Erste Schritte

YOLOv5 vs. RTDETRv2

Das Feld der Computer Vision hat sich in den vergangenen Jahren deutlich erweitert und bietet Entwicklern eine große Auswahl an Architekturen für komplexe visuelle Aufgaben. Zu den beliebtesten Ansätzen gehören Convolutional Neural Networks (CNNs) und Detection Transformers (DETRs), die beide in einer Übersicht der besten Modelle zur Objekterkennung behandelt werden.

Dieser Leitfaden vergleicht zwei einflussreiche Modelle aus diesen Kategorien: Ultralytics YOLOv5, ein hocheffizientes und weit verbreitetes CNN-basiertes Modell, und RTDETRv2, einen Transformer-basierten Echtzeit-Objektdetektor.

Ultralytics YOLOv5: Der Branchenstandard für Effizienz#

Seit seiner Veröffentlichung ist Ultralytics YOLOv5 zu einem Grundpfeiler der KI-Community geworden und kommt weltweit in Tausenden kommerziellen Anwendungen und Forschungsprojekten zum Einsatz. Das Modell wurde vollständig auf dem PyTorch-Framework aufgebaut und bietet eine intuitive Entwicklererfahrung, ohne die Echtzeitleistung zu beeinträchtigen.

Wichtige Merkmale:

Architektur und Stärken#

YOLOv5 verwendet eine schlanke CNN-Architektur, die auf eine effiziente Merkmalsextraktion bei äußerst geringem Speicherbedarf ausgelegt ist. Ein CSPDarknet-Backbone und ein PANet-Neck bilden eine leistungsstarke Kombination für die Merkmalsfusion über mehrere Skalen.

Ein wesentlicher Vorteil von YOLOv5 ist seine ausgewogene Leistung. Das Modell bietet einen guten Kompromiss zwischen Geschwindigkeit und Genauigkeit und eignet sich damit ideal für die Bereitstellung von Modellen auf ressourcenbeschränkter Hardware wie NVIDIA Jetson-Geräten und Smartphones.

YOLOv5 bietet außerdem große Vielseitigkeit. Anders als Modelle, die ausschließlich Begrenzungsrahmen vorhersagen, unterstützt das ursprüngliche YOLOv5-Repository auch Instanzsegmentierung und Bildklassifizierung und stellt so ein einheitliches Framework für verschiedene visuelle Aufgaben bereit. Auch die Trainingseffizienz ist hoch: Im Vergleich zu Transformer-basierten Architekturen benötigt das Modell beim Training deutlich weniger CUDA-Speicher.

Schwächen#

Als anchor-basierter Detektor ist YOLOv5 bei der Nachbearbeitung auf Non-Maximum Suppression (NMS) angewiesen, um doppelte Begrenzungsrahmen zu entfernen. NMS ist im Ultralytics-Framework zwar stark optimiert, kann aber auf spezialisierten Edge-NPUs gelegentlich zu Latenzengpässen führen.

RTDETRv2: Transformer für Echtzeit-Anwendungen von Baidu#

RTDETRv2 (Echtzeit-Detection-Transformer Version 2) nutzt Transformer-Architekturen für die Echtzeit-Objekterkennung und begegnet damit den Rechenineffizienzen, die herkömmliche DETRs lange Zeit beeinträchtigt haben.

Wichtige Merkmale:

Architektur und Stärken#

RTDETRv2 baut auf seinem Vorgänger auf und verarbeitet Bilder mithilfe eines hybriden Encoders und eines flexiblen Decoder-Designs. Der Self-Attention-Mechanismus des Transformers verschafft dem Modell ein globales Verständnis des Bildkontexts. Dadurch bewährt es sich in komplexen Szenen mit starker Verdeckung von Objekten.

Ein prägendes Merkmal von RTDETRv2 ist sein End-to-End-Design ohne NMS. Das Modell sagt Objektabfragen direkt voraus, ohne Ankerboxen oder eine NMS-Nachbearbeitung zu benötigen, und vereinfacht so die Inferenzpipeline. Diese Architektur erzielt einen hohen mAP-Wert (mittlerer Average Precision) auf Benchmark-Datensätzen wie COCO.

Schwächen#

Trotz seiner Echtzeitfähigkeit hat RTDETRv2 einen deutlich höheren Speicherbedarf als YOLO-Modelle. Der Speicherbedarf der Attention-Mechanismen in Transformern wächst quadratisch mit der Sequenzlänge. Bei hochauflösendem Training auf GPUs mit begrenztem Speicher kann das zu Speicherüberlauffehlern führen. Außerdem bietet das Modell nicht die sofort verfügbare Vielseitigkeit des Ultralytics-Ökosystems und konzentriert sich hauptsächlich auf die 2D-Objekterkennung, ohne native Unterstützung für Segmentierung oder Posenschätzung.

Erfahre mehr über RTDETRv2

Tabelle zum Leistungsvergleich#

Die folgende Tabelle vergleicht die Leistungskennzahlen beider Architekturen. Fett hervorgehobene Werte kennzeichnen die effizientesten oder leistungsstärksten Kennzahlen der getesteten Modellgrößen.

ModellGröße
(Pixel)
mAPval50-95Geschwindigkeit
CPU ONNX
(ms)
Geschwindigkeit
T4 TensorRT10
(ms)
Parameter
(M)
FLOPs
(B)
YOLOv5n64028.0-1.121.94.5
YOLOv5s64037.4-1.927.216.5
YOLOv5m64045.4-4.0321.249.0
YOLOv5l64049.0-6.6146.5109.1
YOLOv5x64050.7-11.8986.7205.7
RTDETRv2-s64048.1-5.032060
RTDETRv2-m64051.9-7.5136100
RTDETRv2-l64053.4-9.7642136
RTDETRv2-x64054.3-15.0376259
Einordnung der Leistung

RTDETRv2-x erzielt zwar den höchsten absoluten mAP-Wert, benötigt aber rund 40-mal so viele Parameter wie YOLOv5n. Für Hochgeschwindigkeitsanwendungen auf begrenzter Hardware verursachen die kleineren Ultralytics-Modelle deutlich geringere Rechenkosten.

Die Vorteile des Ultralytics-Ökosystems#

Wenn du ein Modell aus einem Forschungsnotebook in eine Produktionsumgebung überführst, ist die umgebende Software ebenso wichtig wie die Architektur des neuronalen Netzes. Das von Ultralytics bereitgestellte gut gepflegte Ökosystem beschleunigt den Entwicklungszyklus.

Benutzerfreundlichkeit#

Ultralytics-Modelle legen Wert auf eine optimierte Benutzererfahrung. Ob du ein benutzerdefiniertes Modell trainieren, eine Validierung ausführen oder in hardwarespezifische Formate wie TensorRT oder ONNX exportieren möchtest – mit der Ultralytics Python API gelingt das mit nur wenigen Codezeilen.

Hier ist ein praktisches Codebeispiel, das zeigt, wie einfach sich ein Ultralytics-Modell trainieren und für Inferenz verwenden lässt:

from ultralytics import YOLO

# Modell initialisieren (die Gewichte werden automatisch heruntergeladen)
model = YOLO("yolov5su.pt")  # YOLOv5u: ankerfreie YOLOv5-Gewichte für das ultralytics-Paket

# Das Modell mit dem COCO8-Datensatz trainieren
results = model.train(data="coco8.yaml", epochs=50, imgsz=640, device="cpu")

# Inferenz mit einem Onlinebild durchführen
inference_results = model.predict("https://ultralytics.com/images/bus.jpg")

# Das Ergebnisbild mit Begrenzungsrahmen anzeigen
inference_results[0].show()

Diese einfache, einheitliche API unterstützt nativ Integrationen zur Versuchsverfolgung mit Tools wie Weights & Biases und Comet. So können Entwickler Metriken protokollieren, ohne Boilerplate-Code zu schreiben.

Anwendungsfälle und Empfehlungen#

Die Wahl zwischen YOLOv5 und RT-DETR hängt von deinen konkreten Projektanforderungen, Bereitstellungsbeschränkungen und Ökosystempräferenzen ab.

Wann du YOLOv5 wählen solltest#

YOLOv5 eignet sich besonders für:

  • Bewährte Produktionssysteme: Bestehende Bereitstellungen, bei denen die langjährige Stabilität von YOLOv5, die umfangreiche Dokumentation und die große Community wichtig sind.
  • Training mit begrenzten Ressourcen: Umgebungen mit begrenzten GPU-Ressourcen, in denen die effiziente Trainingspipeline und der geringere Speicherbedarf von YOLOv5 von Vorteil sind.
  • Umfangreiche Unterstützung von Exportformaten: Projekte, die eine Bereitstellung in vielen Formaten erfordern, darunter ONNX, TensorRT, CoreML und LiteRT.

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 YOLO26n auf der CPU bis zu 43 % schneller läuft als YOLO11n.
  • Erkennung kleiner Objekte: Anspruchsvolle Szenarien wie Luftaufnahmen von Drohnen oder die Analyse von IoT-Sensordaten, bei denen ProgLoss und STAL die Genauigkeit bei winzigen Objekten verbessern.

Ausblick: YOLO11 und YOLO26#

Wenn du heute ein neues Bildverarbeitungsprojekt startest, solltest du die neuesten Generationen von Ultralytics-Modellen in Betracht ziehen.

YOLOv5 ist nach wie vor zuverlässig, aber YOLO11 bietet eine höhere Genauigkeit und unterstützt zusätzliche Aufgaben, darunter die Erkennung orientierter Begrenzungsrahmen (OBB).

YOLO26 geht noch einen Schritt weiter und vereint die Stärken beider Ansätze. Das Modell bietet optional ein End-to-End-Design ohne NMS (nms=False, durch YOLOv10 in YOLO-Modelle eingeführt), das die NMS-Nachverarbeitung entfernt und gleichzeitig die Effizienz eines CNN beibehält. YOLO26 führt außerdem den MuSGD-Optimierer ein, der von Neuerungen beim Training von LLMs inspiriert ist und eine schnellere Konvergenz ermöglicht. Dank Entfernung von DFL (Distribution Focal Loss entfällt, was den Export vereinfacht und die Kompatibilität mit Edge-Geräten und Geräten mit geringem Stromverbrauch verbessert) führt YOLO26n die CPU-Inferenz bis zu 43 % schneller als YOLO11n aus. Damit ist YOLO26 eine starke Wahl für Edge AI. Zusätzlich verbessert ProgLoss + STAL (Progressive Loss und eine auf kleine Objekte abgestimmte Label-Zuweisung) die Erkennung kleiner Objekte deutlich – entscheidend für IoT, Robotik und Luftaufnahmen.

Fazit#

Die Wahl zwischen YOLOv5 und RTDETRv2 hängt stark von deinen Bereitstellungsbedingungen ab. RTDETRv2 erzielt dank Transformer-Aufmerksamkeitsmechanismen einen hohen mAP-Wert, benötigt jedoch mehr Arbeitsspeicher und Rechenleistung.

Im Gegensatz dazu bietet Ultralytics YOLOv5 eine bewährte, hochgradig optimierte und vielseitige Lösung, die effizient auf Cloud-Servern und Edge-Geräten läuft. Teams, die neben ausgereiften Bereitstellungstools eine höhere Genauigkeit anstreben, wird für moderne KI-Anwendungen im Bereich Bildverarbeitung ein Upgrade auf YOLO26 innerhalb des Ultralytics-Ökosystems empfohlen.

Kommentare

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