YOLOv10 . RTDETRv2: Architekturen und Leistung bei der Echtzeit-Erkennung

Die Auswahl der richtigen Objektdetektionsarchitektur ist eine wichtige Entscheidung für Entwickler, die Computer-Vision- Anwendungen erstellen. Dieser Leitfaden bietet einen detaillierten Einblick in zwei unterschiedliche Ansätze für die Echtzeitdetektion: YOLOv10, eine Weiterentwicklung der CNN-basierten YOLO , die End-to-End-Funktionen einführt, und RTDETRv2, ein Transformer-basiertes Modell, das die Dominanz von CNN herausfordern soll. Wir analysieren ihre Architekturen, Benchmarks und Eignung für verschiedene Einsatzszenarien.

Modellübersicht und Ursprünge

Das Verständnis der Herkunft dieser Modelle hilft dabei, ihre Designphilosophien und vorgesehenen Anwendungsfälle zu verdeutlichen.

YOLOv10: Das NMS CNN

YOLOv10 wurde im Mai 2024 von Forschern der Tsinghua-Universität veröffentlicht und YOLOv10 einen bedeutenden Wandel in der YOLO . Es behebt einen seit langem bestehenden Engpass bei Echtzeit-Detektoren: Non-Maximum Suppression (NMS). Durch die Verwendung konsistenter doppelter Zuweisungen für NMS Training YOLOv10 eine geringere Latenz und vereinfacht die Bereitstellungspipelines im Vergleich zu früheren Generationen wie YOLOv9 YOLOv8.

Autoren: Ao Wang, Hui Chen, Lihao Liu, et al.
Organisation:Tsinghua University
Datum: 2024-05-23
Links:Arxiv Paper | GitHub Repository

Erfahren Sie mehr über YOLOv10

RTDETRv2: Der Transformer-Herausforderer

RT-DETR Real-Time Detection Transformer) war das erste Transformer-basierte Modell, das wirklich mit YOLO mithalten konnte. RTDETRv2, entwickelt von Baidu, verfeinert diese Architektur mit einem „Bag of Freebies”-Ansatz und optimiert die Trainingsstrategie und Architektur für bessere Konvergenz und Flexibilität. Es nutzt die Leistungsfähigkeit von Vision Transformers (ViTs), um den globalen Kontext zu erfassen, und übertrifft CNNs oft in komplexen Szenen mit Okklusion, allerdings bei höheren Rechenkosten.

Autoren: Wenyu Lv, Yian Zhao, Qinyao Chang, et al.
Organisation:Baidu
Datum: 17.04.2023 (Original RT-DETR), Aktualisierungen im Jahr 2024
Links:Arxiv Paper | GitHub Repository

Technischer Architekturvergleich

Der wesentliche Unterschied liegt darin, wie diese Modelle Merkmale verarbeiten und Vorhersagen generieren.

YOLOv10 Architektur

YOLOv10 das Grundgerüst eines Convolutional Neural Network (CNN) YOLOv10 , revolutioniert jedoch den Kopf und den Trainingsprozess.

Konsistente doppelte Zuordnungen: Es verwendet eine Eins-zu-Viele-Zuordnung für eine umfassende Überwachung während des Trainings und eine Eins-zu-Eins-Zuordnung für die Inferenz. Dadurch kann das Modell eine einzige beste Box pro Objekt vorhersagen, sodass NMS nicht mehr erforderlich ist.
Ganzheitliches Effizienzdesign: Die Architektur verfügt über leichte Klassifizierungsköpfe und räumlich-kanalgetrenntes Downsampling, um Rechenredundanzen zu reduzieren.
Large Kernel Convolutions: Ähnlich wie bei den jüngsten Fortschritten werden große rezeptive Felder verwendet, um die Genauigkeit zu verbessern, ohne dass dabei hohe Kosten für Selbstaufmerksamkeitsmechanismen entstehen.

RTDETRv2-Architektur

RTDETRv2 baut auf der Transformer-Encoder-Decoder-Struktur auf.

Hybrid-Encoder: Er nutzt ein CNN-Backbone (in der Regel ResNet oder HGNetv2), um Merkmale zu extrahieren, die anschließend von einem Transformer-Encoder verarbeitet werden. Dadurch kann er weitreichende Abhängigkeiten innerhalb des Bildes modellieren.
Auswahl von Abfragen mit minimaler Unsicherheit: Dieser Mechanismus wählt hochwertige Anfangsabfragen für den Decoder aus und verbessert so die Initialisierung und Konvergenzgeschwindigkeit.
Flexibles Detaching: RTDETRv2 unterstützt diskretes Sampling, wodurch Benutzer dynamischer als bei starren CNN-Strukturen zwischen Geschwindigkeit und Genauigkeit abwägen können.

Warum das Ökosystem wichtig ist

Während akademische Modelle wie RTDETRv2 neuartige Architekturen bieten, fehlt ihnen oft das für die Produktion erforderliche robuste Tooling. Ultralytics wie YOLO26 und YOLO11 sind in ein komplettes Ökosystem integriert. Dazu gehört die Ultralytics für eine einfache Datenverwaltung, One-Click-Training und nahtlose Bereitstellung auf Edge-Geräten.

Leistungsmetriken

Die folgende Tabelle vergleicht die Leistung beider Modelle anhand des COCO .

Modell	Größe ^(Pixel)	mAP^val 50-95	Geschwindigkeit ^{CPU ONNX (ms)}	Geschwindigkeit ^{T4 TensorRT10 (ms)}	Parameter ^(M)	FLOPs ^(B)
YOLOv10n	640	39.5	-	1.56	2.3	6.7
YOLOv10s	640	46.7	-	2.66	7.2	21.6
YOLOv10m	640	51.3	-	5.48	15.4	59.1
YOLOv10b	640	52.7	-	6.54	24.4	92.0
YOLOv10l	640	53.3	-	8.33	29.5	120.3
YOLOv10x	640	54.4	-	12.2	56.9	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

Analyse der Benchmarks

Latenzvorteil: YOLOv10 bei allen Modellgrößen eine deutlich geringere Latenz YOLOv10 . Beispielsweise ist YOLOv10s auf T4-GPUs etwa doppelt so schnell wie RTDETRv2-s und bietet dabei eine vergleichbare Genauigkeit (46,7 % gegenüber 48,1 % mAP).
Parametereffizienz: YOLOv10 hinsichtlich Parametern und FLOPs äußerst effizient. YOLOv10m erreicht eine ähnliche Genauigkeit wie RTDETRv2-m, benötigt jedoch weniger als die Hälfte der Parameter (15,4 Millionen gegenüber 36 Millionen), wodurch es für mobile und Edge-KI-Anwendungen weit überlegen ist.
Genauigkeitsgrenze: RTDETRv2 glänzt in den Kategorien „Klein” und „Mittel” hinsichtlich der Rohgenauigkeit (mAP) und nutzt dabei die Fähigkeit des Transformators, den globalen Kontext zu erkennen. Bei den größten Maßstäben (X-Large) YOLOv10 jedoch auf und übertrifft sogar RTDETRv2, während es gleichzeitig schneller bleibt.

Überlegungen zu Schulung und Einsatz

Beim Übergang von der Forschung zur Produktion werden Faktoren wie Trainingseffizienz und Speicherverbrauch von entscheidender Bedeutung.

Speicheranforderungen

Transformatorbasierte Modelle wie RTDETRv2 verbrauchen aufgrund der quadratischen Komplexität von Selbstaufmerksamkeitsmechanismen im Allgemeinen deutlich mehr CUDA während des Trainings. Dies erfordert teure High-End-GPUs für das Training. Im Gegensatz dazu sind Ultralytics YOLO für ihre Speichereffizienz bekannt. Modelle wie YOLOv10 das neuere YOLO26 können oft auf handelsüblicher Hardware oder Standard-Cloud-Instanzen feinabgestimmt werden, was die Einstiegshürde senkt.

Benutzerfreundlichkeit und Ökosystem

Einer der wichtigsten Vorteile der Verwendung von YOLOv10 die Ultralytics ist die optimierte Benutzererfahrung.

Ultralytics : Sie können YOLOv10 wenigen Zeilen Python laden, trainieren und bereitstellen, identisch mit dem Workflow für YOLOv8 oder YOLO11.
Exportoptionen: Ultralytics den sofortigen Export in Formate wie ONNX, TensorRT, CoreML und OpenVINO. RTDETRv2 hat zwar seine Bereitstellungsunterstützung verbessert, erfordert jedoch häufig eine komplexere Konfiguration, um dynamische Formen im Zusammenhang mit Transformatoren zu verarbeiten.
Dokumentation: Eine umfassende Dokumentation stellt sicher, dass Entwickler Zugriff auf Tutorials, Hyperparameter-Anleitungen und Ressourcen zur Fehlerbehebung haben.

from ultralytics import YOLO

# Load a pretrained YOLOv10 model
model = YOLO("yolov10n.pt")

# Train on a custom dataset with just one line
model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Export to ONNX for deployment
model.export(format="onnx")

Ideale Anwendungsfälle

Wann man YOLOv10 wählen sollte

YOLOv10 die bevorzugte Wahl für Szenarien, in denen Geschwindigkeit und Ressourcenbeschränkungen entscheidend sind.

Mobile Anwendungen:iOS , die Echtzeit-Inferenz erfordern, ohne den Akku zu belasten.
Eingebettete Systeme: Laufen auf Geräten wie Raspberry Pi oder NVIDIA , bei denen der Arbeitsspeicher (RAM) begrenzt ist.
Hochfrequente Videoverarbeitung: Anwendungen wie Verkehrsüberwachung oder Sportanalysen, bei denen eine hohe Bildfrequenz unerlässlich ist, um Bewegungsunschärfe oder verpasste Ereignisse zu vermeiden.

Wann RTDETRv2 wählen?

RTDETRv2 eignet sich, wenn Genauigkeit Priorität hat und reichlich Hardware-Ressourcen zur Verfügung stehen.

Komplexe Szenen: Umgebungen mit starker Okklusion oder Unordnung, in denen der globale Aufmerksamkeitsmechanismus dabei hilft, überlappende Objekte zu unterscheiden.
Serverseitige Inferenz: Szenarien, in denen Modelle auf leistungsstarken Cloud-GPUs ausgeführt werden, wodurch die höheren Latenz- und Speicherkosten für eine leichte Steigerung der mAP akzeptabel sind.

Die Zukunft: Ultralytics

Während YOLOv10 das NMS Konzept YOLOv10 , entwickelt sich das Feld rasant weiter. Im Januar 2026 veröffentlicht, Ultralytics den Höhepunkt dieser Entwicklung dar.

YOLO26 übernimmt das von YOLOv10 eingeführte End-to-End-Design NMS, erweitert es YOLOv10 um den MuSGD-Optimierer (inspiriert vom LLM-Training) und verbesserte Verlustfunktionen wie ProgLoss. Das Ergebnis sind Modelle, die nicht nur einfacher zu trainieren sind, sondern im Vergleich zu früheren Generationen auch bis zu 43 % schneller auf CPU laufen. Darüber hinaus unterstützt YOLO26 nativ eine ganze Reihe von Aufgaben, darunter Segmentierung, Posenschätzung und OBB, und bietet damit eine Vielseitigkeit, mit der detektionsorientierte Modelle wie RTDETRv2 nicht mithalten können.

Entwicklern, die das beste Gleichgewicht zwischen Geschwindigkeit, Genauigkeit und einfacher Bereitstellung suchen, wird der Umstieg auf YOLO26 dringend empfohlen.

Erfahren Sie mehr über YOLO26

Zusammenfassung

Sowohl YOLOv10 RTDETRv2 erweitern die Grenzen der Echtzeit-Objekterkennung. YOLOv10 beseitigt YOLOv10 den NMS und bietet eine reine CNN-Architektur, die unglaublich schnell und effizient ist. RTDETRv2 beweist, dass Transformer in Echtzeit konkurrenzfähig sein können und sich bei der Extraktion komplexer Merkmale auszeichnen. Für die überwiegende Mehrheit der realen Anwendungen, die eine Kombination aus Geschwindigkeit, Effizienz und entwicklerfreundlichen Tools erfordern, bleibt jedoch das Ultralytics , das YOLOv10, YOLO11 und das hochmoderne YOLO26 unterstützt, der Industriestandard.

Weitere Vergleiche finden Sie in unserer Analyse von YOLOv8 . YOLOv10. Oder erfahren Sie in unserem Export-Leitfaden, wie Sie Ihre Modelle optimieren können.