Erste Schritte

YOLOv7 im Vergleich zu RTDETRv2

Die Computer Vision entwickelt sich rasant weiter, geprägt vom Wettbewerb zwischen Faltungsneuronalen Netzen (CNNs) und Vision-Transformern (ViTs). Dieser technische Vergleich untersucht zwei bedeutende Architekturen: YOLOv7, einen hochoptimierten, auf CNNs basierenden Objektdetektor, und RTDETRv2, einen hochmodernen Echtzeit-Detektions-Transformer.

Durch die Analyse ihrer Architekturunterschiede, Leistungskennzahlen und idealen Einsatzszenarien können Entwicklerinnen und Entwickler fundierte Entscheidungen treffen, wenn sie diese KI-Modelle für Computer Vision in ihre produktiven Pipelines integrieren.

YOLOv7: CNN-Architektur mit „Bag of Freebies“#

YOLOv7 führte mehrere strukturelle Optimierungen für die herkömmliche YOLO-Familie ein und erweiterte mit einer Reihe von „trainierbaren kostenlosen Verbesserungen“ die Grenzen der Objekterkennung in Echtzeit.

Wichtige Merkmale:

Architektur und Stärken#

YOLOv7 basiert auf seiner Architektur Extended Efficient Layer Aggregation Network (E-ELAN). Dieses strukturelle Design ermöglicht es dem Modell, vielfältigere Merkmale zu erlernen, ohne den ursprünglichen Gradientenpfad zu zerstören. Außerdem umfasst es geplante reparametrisierte Faltungen, die die Inferenzgeschwindigkeit optimieren, ohne die Genauigkeit zu beeinträchtigen. Der Ansatz mit trainierbaren kostenlosen Verbesserungen ermöglicht eine ausgewogene Kombination aus Geschwindigkeit und Genauigkeit. Dadurch eignet sich YOLOv7 besonders für Aufgaben der Objekterkennung in Echtzeit auf Server-GPUs.

YOLOv7 ist außerdem vielseitig einsetzbar. Neben der standardmäßigen Begrenzungsrahmenerkennung bietet das Repository auch Varianten für die Instanzsegmentierung und die Posenschätzung, was seine Anpassungsfähigkeit zeigt.

Einschränkungen#

Wie viele frühere CNN-Modelle nutzt YOLOv7 zur Nachverarbeitung die Nichtmaximalunterdrückung (NMS). NMS verursacht variable Latenz, besonders in überfüllten Szenen, was strikte Echtzeitgarantien auf Edge-Geräten erschweren kann.

Mehr über YOLOv7 erfahren

RTDETRv2: Fortschritte bei Transformern für Echtzeitanwendungen#

RTDETRv2 baut auf dem ursprünglichen RT-DETR-Framework auf und bekräftigt, dass Transformer bei der Latenz in Echtzeit mit YOLO-Architekturen konkurrieren können, ohne dabei eine hohe räumliche Genauigkeit einzubüßen.

Wichtige Merkmale:

Architektur und Stärken#

RTDETRv2 ist ein bedeutender Fortschritt für Vision-Transformer. Das Modell nutzt einen flexiblen Prozess zur Auswahl von Abfragen und einen effizienten hybriden Encoder, um Merkmale aus mehreren Maßstäben schnell zu verarbeiten. Durch eine neue, speziell auf Detektions-Transformer (DETRs) zugeschnittene Variante der „kostenlosen Verbesserungen“ wird die Genauigkeit erhöht, ohne die Inferenzkosten zu steigern. Da das Modell ohne NMS auskommt, sind die Inferenzzeiten besser vorhersehbar. Das ist hilfreich bei Smart-City-Anwendungen und beim autonomen Fahren.

Einschränkungen#

Trotz seiner Fortschritte bringt RTDETRv2 die typischen Nachteile Transformer-basierter Architekturen mit sich. Im Vergleich zu CNNs benötigt das Modell sowohl beim Training als auch bei der Inferenz deutlich mehr CUDA-Speicher. Außerdem dauert die Trainingskonvergenz merklich länger, weshalb große Mengen hochwertiger annotierter Daten – etwa der COCO-Datensatz – und umfangreiche Rechenressourcen erforderlich sind.

Weitere Informationen zu RTDETRv2

Leistungsvergleich#

Beim Benchmarking dieser Modelle lohnt es sich, Genauigkeit, reine Inferenzgeschwindigkeit und Rechenaufwand gemeinsam zu betrachten. Die folgende Tabelle zeigt einen direkten Vergleich.

ModellGröße
(Pixel)
mAPval50-95Geschwindigkeit
CPU ONNX
(ms)
Geschwindigkeit
T4 TensorRT10
(ms)
Parameter
(M)
FLOPs
(B)
YOLOv7l64051.4-6.8436.9104.7
YOLOv7x64053.1-11.5771.3189.9
RTDETRv2-s64048.1-5.032060
RTDETRv2-m64051.9-7.5136100
RTDETRv2-l64053.4-9.7642136
RTDETRv2-x64054.3-15.0376259
Benchmarks richtig einordnen

RTDETRv2-x erreicht mit 54,3 % den höchsten mAPval50-95, benötigt dafür jedoch 259 Milliarden FLOPs. YOLOv7-Architekturen bieten dagegen eine starke Basis, verursachen aber zusätzlichen NMS-Aufwand, der in reinen Netzwerklatenz-Messwerten nicht berücksichtigt wird.

Der Vorteil von Ultralytics: Ökosystem und Weiterentwicklung#

YOLOv7 und RTDETRv2 bieten zwar leistungsfähige Funktionen, doch bei der Bereitstellung in Produktionsumgebungen treten häufig organisatorische Reibungsverluste auf. Das Ultralytics-Ökosystem wurde entwickelt, um diese zu verringern. Es stellt Entwicklerinnen und Entwicklern eine einheitliche API bereit, die typische Komplexitäten von Computer-Vision-Pipelines abstrahiert.

Vielseitigkeit und Speichereffizienz#

Im Gegensatz zu Transformer-Modellen, die große Mengen an VRAM benötigen, sind Ultralytics-YOLO-Modelle speichereffizient. So ist ein schnelles Modelltraining auf gut verfügbarer Hardware möglich. Das Ökosystem unterstützt von Haus aus mehrere Computer-Vision-Aufgaben aus einer einzigen Codebasis, darunter die Bildklassifizierung und die Erkennung orientierter Begrenzungsrahmen (OBB). Diese Flexibilität bietet RTDETRv2 derzeit nicht.

Bereitstellung#

Der Weg von der Forschung zur Produktion erfordert zuverlässige Bereitstellungsoptionen. Die Ultralytics-API übernimmt den Modellexport in branchenübliche Formate mit einem einzigen Aufruf. Ganz gleich, ob du für plattformübergreifende Kompatibilität auf ONNX oder für maximale GPU-Beschleunigung auf TensorRT setzt: Die Konvertierung erfolgt automatisch.

Upgrade auf Ultralytics YOLO26#

Wenn du zwischen YOLOv7 und RTDETRv2 abwägst, empfiehlt sich Ultralytics YOLO26. YOLO26 wurde im Januar 2026 veröffentlicht und verbindet die Geschwindigkeit von CNNs mit der End-to-End-Inferenz von Transformern, wobei es zugleich viele ihrer jeweiligen Schwächen angeht.

YOLO26 führt mehrere Neuerungen für Bereitstellungen auf Servern und Edge-Geräten ein:

  • 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 Kopf (nms=False), der die NMS-Nachverarbeitung überspringt. So erhältst du die vorhersehbare Latenz von RTDETRv2 ohne den Rechenaufwand eines Transformers.
  • MuSGD-Optimierer: Inspiriert von Trainingsverfahren für große Sprachmodelle, wie Kimi K2 von Moonshot AI, nutzt YOLO26 eine Kombination aus SGD und Muon. Das verbessert im Vergleich zu den standardmäßigen AdamW-Konfigurationen vieler ViTs die Trainingsstabilität und die Konvergenzgeschwindigkeit.
  • ProgLoss + STAL: Progressive Loss und eine auf kleine Objekte abgestimmte Labelzuweisung verbessern die Erkennung kleiner Objekte. Damit konkurriert YOLO26 direkt mit den Vorteilen von RTDETRv2 bei Merkmalen aus mehreren Maßstäben. Das ist besonders wichtig für die Roboterautomatisierung.
  • Optimierung für Edge-Geräte und Entfernung von DFL: Durch das Entfernen des Distribution Focal Loss (DFL) wird der Ausgabekopf vereinfacht. YOLO26n läuft auf einer CPU bis zu 43 % schneller als YOLO11n. Dadurch lässt sich YOLO26 viel einfacher auf Edge-Geräten bereitstellen als große Transformer-Modelle.

Trainingsbeispiel mit Ultralytics#

Mit der einfachen Ultralytics-Python-API kannst du ein YOLO26s-Modell mit nur wenigen Codezeilen trainieren:

from ultralytics import YOLO

# Das kleine YOLO26-Modell laden
model = YOLO("yolo26s.pt")

# Das Modell mit dem COCO8-Datensatz trainieren
# Das Framework verwaltet die Datenerweiterung und die Auswahl des Optimierers automatisch
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device="0")

# Für die Bereitstellung nach TensorRT exportieren
model.export(format="engine", dynamic=True)

Ideale Anwendungsfälle#

Die Wahl der passenden Architektur hängt stark von den Einsatzbedingungen und der verfügbaren Hardware ab:

Wann du YOLOv7 in Betracht ziehen solltest:

  • Ältere Forschungsprojekte, in denen YOLOv7 eine etablierte Ausgangsbasis ist.
  • Umgebungen mit reichlich GPU-Leistung, in denen Schwankungen der NMS-Latenz akzeptabel sind.

Wann RTDETRv2 eine gute Wahl ist:

  • Hochleistungs-Serverbereitstellungen, bei denen der höchstmögliche mAP erforderlich ist.
  • Szenarien, in denen eine vorhersehbare Inferenzlatenz ohne NMS zwingend erforderlich ist – vorausgesetzt, es steht genügend VRAM für das Transformer-Backbone zur Verfügung.

Wann du Ultralytics YOLO26 wählen solltest:

  • Die meisten neuen Projekte. Das Modell bietet wie RTDETRv2 eine optionale Inferenz ohne NMS, übertrifft YOLOv7 bei Geschwindigkeit und Genauigkeit, benötigt weniger VRAM und ist vollständig in die Ultralytics Platform für die Verwaltung von Datensätzen, das Training und die Bereitstellung integriert.
Weitere Modelle entdecken

Möchtest du wissen, wie andere Architekturen abschneiden? Sieh dir frühere Generationen wie YOLO11 und YOLOv8 an oder erfahre, wie du mit der Abstimmung von Hyperparametern die Genauigkeit deines Projekts verbessern kannst.

Kommentare

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