YOLOv5 vs RTDETRv2#

Das Gebiet der Computer Vision hat sich in den vergangenen Jahren erheblich weiterentwickelt und bietet Entwicklern eine große Auswahl an Architekturen für die Bewältigung komplexer visueller Aufgaben. Zu den beliebtesten Paradigmen gehören Faltungsneuronale Netze (CNNs) und Detektions-Transformer (DETRs).

Dieser Leitfaden bietet einen ausführlichen technischen Vergleich zwischen zwei wichtigen Modellen dieser Kategorien: Ultralytics YOLOv5, einem äußerst effizienten und weit verbreiteten CNN-basierten Modell, und RTDETRv2, einem hochmodernen Transformer-basierten Echtzeit-Objektdetektor.

Ultralytics YOLOv5: Der Industriestandard für Effizienz#

Seit seiner Veröffentlichung ist Ultralytics YOLOv5 zu einer tragenden Säule der KI-Community geworden und kommt weltweit in Tausenden kommerziellen Anwendungen und Forschungsprojekten zum Einsatz. Das vollständig auf dem PyTorch-Framework basierende Modell stellte eine intuitive Entwicklererfahrung in den Mittelpunkt, ohne die Echtzeitleistung zu beeinträchtigen.

Wichtige Merkmale:

• Autor: Glenn Jocher
• Organisation: Ultralytics
• Datum: 2020-06-26
• Links: GitHub-Repository

Architektur und Stärken#

YOLOv5 verwendet eine schlanke CNN-Architektur, die auf eine möglichst effiziente Merkmalsextraktion bei äußerst geringem Speicherbedarf ausgelegt ist. Sie nutzt ein CSPDarknet-Backbone und einen PANet-Feature-Pfad und schafft damit eine leistungsstarke Kombination für die Fusion von Merkmalen verschiedener Maßstäbe.

Einer der wichtigsten Vorteile von YOLOv5 ist seine ausgewogene Leistung. Das Modell bietet einen außergewöhnlich guten Kompromiss zwischen Geschwindigkeit und Genauigkeit und eignet sich daher ideal für die Bereitstellung von Modellen auf hardwareseitig beschränkten Geräten wie NVIDIA Jetson-Systemen und Smartphones.

Darüber hinaus zeichnet sich YOLOv5 durch eine unübertroffene Vielseitigkeit aus. Anders als Modelle, die ausschließlich auf Bounding-Box-Vorhersagen beschränkt sind, unterstützt YOLOv5 nativ die Bildklassifizierung und die Instanzsegmentierung und bietet damit ein einheitliches Framework für verschiedene visuelle Aufgaben. Auch seine Trainingseffizienz ist bemerkenswert: Beim Training benötigt es im Vergleich zu Transformer-basierten Architekturen deutlich weniger CUDA-Speicher.

Schwächen#

Da YOLOv5 auf einem älteren CNN-Framework basiert, ist es bei der Nachbearbeitung grundsätzlich auf Unterdrückung nicht maximaler Werte (NMS) angewiesen, um doppelte Bounding-Boxen zu entfernen. Obwohl NMS im Ultralytics-Framework hochgradig optimiert ist, kann es auf speziellen Edge-NPUs gelegentlich zu Engpässen bei der Latenz führen.

RTDETRv2: Transformer in Echtzeit von Baidu#

RTDETRv2 (Echtzeit-Detektions-Transformer Version 2) stellt einen bedeutenden Fortschritt bei der Anwendung von Transformer-Architekturen für die Echtzeit-Objekterkennung dar und behebt die Rechenineffizienzen, unter denen herkömmliche DETRs in der Vergangenheit litten.

Wichtige Merkmale:

• Autoren: Wenyu Lv, Yian Zhao, Qinyao Chang, Kui Huang, Guanzhong Wang und Yi Liu
• Organisation: Baidu
• Datum: 24.07.2024
• Links: ArXiv-Artikel, GitHub-Repository

Architektur und Stärken#

RTDETRv2 baut auf seinem Vorgänger auf und verwendet zur Bildverarbeitung einen hybriden Encoder sowie ein flexibles Decoder-Design. Der Selbstaufmerksamkeitsmechanismus des Transformers vermittelt dem Modell ein globales Verständnis des Bildkontexts, sodass es auch in komplexen Szenen mit starker Verdeckung von Objekten hervorragende Ergebnisse erzielt.

Ein entscheidendes Merkmal von RTDETRv2 ist sein End-to-End-Design ohne NMS. Durch die direkte Vorhersage von Objektabfragen ohne Anker-Boxen oder NMS-Nachbearbeitung wird die Inferenzpipeline vereinfacht. Diese Architektur erzielt auf Benchmark-Datensätzen wie COCO einen beeindruckenden Wert für die mittlere durchschnittliche Präzision (mAP).

Schwächen#

Trotz seiner Echtzeitfähigkeiten hat RTDETRv2 im Vergleich zu YOLO-Modellen deutlich höhere Speicheranforderungen. Die Aufmerksamkeitsmechanismen in Transformern skalieren quadratisch mit der Sequenzlänge, was beim Training mit hoher Auflösung zu Speichermangel-Fehlern führen kann, sofern keine umfangreichen GPU-Cluster eingesetzt werden. Außerdem fehlt RTDETRv2 die sofort einsatzbereite Vielseitigkeit des Ultralytics-Ökosystems und es konzentriert sich hauptsächlich auf die 2D-Objekterkennung, ohne native Unterstützung für Segmentierung oder Posenschätzung.

Tabelle zum Leistungsvergleich#

Um diese Architekturen objektiv zu bewerten, haben wir ihre Leistungskennzahlen zusammengestellt. Fett hervorgehobene Werte stellen über die getesteten Größen hinweg die effizientesten oder leistungsstärksten Kennzahlen dar.

Der Ökosystemvorteil von Ultralytics#

Wenn ein Modell aus einem Forschungsnotebook in eine Produktionsumgebung überführt wird, ist die Software rund um das Modell ebenso wichtig wie die Architektur des neuronalen Netzes. Das von Ultralytics bereitgestellte hervorragend gepflegte Ökosystem beschleunigt den Entwicklungszyklus erheblich.

Unübertroffene Benutzerfreundlichkeit#

Bei Ultralytics-Modellen steht eine äußerst schlanke Benutzererfahrung im Mittelpunkt. Ganz gleich, ob du ein benutzerdefiniertes Modell trainieren, eine Validierung durchführen oder in hardwarespezifische Formate wie TensorRT oder ONNX exportieren möchtest: Mit der Ultralytics Python API ist dies mit nur wenigen Codezeilen möglich.

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

from ultralytics import YOLO

# Initialize the model (automatically downloads the weights)
model = YOLO("yolov5s.pt")

# Train the model on the COCO8 dataset
results = model.train(data="coco8.yaml", epochs=50, imgsz=640, device="cpu")

# Perform inference on an online image
inference_results = model.predict("https://ultralytics.com/images/bus.jpg")

# Display the resulting image with bounding boxes
inference_results[0].show()

Diese einfache, einheitliche API unterstützt nativ Integrationen zur Experimentverfolgung mit Tools wie Weights & Biases und Comet. Dadurch können Entwickler Kennzahlen nahtlos protokollieren, ohne komplexen Boilerplate-Code schreiben zu müssen.

Anwendungsfälle und Empfehlungen#

Die Entscheidung zwischen YOLOv5 und RT-DETR hängt von deinen spezifischen Projektanforderungen, Bereitstellungsbeschränkungen und Präferenzen für das Ökosystem ab.

Wann du YOLOv5 wählen solltest#

YOLOv5 ist eine gute Wahl für:

• Bewährte Produktionssysteme: Bestehende Bereitstellungen, bei denen die langjährige Stabilität, die umfangreiche Dokumentation und die große Unterstützung durch die Community von YOLOv5 geschätzt werden.
• 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 für Exportformate: Projekte, die eine Bereitstellung in vielen Formaten erfordern, darunter ONNX, TensorRT, CoreML und TFLite.

Wann du RT-DETR wählen solltest#

RT-DETR wird empfohlen für:

• Transformer-basierte Forschung zur Erkennung: Projekte, die Aufmerksamkeitsmechanismen und Transformer-Architekturen für die End-to-End-Objekterkennung ohne NMS untersuchen.
• Szenarien mit hoher Genauigkeit 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 Entwicklerfreundlichkeit:

• Edge-Bereitstellungen ohne NMS: Anwendungen, die eine konsistente Inferenz mit geringer Latenz ohne die Komplexität der Nachverarbeitung zur Nichtmaximalunterdrückung erfordern.
• Umgebungen ausschließlich mit CPU: Geräte ohne dedizierte GPU-Beschleunigung, bei denen die bis zu 43 % schnellere CPU-Inferenz von YOLO26 einen entscheidenden Vorteil bietet.
• Erkennung kleiner Objekte: Anspruchsvolle Szenarien wie Luftaufnahmen mit Drohnen oder die Analyse von IoT-Sensoren, bei denen ProgLoss und STAL die Genauigkeit bei winzigen Objekten deutlich steigern.

Ausblick: YOLO11 und YOLO26#

Wenn du heute ein neues Vision-Projekt startest, empfiehlt es sich dringend, die neuesten Generationen der Ultralytics-Modelle zu prüfen.

YOLOv5 ist zwar weiterhin äußerst zuverlässig, YOLO11 bietet jedoch eine höhere Genauigkeit und einen erweiterten Aufgabenumfang, einschließlich der Erkennung von orientierten Bounding-Boxen (OBB).

Noch bedeutender ist, dass das hochmoderne YOLO26 die besten Eigenschaften beider Ansätze vereint. Es implementiert ein End-to-End-Design ohne NMS (erstmals entwickelt in YOLOv10), wodurch der Aufwand für die Nachbearbeitung entfällt und gleichzeitig die Effizienz eines CNN erhalten bleibt. YOLO26 führt außerdem den MuSGD-Optimierer ein, der von Innovationen beim Training von LLMs inspiriert ist und eine schnellere Konvergenz ermöglicht. Mit der Entfernung von DFL (Distribution Focal Loss wurde entfernt, um den Export zu vereinfachen und die Kompatibilität mit Edge-Geräten und Geräten mit geringem Stromverbrauch zu verbessern) erzielt YOLO26 eine bis zu 43 % schnellere CPU-Inferenz und ist damit die beste Wahl für Edge-KI. Zusätzlich sorgen ProgLoss + STAL für verbesserte Verlustfunktionen mit deutlichen Verbesserungen bei der Erkennung kleiner Objekte – ein entscheidender Faktor für IoT, Robotik und Luftaufnahmen.

Fazit#

Die Entscheidung zwischen YOLOv5 und RTDETRv2 hängt stark von deinen Bereitstellungsbeschränkungen ab. RTDETRv2 verschiebt mithilfe leistungsstarker Transformer-Aufmerksamkeitsmechanismen die Grenzen des mAP, bringt jedoch hohe Kosten in Form von Speicherbedarf und Rechenaufwand mit sich.

Im Gegensatz dazu bietet Ultralytics YOLOv5 eine bewährte, hochgradig optimierte und vielseitige Lösung, die überall reibungslos läuft – von Cloud-Servern bis hin zu Mikrocontrollern. Für Teams, die neben der höchstmöglichen Genauigkeit auch nahtlose Werkzeuge für die Bereitstellung suchen, bietet ein Upgrade innerhalb des Ultralytics-Ökosystems auf YOLO26 die maßgebliche hochmoderne Lösung für moderne Vision-KI-Anwendungen.