YOLO11 im Vergleich zu RTDETRv2
Bei der Erkennung in Echtzeit muss zunehmend zwischen Faltungsneuronalen Netzen (CNNs) und Vision Transformers (ViTs) gewählt werden. Dieser technische Vergleich behandelt zwei führende Architekturen für die Objekterkennung: YOLO11, ein hochoptimiertes CNN von Ultralytics, und RTDETRv2, eine Weiterentwicklung der Detection-Transformer-Familie von Baidu.
Dieser Leitfaden vergleicht ihre Architekturen, Leistungskennzahlen und Bereitstellungsszenarien, damit Ingenieure für maschinelles Lernen zwischen ihnen wählen können. Beide Modelle erreichen eine hohe Genauigkeit, doch Ultralytics YOLO-Modelle bieten in der Produktion typischerweise ein besseres Gleichgewicht zwischen Geschwindigkeit, Unterstützung durch das Ökosystem und Benutzerfreundlichkeit.
YOLO11: der Maßstab für Vielseitigkeit in der Praxis#
YOLO11 wurde von Ultralytics vorgestellt und baut auf jahrelanger YOLO-Forschung auf, um ein schnelles, genaues und vielseitiges Modell bereitzustellen. Es unterstützt nativ Objekterkennung, Instanzsegmentierung, Bildklassifizierung, Posenschätzung und die Erkennung orientierter Begrenzungsrahmen (OBB).
- Autoren: Glenn Jocher und Jing Qiu
- Organisation: Ultralytics
- Datum: 2024-09-27
- GitHub: Ultralytics-Repository
- Dokumentation: YOLO11-Dokumentation
Architektur und Stärken#
YOLO11 verwendet ein optimiertes CNN-Backbone und mehrskalige Merkmals-Pyramiden, wodurch es ressourcenschonend ist. Das Modell eignet sich für Umgebungen mit strengen Hardwarebeschränkungen und benötigt sowohl beim Training als auch bei der Inferenz wenig Speicher. Die Ultralytics Platform unterstützt YOLO11 bei der Datenannotation, beim Cloud-Training und bei der Modellüberwachung, ohne dass separate MLOps-Werkzeuge miteinander verknüpft werden müssen.
Für die Bereitstellung am Netzwerkrand bietet YOLO11 eine geringe Latenz. Dank seines leichten Designs läuft es effizient auf Geräten von Raspberry-Pi-Platinen bis zu handelsüblichen Mobiltelefonen und ist damit eine häufige Wahl für intelligenten Einzelhandel, Qualitätskontrolle in der Fertigung und automatisiertes Verkehrsmanagement.
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
Architektur und Stärken#
Im Gegensatz zu herkömmlichen CNNs verwendet RTDETRv2 eine Encoder-Decoder-Architektur mit Mechanismen der Selbstaufmerksamkeit, sodass das Modell den globalen Kontext eines Bildes erfassen kann. Das hilft in überfüllten Szenen, in denen häufig Verdeckungen auftreten. RTDETRv2 macht die Nichtmaximalunterdrückung (NMS) in der Nachverarbeitung überflüssig und nutzt stattdessen beim Training das Hungarian Matching für eine bipartite Eins-zu-eins-Zuordnung.
Transformer-Modelle benötigen jedoch typischerweise mehr VRAM und CUDA-Speicher. Das Training von RTDETRv2 von Grund auf oder die Feinabstimmung mit benutzerdefinierten Datensätzen erfordert oft hochwertige GPUs mit viel Speicher. Im Vergleich zum geringeren Speicherbedarf von Ultralytics-Modellen kann das für kleinere Teams eine Hürde darstellen.
Analyse von Leistung und Kennzahlen#
Bei der Auswertung auf dem standardmäßigen COCO-Datensatz zeigen sich klare Kompromisse zwischen Parameterzahl, FLOPs und Genauigkeit (mAP).
| Modell | Größe (Pixel) | mAPval50-95 | Geschwindigkeit CPU ONNX (ms) | Geschwindigkeit T4 TensorRT10 (ms) | Parameter (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLO11n | 640 | 39.5 | 56.1 | 1.5 | 2.6 | 6.5 |
| YOLO11s | 640 | 47.0 | 90.0 | 2.5 | 9.4 | 21.6 |
| YOLO11m | 640 | 51.5 | 183.2 | 4.7 | 20.1 | 68.1 |
| YOLO11l | 640 | 53.4 | 238.6 | 6.2 | 25.3 | 87.2 |
| YOLO11x | 640 | 54.7 | 462.8 | 11.3 | 56.9 | 195.3 |
| 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 |
Die Ergebnisse im Detail#
YOLO11 erzielt mehr Genauigkeit pro Parameter. YOLO11x erreicht einen höheren mAPval50-95 (54,7) als RTDETRv2-x (54,3) und benötigt dabei weniger Parameter (56,9 Mio. gegenüber 76 Mio.) sowie weniger FLOPs (195,3 Mrd. gegenüber 259 Mrd.).
YOLO11 ist auch auf T4-TensorRT schneller. YOLO11s benötigt 2.5 ms gegenüber 5.03 ms bei RTDETRv2-s (47.0 gegenüber 48.1 mAP), und YOLO11m ist sowohl genauer (51.5 mAP) als auch schneller (4.7 ms) als RTDETRv2-s. Dadurch eignet sich YOLO11 besonders für Videoanalysen in Echtzeit, bei denen die Bildverarbeitungszeit den größten Engpass darstellt.
RTDETRv2 erreicht mit seinen Attention-Schichten zwar eine ausgezeichnete Genauigkeit, doch deren Rechenaufwand steigt quadratisch mit der Bildauflösung. Dadurch steigt der VRAM-Verbrauch sowohl beim Training als auch bei der Inferenz. YOLO11 vermeidet diesen Aufwand durch effiziente Faltungsblöcke.
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 den Schwerpunkt auf die Entwicklungserfahrung. Die einheitliche Python-API macht Boilerplate-Code überflüssig, lässt sich in Werkzeuge wie Weights & Biases zur Nachverfolgung von Experimenten 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 einem einzigen Befehl in Formate wie ONNX, OpenVINO oder CoreML exportieren, sodass dasselbe Modell auf verschiedenen Hardwareplattformen ausgeführt werden kann.
RTDETRv2 konzentriert sich ausschließlich auf die Erkennung mit Begrenzungsrahmen. YOLO11 unterstützt außerdem Instanzsegmentierung, Bildklassifizierung, Posenschätzung und OBB-Erkennung, sodass du mehrere Aufgaben des maschinellen Sehens in einer einzigen Modellfamilie zusammenfassen kannst.
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.
- Bildverarbeitungsanwendungen mit mehreren Aufgaben: Projekte, die Erkennung, Segmentierung, Klassifizierung, Posenschätzung und OBB in einem einheitlichen Framework benötigen.
- 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, 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.
Ausblick: die Leistungsfähigkeit von YOLO26#
YOLO11 bleibt eine solide Wahl für den Produktiveinsatz, aber neue Projekte sollten mit YOLO26 starten. YOLO26 wurde im Januar 2026 veröffentlicht und verringert den Architekturabstand zu Transformern durch einen optionalen durchgängigen, NMS-freien Head (nms=False, den YOLOv10 in YOLO-Modelle einführte). Dadurch entfallen die Latenz der NMS-Nachverarbeitung und die Bereitstellungslogik wird vereinfacht.
YOLO26 bringt außerdem mehrere weitere Änderungen mit sich:
- MuSGD-Optimierer: Diese Kombination aus SGD und Muon ist von den Trainingstechniken für große Sprachmodelle (LLM) inspiriert, die Moonshot AI für Kimi K2 verwendet, und ermöglicht stabileres Training sowie schnellere Konvergenz.
- Entfernung von DFL: Das Entfernen des Distribution Focal Loss vereinfacht den Export und verbessert die Kompatibilität mit stromsparenden Edge-Geräten.
- ProgLoss + STAL: Progressive Loss und Small-Target-Aware Label Assignment (STAL) verbessern die Erkennung kleiner Objekte – eine zentrale Anforderung für die Drohnenüberwachung, die landwirtschaftliche Überwachung und IoT-Edge-Sensoren.
- Bis zu 43 % schnellere CPU-Inferenz: Bei Bereitstellungen ohne dedizierte GPUs läuft YOLO26n auf der CPU bis zu 43 % schneller als YOLO11n.
Für eine größere Auswahl an Architekturen findest du hier YOLOv8, das weit verbreitete YOLOv5 und spezialisierte Modelle wie YOLO-World für die Erkennung mit offenem Vokabular. Ob du dich für die bewährte Stabilität von YOLO11 oder das neuere YOLO26 entscheidest – das Ultralytics-Ökosystem bietet dir die Werkzeuge, um deine Computer-Vision-Projekte in den Produktivbetrieb zu bringen.
Kommentare
Stell eine Frage, teile deine Ergebnisse oder hilf jemand anderem.