YOLOv9 und RTDETRv2
Die Echtzeit-Objekterkennung hat sich in den letzten Jahren stark verändert. Heute prägen zwei unterschiedliche Architekturansätze das Feld: effiziente Convolutional Neural Networks (CNNs) und Echtzeit-Detection-Transformer (DETRs). YOLOv9 und RTDETRv2 sind führende Beispiele für diese beiden Ansätze.
Dieser Leitfaden vergleicht die beiden Modelle und untersucht ihre architektonischen Innovationen, Leistungskennzahlen und geeigneten Einsatzszenarien, damit du das passende Modell für deine Pipeline im Bereich Bildverarbeitung auswählen kannst.
Zusammenfassung#
Beide Modelle erzielen starke Ergebnisse, sind aber auf unterschiedliche Bereitstellungsbeschränkungen und Entwicklungsökosysteme zugeschnitten.
- Wähle YOLOv9, wenn: du eine effiziente Parameternutzung und schnelle Inferenz auf Edge-Geräten benötigst. YOLOv9 konzentriert sich auf die Parametereffizienz von CNNs und eignet sich daher besonders für Umgebungen mit stark begrenzten Rechenressourcen.
- Wähle RTDETRv2, wenn: du die globale Kontextmodellierung von Transformern benötigst – insbesondere bei Szenen mit starker Verdeckung oder komplexen Objektbeziehungen – und über die Hardware für eine etwas umfangreichere Architektur verfügst.
- Wähle YOLO26 (empfohlen), wenn: du NMS-freie Inferenz mit der Effizienz von CNNs möchtest. Als neueste Generation auf der Ultralytics Platform bietet YOLO26 ein optionales End-to-End-Design ohne NMS (
nms=False, ähnlich wie bei DETR-Modellen), das Engpässe bei der Nachverarbeitung beseitigt. YOLO26n ermöglicht eine bis zu 43 % schnellere CPU-Inferenz als YOLO11n.
Technische Daten und Urheberschaft#
Die Herkunft und der Entwicklungszweck dieser Modelle zu kennen, hilft dabei, ihre architektonischen Entscheidungen einzuordnen.
YOLOv9#
- Autoren: Chien-Yao Wang und Hong-Yuan Mark Liao
- Organisation: Institute of Information Science, Academia Sinica
- Datum: 2024-02-21
- arXiv: https://arxiv.org/abs/2402.13616
- GitHub: WongKinYiu/yolov9
RTDETRv2#
- Autoren: Wenyu Lv, Yian Zhao, Qinyao Chang, Kui Huang, Guanzhong Wang und Yi Liu
- Organisation: Baidu
- Datum: 2024-07-24
- arXiv: https://arxiv.org/abs/2407.17140
- GitHub: lyuwenyu/RT-DETR
Architektonische Innovationen#
YOLOv9: Den Informationsengpass beheben#
YOLOv9 führt zwei wichtige Innovationen ein, die den Informationsverlust beim Durchlaufen tiefer neuronaler Netze beheben sollen:
- Programmierbare Gradienteninformationen (PGI): Dieses Hilfsgerüst für die Überwachung hilft dabei, zuverlässige Gradienten zu erzeugen, um Netzwerkgewichte zu aktualisieren und wichtige Merkmalsinformationen selbst in sehr tiefen Netzwerkschichten zu bewahren.
- Generalisiertes effizientes Schichtaggregationsnetzwerk (GELAN): Eine Architektur, die die Stärken von CSPNet und ELAN vereint. GELAN optimiert die Parametereffizienz und ermöglicht YOLOv9 dadurch eine höhere Genauigkeit bei weniger FLOPs als herkömmliche CNNs.
RTDETRv2: Leistungsfähigere Transformer für Echtzeitanwendungen#
Aufbauend auf dem ursprünglichen RT-DETR verwendet RTDETRv2 eine Transformer-basierte Architektur, die den Einsatz von Nicht-maximaler Unterdrückung (NMS) grundsätzlich überflüssig macht. Zu den Verbesserungen gehören:
- Bag-of-Freebies-Strategie: Die Version 2 ergänzt weitere Trainingstechniken und Datenerweiterungen, die die Genauigkeit verbessern, ohne die Inferenz zu verlangsamen.
- Effizienter hybrider Encoder: Durch die Verarbeitung von Merkmalen verschiedener Maßstäbe mit einem entkoppelten Aufmerksamkeitsmechanismus innerhalb und zwischen den Maßstäben bewältigt RTDETRv2 die traditionell hohen Rechenkosten von Vision-Transformern.
Während RTDETRv2 Transformer für die NMS-freie Erkennung nutzt, erreicht die neuere YOLO26-Architektur dies mit einem optionalen Eins-zu-eins-Kopf (nms=False) innerhalb einer effizienten CNN-Struktur und ermöglicht so eine ähnlich schlanke Bereitstellung mit schnellerer Inferenz auf Edge-Geräten.
Leistungsvergleich#
Bei der Bewertung von Modellen für den Produktiveinsatz ist der Kompromiss zwischen Genauigkeit und Rechenaufwand entscheidend. Die folgende Tabelle zeigt die Leistung verschiedener Modellgrößen anhand standardisierter Benchmarks.
| Modell | Größe (Pixel) | mAPval50-95 | Geschwindigkeit CPU ONNX (ms) | Geschwindigkeit T4 TensorRT10 (ms) | Parameter (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv9t | 640 | 38.3 | - | 2.3 | 2.0 | 7.7 |
| YOLOv9s | 640 | 46.8 | - | 3.54 | 7.2 | 26.7 |
| YOLOv9m | 640 | 51.4 | - | 6.43 | 20.1 | 76.8 |
| YOLOv9c | 640 | 53.0 | - | 7.16 | 25.5 | 102.8 |
| YOLOv9e | 640 | 55.6 | - | 16.77 | 58.1 | 192.5 |
| 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#
Wie die Daten zeigen, hat YOLOv9 einen deutlichen Vorteil bei der Parametereffizienz. Das Modell YOLOv9c erreicht 53,0 mAP mit nur 25,5M Parametern.
RTDETRv2 ist hingegen in den Kategorien mittlerer bis großer Modelle ein starker Konkurrent, und RTDETRv2-s ist genauer als YOLOv9s. Dafür benötigt das Modell mehr Parameter und weist höhere FLOPs auf, wie es für Transformer-Modelle typisch ist. Dieser Architekturunterschied wirkt sich auch auf den Speicherbedarf aus: YOLO-Modelle benötigen beim Training und bei der Inferenz in der Regel deutlich weniger CUDA-Speicher als ihre Transformer-Pendants.
Der Vorteil von Ultralytics: Ökosystem und Vielseitigkeit#
Neben reinen Architekturkennzahlen ist oft auch das Softwareökosystem entscheidend für den Erfolg eines KI-Projekts. Der Zugriff auf diese Modelle über die Ultralytics Python API bietet praktische Vorteile.
Einfacheres Training und Bereitstellen#
Das Training eines Detection Transformers erfordert in der Regel komplexe Konfigurationsdateien und leistungsstarke GPUs. Mit dem Ultralytics-Framework können Entwickler sowohl YOLOv9- als auch RT-DETR-Modelle mit derselben einfachen Syntax trainieren und von effizienten Trainingsabläufen sowie leicht verfügbaren vortrainierten Gewichten profitieren.
from ultralytics import RTDETR, YOLO
# Ein YOLOv9-Modell trainieren
model_yolo = YOLO("yolov9c.pt")
model_yolo.train(data="coco8.yaml", epochs=100, imgsz=640)
# Ein RTDETR-Modell mit genau derselben API trainieren
model_rtdetr = RTDETR("rtdetr-l.pt")
model_rtdetr.train(data="coco8.yaml", epochs=100, imgsz=640)
# Modelle nach OpenVINO oder TensorRT exportieren
model_yolo.export(format="openvino")Vielseitigkeit bei verschiedenen Aufgaben#
Eine wesentliche Einschränkung spezialisierter Modelle wie RTDETRv2 ist ihr enger Fokus auf die Erkennung von Begrenzungsrahmen. Im Gegensatz dazu unterstützt das umfassendere Ultralytics-Ökosystem mit Modellen wie YOLO11 und YOLOv8 ein breites Spektrum an Aufgaben der Computer Vision. Dazu gehören die pixelgenaue Instanzsegmentierung, die Klassifizierung ganzer Bilder, die skelettbasierte Posenschätzung und die Erkennung von orientierten Begrenzungsrahmen (OBB) in Luftbildern.
Anwendungen in der Praxis#
Hochgeschwindigkeitsanalysen am Rand des Netzwerks#
Für den Einzelhandel oder Fertigungslinien, die eine Produkterkennung in Echtzeit auf Edge-Geräten benötigen, ist YOLOv9 die bessere Wahl. Die GELAN-Architektur bietet hohen Durchsatz auf Geräten mit begrenzten Ressourcen, etwa der NVIDIA Jetson-Reihe, und ermöglicht so eine automatisierte Qualitätskontrolle ohne nennenswerte Verzögerungen.
Analyse komplexer Szenen#
In Szenarien wie der Überwachung dicht gedrängter Menschenmengen oder komplexer Verkehrskreuzungen, an denen sich Objekte häufig gegenseitig verdecken, spielen die globalen Aufmerksamkeitsmechanismen von RTDETRv2 ihre Stärken aus. Da das Modell den gesamten Bildkontext von sich aus einbezieht, kann es Objekte auch dann zuverlässig verfolgen und erkennen, wenn sie teilweise verdeckt sind.
Anwendungsfälle und Empfehlungen#
Die Wahl zwischen YOLOv9 und RT-DETR hängt von deinen konkreten Projektanforderungen, Bereitstellungsbeschränkungen und Präferenzen beim Softwareökosystem ab.
Wann du YOLOv9 wählen solltest#
YOLOv9 ist eine gute Wahl für:
- Forschung zu Informationsengpässen: Akademische Projekte, die programmierbare Gradienteninformationen (PGI) und Architekturen mit effizienten, verallgemeinerten Schichtaggregationsnetzwerken (GELAN) untersuchen.
- Studien zur Optimierung des Gradientenflusses: Forschung, die darauf abzielt, Informationsverluste in tiefen Netzwerkschichten während des Trainings zu verstehen und zu verringern.
- Benchmarking hochgenauer Erkennung: Szenarien, in denen die starke COCO-Benchmarkleistung von YOLOv9 als Vergleichsmaßstab für Architekturvergleiche benötigt wird.
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 Entwicklerfreundlichkeit:
- 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, bei denen die bis zu 43 % schnellere CPU-Inferenz von YOLO26n gegenüber YOLO11n einen entscheidenden Vorteil bietet.
- 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.
Die Zukunft: YOLO26 kommt#
YOLOv9 und RTDETRv2 sind zwar bedeutende Errungenschaften, doch die Computer-Vision-Branche entwickelt sich rasant weiter. Für neue Projekte wird YOLO26 empfohlen.
YOLO26 wurde im Januar 2026 veröffentlicht und verbindet die Effizienz von CNNs mit durchgängiger Inferenz nach DETR-Art. Das Modell bietet ein optionales durchgängiges, NMS-freies Design (nms=False), das die NMS-Nachverarbeitung überflüssig macht – ein Ansatz, den YOLOv10 in YOLO-Modelle einführte. Außerdem entfernt YOLO26 den Verteilungsverlust mit Fokus auf schwierige Beispiele (DFL), um die Kompatibilität mit Edge-Geräten zu verbessern, und führt den MuSGD-Optimierer ein. Diese von großen Sprachmodellen inspirierte Kombination aus SGD und Muon basiert auf deren Training (insbesondere auf Moonshot AIs Kimi K2) und verbessert die Trainingsstabilität sowie die Konvergenzgeschwindigkeit.
Zusammen mit ProgLoss und STAL (progressiver Verlust und eine zielgrößenbewusste Labelzuweisung) zur besseren Erkennung kleiner Objekte machen diese Änderungen YOLO26 zu einer starken Wahl für moderne KI-Anwendungen. YOLO26n läuft auf der CPU bis zu 43 % schneller als YOLO11n.
Kommentare
Stell eine Frage, teile deine Ergebnisse oder hilf jemand anderem.