YOLOv10 vs. RTDETRv2
Computer Vision entwickelt sich rasant, und neue Architekturen setzen regelmäßig neue Maßstäbe bei der Echtzeit-Objekterkennung. Zu den bedeutenden Meilensteinen zählen YOLOv10 und RTDETRv2. Beide Modelle beseitigen einen Engpass in herkömmlichen Detektionspipelines, indem sie auf die Non-Maximum Suppression (NMS)-Nachverarbeitung verzichten. Sie gehen diese Herausforderung jedoch mit völlig unterschiedlichen Architekturen an.
Dieser technische Vergleich analysiert ihre Architekturen, Trainingsmethoden und geeigneten Bereitstellungsszenarien, damit Entwickler und Forschende das passende Werkzeug für ihr nächstes Projekt im Bereich visuelle KI auswählen können.
YOLOv10: NMS-freie Echtzeit-Detektion#
YOLOv10 wurde von Forschenden der Tsinghua-Universität entwickelt und konzentriert sich auf architektonische Effizienz und den Wegfall von Engpässen bei der Nachverarbeitung. Mit konsistenten doppelten Zuweisungen für das NMS-freie Training erzielt das Modell eine konkurrenzfähige Genauigkeit bei geringerer Inferenzlatenz.
Technische Daten#
- Autoren: Ao Wang, Hui Chen, Lihao Liu u. a.
- Organisation: Tsinghua-Universität
- Datum: 2024-05-23
- arXiv: YOLOv10-Artikel
- GitHub: THU-MIG/yolov10
- Dokumentation: YOLOv10-Dokumentation
Architektur und Methoden#
Der wichtigste Beitrag von YOLOv10 ist sein ganzheitliches, auf Effizienz und Genauigkeit ausgerichtetes Modelldesign. Es optimiert verschiedene Komponenten unter beiden Gesichtspunkten und reduziert so den Rechenaufwand. Dank der Strategie konsistenter doppelter Zuweisungen kann das Modell ohne NMS trainiert werden. Das ermöglicht eine optimierte End-to-End-Bereitstellungspipeline. Besonders vorteilhaft ist dies beim Export von Modellen in Edge-Formate wie ONNX oder TensorRT, da Nachverarbeitungsoperationen dort unerwartete Latenz verursachen können.
Stärken und Schwächen#
Das Modell bietet ein gutes Verhältnis zwischen Geschwindigkeit und Genauigkeit, insbesondere in den kleineren Varianten (N und S). Dank der geringen Latenz eignet es sich für schnelle Edge-Umgebungen. YOLOv10 ist zwar besonders schnell bei der reinen Detektion, bleibt aber auf diese Aufgabe beschränkt. Teams, die Instanzsegmentierung oder Posenschätzung benötigen, müssen auf vielseitigere Frameworks zurückgreifen.
RTDETRv2: Weiterentwicklung des Detection Transformers#
RTDETRv2 baut auf dem ursprünglichen Real-Time Detection Transformer auf und ergänzt ihn um ein „Bündel kostenloser Verbesserungen“, das die Ausgangsleistung steigert. Das Modell zeigt, dass Transformer in Echtzeitszenarien mit CNNs konkurrieren können.
Technische Daten#
- Autoren: Wenyu Lv, Yian Zhao, Qinyao Chang, Kui Huang, Guanzhong Wang und Yi Liu
- Organisation: Baidu
- Datum: 2024-07-24
- arXiv: RTDETRv2-Artikel
- GitHub: lyuwenyu/RT-DETR
- Dokumentation: RTDETRv2-README
Architektur und Methoden#
RTDETRv2 verwendet eine hybride Architektur: Ein Backbone aus einem Faltungsneuronalen Netzwerk (CNN) extrahiert visuelle Merkmale, während ein Transformer-Encoder und -Decoder das Bild auf Szenenebene erfasst. Dank des Selbstaufmerksamkeitsmechanismus des Transformers kann das Modell das gesamte Bild berücksichtigen. Dadurch eignet es sich für komplexe Szenen, überlappende Objekte und dicht gedrängte Menschenmengen.
Stärken und Schwächen#
Die Transformer-Architektur bietet eine ausgezeichnete Genauigkeit, insbesondere bei Modellen mit vielen Parametern, und gibt finale Detektionen ohne NMS aus. Das hat jedoch seinen Preis. Transformer-Modelle benötigen beim Training traditionell mehr CUDA-Speicher und konvergieren unter Umständen langsamer als reine CNN-Architekturen. RTDETRv2 bietet zwar eine höhere Inferenzgeschwindigkeit, verbraucht im Allgemeinen aber mehr Speicher als kompakte YOLO-Varianten.
Leistungsvergleich#
Die Auswertung der Leistungskennzahlen zeigt klarer, worin die Stärken der einzelnen Modelle liegen. Die folgende Tabelle hebt ihre Fähigkeiten auf dem COCO-Datensatz hervor:
| Modell | Größe (Pixel) | mAPval50-95 | Geschwindigkeit CPU ONNX (ms) | Geschwindigkeit T4 TensorRT10 (ms) | Parameter (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv10n | 640 | 38.5 | - | 1.84 | 2.3 | 6.7 |
| YOLOv10s | 640 | 46.3 | - | 2.49 | 7.2 | 21.6 |
| YOLOv10m | 640 | 51.1 | - | 4.74 | 15.4 | 59.1 |
| YOLOv10b | 640 | 52.5 | - | 5.74 | 19.1 | 92.0 |
| YOLOv10l | 640 | 53.2 | - | 7.28 | 24.4 | 120.3 |
| YOLOv10x | 640 | 54.4 | - | 10.70 | 29.5 | 160.4 |
| 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 |
YOLOv10 ist bei vergleichbarer Größe deutlich parametereffizienter und erzielt eine höhere TensorRT-Inferenzgeschwindigkeit. RTDETRv2 ist bei den Größen S, M und L etwas genauer (beispielsweise 48,1 gegenüber 46,3 mAP bei den S-Modellen, bei 5,03 ms gegenüber 2,49 ms). RTDETRv2-x erreicht eine ähnliche Genauigkeit wie YOLOv10x (54,3 gegenüber 54,4 mAP), benötigt aber mehr als 2,5-mal so viele Parameter (76 Mio. gegenüber 29,5 Mio.) und mehr FLOPs (259 Mrd. gegenüber 160,4 Mrd.).
Anwendungsfälle und Empfehlungen#
Die Wahl zwischen YOLOv10 und RT-DETR hängt von deinen konkreten Projektanforderungen, Bereitstellungsbeschränkungen und Präferenzen für das jeweilige Ökosystem ab.
Wann du YOLOv10 wählen solltest#
YOLOv10 eignet sich besonders für:
- Echtzeiterkennung ohne NMS: Anwendungen, die von einer durchgängigen Erkennung ohne Non-Maximum Suppression profitieren und dadurch die Komplexität der Bereitstellung verringern.
- Ausgewogenes Verhältnis von Geschwindigkeit und Genauigkeit: Projekte, die über verschiedene Modellgrößen hinweg ein ausgewogenes Verhältnis zwischen Inferenzgeschwindigkeit und Erkennungsgenauigkeit erfordern.
- Anwendungen mit gleichbleibender Latenz: Bereitstellungsszenarien, in denen vorhersehbare Inferenzzeiten entscheidend sind, etwa in der Robotik oder bei autonomen Systemen.
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 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.
Der Vorteil von Ultralytics: Ökosystem und Innovation#
YOLOv10 und RTDETRv2 sind beide leistungsfähige Detektoren. Bei der Wahl eines Modells kommt es jedoch oft auch auf das zugehörige Softwareökosystem an. Die Ultralytics Platform bietet eine einheitliche Schnittstelle, die einen Großteil der Komplexität von Deep-Learning-Workflows verbirgt.
Der neue Standard: Ultralytics YOLO26#
Für Entwickler, die höchste Leistung anstreben, vereint Ultralytics YOLO26 aktuelle architektonische Fortschritte. YOLO26 wurde im Januar 2026 veröffentlicht und übernimmt YOLOv10s durchgängiges, NMS-freies Design als optionalen Head (nms=False). Dadurch entfällt die NMS-Nachverarbeitung und die Bereitstellung wird schneller und einfacher.
YOLO26 überträgt Trainingsmethoden für große Sprachmodelle (LLM) auf Computer Vision: Der MuSGD-Optimierer, eine Kombination aus SGD und Muon, sorgt für stabileres Training und schnellere Konvergenz. YOLO26n läuft auf der CPU außerdem bis zu 43 % schneller als YOLO11n und ist damit eine gute Wahl für Edge Computing.
Darüber hinaus verbessert YOLO26 mit ProgLoss + STAL die Erkennung kleiner Objekte deutlich. Im Gegensatz zu YOLOv10, das nur Detektion unterstützt, bietet das Modell Objekterkennung, Instanzsegmentierung, semantische Segmentierung, Tiefenschätzung, Bildklassifizierung, Posenschätzung und orientierte Begrenzungsboxen (OBB). Zu den aufgabenspezifischen Verbesserungen zählen ein Fehlermaß für die semantische Segmentierung und Residual Log-Likelihood Estimation (RLE) für die Posenschätzung. Der Wegfall von Distribution Focal Loss (DFL) vereinfacht außerdem den Export und verbessert die Kompatibilität mit Geräten mit geringem Stromverbrauch.
Benutzerfreundlichkeit und Trainingseffizienz#
Ob du mit älteren Modellen wie Ultralytics YOLO11 oder dem neueren YOLO26 arbeitest: Die Python-API hält den Speicherbedarf beim Training niedrig und die Workflows kurz. Mit derselben API kannst du auch YOLOv10 und RT-DETR ausführen:
from ultralytics import RTDETR, YOLO
# Trainiere das YOLOv10-Modell mit End-to-End-Architektur
model_yolo = YOLO("yolov10n.pt")
model_yolo.train(data="coco8.yaml", epochs=100, imgsz=640)
# Alternativ kannst du RTDETR mit derselben API auswerten
model_rtdetr = RTDETR("rtdetr-l.pt")
results = model_rtdetr.predict("https://ultralytics.com/images/bus.jpg")Das gut gepflegte Ökosystem bietet Tools zur einfachen Hyperparameteroptimierung, lässt sich in Tools zur Versuchsprotokollierung integrieren und unterstützt verschiedene Möglichkeiten zur Modellbereitstellung.
Fazit#
YOLOv10 und RTDETRv2 sind wichtige Meilensteine bei der NMS-freien Objekterkennung. RTDETRv2 zeigt, dass Transformer eine Echtzeitlatenz bei ausgezeichnetem globalem Szenenverständnis erreichen können, allerdings mit höherem Speicherbedarf. YOLOv10 bietet eine effiziente, schnelle CNN-Alternative für Detektionsaufgaben mit begrenzten Ressourcen.
Für ausgewogene Leistung, vielseitige Unterstützung verschiedener Aufgaben und ein ausgereiftes Ökosystem empfehlen wir Ultralytics YOLO26. Das Modell verbindet die architektonischen Ideen seiner Vorgänger mit benutzerfreundlichen Tools, die die Bereitstellung von Anwendungen für visuelle KI vereinfachen.
Kommentare
Stell eine Frage, teile deine Ergebnisse oder hilf jemand anderem.