Erste Schritte

YOLOv6-3.0 im Vergleich zu RTDETRv2

Für die Wahl der optimalen Architektur für Computer-Vision-Anwendungen müssen Geschwindigkeit, Genauigkeit und Bereitstellungsbeschränkungen gegeneinander abgewogen werden. Dieser technische Vergleich analysiert YOLOv6-3.0, ein für hohen GPU-Durchsatz entwickeltes neuronales Faltungsnetz (CNN) für industrielle Anwendungen, und RTDETRv2, ein Transformer-Modell, das Aufmerksamkeitsmechanismen in die Echtzeit-Objekterkennung einbringt.

Beide Modelle sind wichtige Meilensteine in der Forschung zu künstlicher Intelligenz. Entwickler, die nach einer vielseitigeren und effizienteren Pipeline suchen, greifen jedoch häufig auf die Ultralytics Platform zurück.

YOLOv6-3.0: Durchsatz für industrielle Anwendungen#

YOLOv6-3.0 wurde von der Vision-AI-Abteilung von Meituan entwickelt und konzentriert sich darauf, die reine Verarbeitungsgeschwindigkeit auf Hardwarebeschleunigern wie NVIDIA-GPUs zu maximieren. Dadurch wurde das Modell in industriellen Anwendungen beliebt.

Architektur im Überblick#

YOLOv6-3.0 verwendet einen hardwarefreundlichen EfficientRep-Backbone, der speziell für schnelle GPU-Inferenz ausgelegt ist. Die Architektur integriert in ihren Neck ein Modul für bidirektionale Konkatenation (BiC), um die Merkmalsfusion über verschiedene räumliche Auflösungen hinweg zu verbessern. Während des Trainings nutzt sie eine strategie zum ankerunterstützten Training (AAT), um die Vorteile des ankerbasierten Trainings auszuschöpfen und gleichzeitig eine ankerfreie Inferenzpipeline beizubehalten.

Stärken und Schwächen#

Stärken:

  • Hoher Durchsatz auf Hardware der Serverklasse, etwa T4- und A100-GPUs.
  • Bietet spezielle Quantisierungs-Tutorials für die INT8-Bereitstellung mit RepOpt.
  • Günstiges Verhältnis von Parametern zu Geschwindigkeit für Videoanalysen im großen Maßstab.

Schwächen:

  • In erster Linie ein Begrenzungsrahmen-Detektor; ihm fehlt die sofort verfügbare Vielseitigkeit für mehrere Aufgaben (z. B. Pose, OBB), die Modelle wie Ultralytics YOLO11 bieten.
  • Benötigt die Nachverarbeitung mit Non-Maximum Suppression (NMS), wodurch die Latenz stärker schwankt.
  • Im Vergleich zu gängigen Frameworks ein weniger aktives Ökosystem, wodurch Aktualisierungen und Unterstützung durch die Community schwerer vorhersehbar sind.

Mehr über YOLOv6 erfahren

RTDETRv2: Transformer für Echtzeit-Anwendungen#

RTDETRv2 wurde von Forschern bei Baidu vorangetrieben und baut auf dem ursprünglichen RT-DETR auf. Das Erkennungs-Transformer-Framework wird dabei mit einem „Bag-of-Freebies“-Ansatz verfeinert, der die Genauigkeit steigert und gleichzeitig die Echtzeitgeschwindigkeit beibehält.

  • Autoren: Wenyu Lv, Yian Zhao, Qinyao Chang, Kui Huang, Guanzhong Wang und Yi Liu
  • Organisation: Baidu
  • Datum: 2024-07-24
  • arXiv: 2407.17140
  • GitHub: lyuwenyu/RT-DETR

Architektur im Überblick#

Anders als herkömmliche CNNs ist RTDETRv2 von Haus aus ein End-to-End-Modell. Durch Transformer-Aufmerksamkeitsschichten mit One-to-one-Zuordnung macht die Architektur die Nachverarbeitung mit NMS überflüssig. Das ermöglicht eine schlanke Inferenzpipeline. RTDETRv2 nutzt eine optimierte skalenübergreifende Merkmalsfusion und einen effizienten hybriden Encoder und erzielt dadurch hohe Genauigkeit auf dem COCO-Datensatz.

Stärken und Schwächen#

Stärken:

  • Aufmerksamkeitmechanismen auf Transformer-Basis erzielen einen hohen mittleren durchschnittlichen Präzisionswert (mAP), insbesondere in komplexen oder dicht besetzten Szenen.
  • Das NMS-freie Design sorgt für eine einheitliche Inferenzlatenz und vereinfacht die Integration in Produktionsumgebungen.
  • Eignet sich gut für Szenarien, in denen maximale Genauigkeit erforderlich ist und die Hardware kaum Einschränkungen unterliegt.

Schwächen:

  • Transformer-Schichten benötigen beim Training viel CUDA-Speicher. Das ist ein Hindernis für Teams ohne leistungsstarke GPUs.
  • Die CPU-Inferenz ist deutlich langsamer als bei spezialisierten Edge-CNNs, was den Einsatz auf Mobil- und IoT-Geräten einschränkt.
  • Einrichtung und Feinabstimmung können für Teams, die an herkömmliche Machine-Learning-Operationen (MLOps) gewöhnt sind, komplex sein.

Erfahre mehr über RTDETRv2

Detaillierter Leistungsvergleich#

Die folgende Tabelle vergleicht YOLOv6-3.0 und RTDETRv2 anhand wichtiger Leistungskennzahlen. Achte auf den Unterschied zwischen der Parametereffizienz von YOLOv6 und der reinen Genauigkeit von RTDETRv2.

ModellGröße
(Pixel)
mAPval50-95Geschwindigkeit
CPU ONNX
(ms)
Geschwindigkeit
T4 TensorRT10
(ms)
Parameter
(M)
FLOPs
(B)
YOLOv6-3.0n64037.5-1.174.711.4
YOLOv6-3.0s64045.0-2.6618.545.3
YOLOv6-3.0m64050.0-5.2834.985.8
YOLOv6-3.0l64052.8-8.9559.6150.7
RTDETRv2-s64048.1-5.032060
RTDETRv2-m64051.9-7.5136100
RTDETRv2-l64053.4-9.7642136
RTDETRv2-x64054.3-15.0376259
Tipp zur Bereitstellung

Wenn du ausschließlich auf CPU-Hardware wie einem Raspberry Pi bereitstellst, erzielen CNN-basierte Modelle in der Regel eine höhere Bildrate (FPS) als Transformer-Architekturen. Für optimale Leistung am Edge kannst du OpenVINO zur Beschleunigung der Inferenz verwenden.

Anwendungsfälle und Empfehlungen#

Die Wahl zwischen YOLOv6 und RT-DETR hängt von deinen konkreten Projektanforderungen, Bereitstellungsbeschränkungen und Präferenzen beim Ökosystem ab.

Wann du YOLOv6 wählen solltest#

YOLOv6 ist eine gute Wahl für:

  • Bereitstellung auf industrielle Hardware: Szenarien, in denen das hardwarebewusste Design und die effiziente Reparametrisierung des Modells eine optimierte Leistung auf bestimmter Zielhardware ermöglichen.
  • Schnelle einstufige Erkennung: Anwendungen, bei denen die reine Inferenzgeschwindigkeit auf der GPU für die Echtzeit-Videoverarbeitung in kontrollierten Umgebungen entscheidend ist.
  • Integration in das Meituan-Ökosystem: Teams, die bereits mit dem Technologie-Stack und der Bereitstellungsinfrastruktur von Meituan arbeiten.

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.

Der Ultralytics-Vorteil: YOLO26 ist da#

YOLOv6-3.0 und RTDETRv2 überzeugen jeweils in ihren Spezialgebieten. Die moderne Landschaft des maschinellen Lernens verlangt jedoch nach Modellen, die Geschwindigkeit, Genauigkeit und ein gutes Entwicklererlebnis verbinden. Das Ultralytics-Ökosystem trägt diesen Anforderungen Rechnung, insbesondere mit der Veröffentlichung von YOLO26.

Ultralytics YOLO26 wurde im Januar 2026 veröffentlicht und ist das empfohlene Ultralytics-Modell. Es verbessert Genauigkeit und CPU-Geschwindigkeit gegenüber älteren Modellen wie YOLOv8 und YOLO12.

Warum YOLO26 die Konkurrenz übertrifft#

  1. End-to-End-Design ohne NMS: Aufbauend auf dem NMS-freien Training, das YOLOv10 in YOLO-Modelle eingeführt hat, bietet YOLO26 optional einen NMS-freien One-to-One-Kopf (nms=False), der die NMS-Nachverarbeitung überspringt. So erhältst du die einfache Bereitstellung von RTDETRv2 bei gleichzeitig hoher Geschwindigkeit eines optimierten CNN.
  2. MuSGD-Optimierer: Inspiriert vom Training großer Sprachmodelle (LLM), etwa Kimi K2 von Moonshot AI, nutzt YOLO26 eine Kombination aus SGD und Muon. Das sorgt für stabiles Trainingsverhalten und schnellere Konvergenz und verringert den Zeit- und Rechenaufwand für benutzerdefinierte Datensätze.
  3. Leistung am Edge: Der Wegfall von Distribution Focal Loss (DFL) vereinfacht den Export. Zusammen mit dem leichteren Kopf ermöglicht das YOLO26n eine bis zu 43 % schnellere CPU-Inferenz als YOLO11n. Damit eignet sich YOLO26 besonders für Edge-KI und IoT-Geräte.
  4. Verbesserte Erkennung kleiner Objekte: Die ProgLoss-Zielfunktion und die STAL-Zuweisungsstrategie verbessern die Erkennung kleiner Objekte – eine wichtige Voraussetzung für Drohnenanalysen und Luftaufnahmen.
  5. Vielseitigkeit bei verschiedenen Aufgaben: Anders als YOLOv6, das ausschließlich auf Erkennung ausgerichtet ist, unterstützt YOLO26 Arbeitsabläufe für mehrere Aufgaben: Instanzsegmentierung, semantische Segmentierung, Tiefenschätzung, Bildklassifizierung, Posenschätzung und orientierte Begrenzungsrahmen (OBB) – alles über eine einheitliche API.

Trainingseffizienz und einfache Bedienung#

Die Ultralytics Python API wurde entwickelt, um die Produktivität von Entwicklern zu steigern. Du kannst mit wenigen Codezeilen vom Training zur Bereitstellung wechseln, ohne die komplexe Umgebung einrichten zu müssen, die eigenständige Forschungs-Repositories erfordern.

Unten findest du ein vollständiges, ausführbares Beispiel für das Training und die Validierung eines YOLO26-Modells mit dem Ultralytics-Paket:

from ultralytics import YOLO

# Load the YOLO26 Nano model
model = YOLO("yolo26n.pt")

# Train the model on a custom dataset (e.g., COCO8) for 50 epochs
# The API automatically handles dataset download and environment config
train_results = model.train(data="coco8.yaml", epochs=50, imgsz=640)

# Validate the model's accuracy on the validation split
val_metrics = model.val()
print(f"Validation mAP50-95: {val_metrics.box.map:.4f}")

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

Fazit#

Sowohl YOLOv6-3.0 als auch RTDETRv2 sind beeindruckende Beiträge für die KI-Community. YOLOv6-3.0 bleibt ein leistungsstarkes Werkzeug für industrielle Automatisierung mit hoher GPU-Leistung, und RTDETRv2 zeigt, dass Transformer-Architekturen Echtzeitlatenz erreichen und zugleich die Genauigkeit maximieren können.

Für Teams, die ein zuverlässiges, produktionsreifes Framework mit aktiver Unterstützung durch die Community benötigen, sind Ultralytics-YOLO-Modelle eine gute Wahl. Integrationen mit Tools wie Hugging Face und TensorRT sowie der geringe Speicherbedarf beim Training machen leistungsstarke Modelle auch auf bescheidener Hardware praktikabel. Mit einem Upgrade auf YOLO26 können Entwickler den MuSGD-Optimierer und den optionalen Kopf ohne NMS nutzen, um schnellere, intelligentere und besser skalierbare Computer-Vision-Pipelines zu entwickeln.

Kommentare

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