätzung und OBB innerhalb eines einheitlichen Frameworks erfordern.
• Schnelle Prototypentwicklung und Bereitstellung: Teams, die mithilfe der optimierten Ultralytics-Python-API schnell von der Datenerfassung zum Produktionseinsatz gelangen müssen.

Wann du RT-DETR wählen solltest#

RT-DETR empfiehlt sich 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 Ultralytics (YOLO26) wählen solltest#

Für die meisten neuen Projekte bietet Ultralytics YOLO26 die beste Kombination aus Leistung und Entwicklererfahrung:

• 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, auf denen die bis zu 43 % schnellere CPU-Inferenz von YOLO26 einen entscheidenden Vorteil bietet.
• Erkennung kleiner Objekte: Anspruchsvolle Szenarien wie Luftbilder von Drohnen oder die Analyse von IoT-Sensoren, bei denen ProgLoss und STAL die Genauigkeit bei sehr kleinen Objekten deutlich steigern.

Ausblick: die Leistungsfähigkeit von YOLO26#

YOLO11 ist eine ausgezeichnete Wahl für den Produktionseinsatz. Teams, die auf dem neuesten Stand der Technik arbeiten möchten, sollten jedoch unbedingt YOLO26 in Betracht ziehen. YOLO26 wurde im Januar 2026 veröffentlicht und schließt die Lücke zwischen den Architekturen: Ein optionaler End-to-End-Kopf ohne NMS (nms=False), der erstmals in YOLOv10 zum Einsatz kam, ist direkt in den Kern integriert. Dadurch entfallen die Latenz durch die NMS-Nachbearbeitung und die Komplexität der Bereitstellungslogik.

YOLO26 bietet außerdem mehrere bahnbrechende Funktionen:

• MuSGD-Optimierer: Dieser hybride Ansatz aus SGD und Muon ist von den LLM-Trainingstechniken aus Moonshot AIs Kimi K2 inspiriert und sorgt für ein äußerst stabiles Training sowie eine deutlich schnellere Konvergenz.
• Entfernung von DFL: Distribution Focal Loss wurde entfernt. Das vereinfacht den Export und verbessert die Kompatibilität mit stromsparenden Edge-Geräten erheblich.
• ProgLoss + STAL: Diese fortschrittlichen Verlustfunktionen verbessern die Erkennung kleiner Objekte deutlich – eine entscheidende Voraussetzung für die Drohnenüberwachung, die landwirtschaftliche Überwachung und IoT-Sensoren am Netzwerkrand.
• Bis zu 43 % schnellere CPU-Inferenz: YOLO26 wurde speziell für die Ausführung auf CPUs optimiert und übertrifft bei Bereitstellungen ohne dedizierte GPUs frühere Generationen deutlich.

Wenn du weitere Architekturen kennenlernen möchtest, findest du in der Ultralytics-Dokumentation auch Informationen zu YOLOv8, dem weit verbreiteten YOLOv5 und spezialisierten Modellen wie YOLO-World für Anwendungen zur Erkennung mit offenem Vokabular. Ob du nun auf die bewährte Stabilität von YOLO11 oder die bahnbrechenden Neuerungen von YOLO26 setzt: Das Ultralytics-Ökosystem bietet dir außergewöhnliche Werkzeuge, um deine Computer-Vision-Lösungen Wirklichkeit werden zu lassen.