Начать

RTDETRv2 и YOLO11

Новые архитектуры компьютерного зрения постоянно расширяют возможности устройств периферийных вычислений и облачных серверов. RTDETRv2 и YOLO11 — два широко используемых решения для обнаружения объектов в реальном времени. Оба показывают хорошие результаты, но используют разные архитектурные подходы: детектор на основе Transformer и высокооптимизированную свёрточную нейронную сеть (CNN).

В этом сравнении рассматриваются архитектуры, метрики производительности, методы обучения и оптимальные сценарии применения обеих моделей, чтобы помочь тебе выбрать подходящую модель для следующего приложения.

RTDETRv2: конкурент на базе Transformer#

Представленная как развитие исходного Real-Time Detection Transformer, модель RTDETRv2 применяет механизмы внимания к многомасштабным признакам, извлечённым магистралью CNN. Её гибридный энкодер и декодер Transformer улавливают глобальный контекст изображения, что помогает обнаруживать сильно перекрывающиеся объекты в сложных сценах.

Сведения о модели:

Сильные и слабые стороны архитектуры#

Главная инновация RTDETRv2 — сквозная архитектура без NMS. Отказ от подавления немаксимумов (NMS) упрощает конвейер постобработки. Кроме того, возможности извлечения многомасштабных признаков улучшены по сравнению с исходной моделью RT-DETR, что позволяет лучше распознавать объекты разного размера.

Однако из-за использования Transformer RTDETRv2 обычно требует больше памяти во время обучения. Сходимость Transformer, как правило, медленнее, а для него требуется больше памяти CUDA, чем для традиционных CNN. Поэтому такие модели менее доступны исследователям с потребительским оборудованием и сложнее для развёртывания в ограниченных средах периферийного ИИ.

Узнай больше о RTDETRv2

Ultralytics YOLO11: эффективность CNN#

Продолжая ранние исследования YOLO, Ultralytics YOLO11 совершенствует архитектуру CNN, обеспечивая лучший баланс скорости и точности и сохраняя гибкую, удобную для разработчиков экосистему Ultralytics.

Сведения о модели:

Преимущества Ultralytics#

Главное преимущество YOLO11 — сбалансированная производительность. Баланс скорости и точности подходит для самых разных сценариев развёртывания: от крупных кластеров облачных вычислений до компактных мобильных устройств.

Модели Ultralytics YOLO также используют меньше памяти при обучении и инференсе. В отличие от моделей Transformer, которые могут быстро исчерпать VRAM, YOLO11 позволяет использовать больший размер пакета на стандартных GPU. Кроме того, YOLO11 отличается универсальностью и поддерживает не только обнаружение объектов, но и сегментацию экземпляров, классификацию изображений, оценку позы и ориентированные ограничивающие рамки (OBB).

Сравнение производительности и метрик#

В таблице ниже сравниваются точность на COCO и скорость. RTDETRv2 немного точнее в малом и среднем размерах, тогда как YOLO11 доступна в пяти размерах, включая nano-вариант, и при сопоставимом размере имеет меньшую задержку в TensorRT.

Модельразмер
(пиксели)
mAPval50-95Скорость
CPU ONNX
(мс)
Скорость
T4 TensorRT10
(мс)
параметры
(M)
FLOPs
(B)
RTDETRv2-s64048.1-5.032060
RTDETRv2-m64051.9-7.5136100
RTDETRv2-l64053.4-9.7642136
RTDETRv2-x64054.3-15.0376259
YOLO11n64039.556.11.52.66.5
YOLO11s64047.090.02.59.421.6
YOLO11m64051.5183.24.720.168.1
YOLO11l64053.4238.66.225.387.2
YOLO11x64054.7462.811.356.9195.3

YOLO11x достигает 54.7% mAPval, на 0.4 пункта выше RTDETRv2-x, при меньшем количестве операций с плавающей запятой (FLOPs: 195.3B против 259B) и более быстром инференсе в TensorRT (11.3 мс против 15.03 мс). YOLO11l сравнима с RTDETRv2-l по точности (53.4%), но работает за 6.2 мс вместо 9.76 мс, а RTDETRv2-s и -m опережают YOLO11s и -m на 1.1 и 0.4 пункта при задержке в 1.6–2 раза выше. Nano- и small-варианты YOLO11 — лёгкие решения для устройств с ограниченными ресурсами, например Raspberry Pi.

Экосистема, простота использования и обучение#

Модели Ultralytics созданы для удобства использования. Пакет Python ultralytics предоставляет унифицированный API для аугментации данных, распределённого обучения и экспорта моделей. Исследовательский репозиторий RTDETRv2 требует больше шаблонного кода и настроек, тогда как Ultralytics предоставляет полный конвейер от данных до развёртывания.

Пакет Ultralytics также поддерживает модели RT-DETR наряду с моделями YOLO, поэтому обеим доступна хорошо поддерживаемая экосистема Ultralytics, включая интеграции с Weights & Biases и Comet для отслеживания экспериментов.

from ultralytics import RTDETR, YOLO

# Загрузи модель RTDETR через API Ultralytics
model_rtdetr = RTDETR("rtdetr-l.pt")

# Загрузить высокооптимизированную модель YOLO11
model_yolo = YOLO("yolo11n.pt")

# Обучать YOLO11 с максимально эффективным использованием памяти
results = model_yolo.train(data="coco8.yaml", epochs=100, imgsz=640)

# Экспортировать обученную модель YOLO в формат ONNX
model_yolo.export(format="onnx")
Оптимизируй рабочий процесс

Эффективность обучения важна в машинном обучении. Модели Ultralytics начинают работу с предварительно обученных весов, поэтому трансферное обучение на пользовательских данных быстро сходится. Чтобы управлять наборами данных, запусками обучения и конечными точками развёртывания без написания кода, используй платформу Ultralytics для комплексного рабочего процесса MLOps.

Применение в реальных условиях#

Выбор между этими архитектурами часто зависит от конкретных ограничений проекта при развертывании.

В чём RTDETRv2 особенно хороша: Магистраль Transformer в RTDETRv2 эффективна в сценариях с плотным расположением сильно перекрывающихся объектов, когда необходим глобальный контекст. Эту модель часто используют в академических исследованиях и приложениях, где вычислительный бюджет менее важен, чем моделирование отношений между объектами.

В чём YOLO11 особенно хороша: YOLO11 хорошо подходит для практического развёртывания в реальных условиях. Благодаря небольшому объёму используемой памяти и быстрому инференсу она подходит для:

  • Умное производство: обнаружение дефектов на производственных линиях в реальном времени с помощью промышленных ПК.
  • Сельское хозяйство: использование дронов для мониторинга состояния посевов в реальном времени и автоматизированной роботизированной уборки урожая.
  • Аналитики розничной торговли: Одновременной обработки потоков с нескольких камер для управления очередями и отслеживания запасов без необходимости в крупных серверных кластерах.

Сценарии использования и рекомендации#

Выбор между RT-DETR и YOLO11 зависит от конкретных требований проекта, ограничений развертывания и предпочтительной экосистемы.

Когда выбрать RT-DETR#

RT-DETR — отличный выбор для:

  • Исследований обнаружения на основе Transformer: Проектов, в которых изучаются механизмы внимания и архитектуры Transformer для сквозного обнаружения объектов без NMS.
  • Сценариев с высокой точностью и гибкими требованиями к задержке: Приложений, где точность обнаружения важнее всего, а немного большая задержка инференса допустима.
  • Обнаружения крупных объектов: Сцен, в которых преобладают объекты среднего и крупного размера, а механизм глобального внимания Transformer даёт естественное преимущество.

Когда выбирать YOLO11#

YOLO11 рекомендуется для:

  • Промышленное развёртывание на периферии: коммерческих приложений на устройствах вроде Raspberry Pi или NVIDIA Jetson, где важны надёжность и активная поддержка.
  • Многозадачные приложения компьютерного зрения: проекты, которым нужны обнаружение объектов, сегментация, классификация, оценка позы и OBB в рамках единого фреймворка.
  • Быстрое прототипирование и развертывание: команды, которым нужно быстро пройти путь от сбора данных до промышленной эксплуатации с помощью удобного Python API Ultralytics.

Когда выбирать Ultralytics (YOLO26)#

Для большинства новых проектов Ultralytics YOLO26 предлагает оптимальное сочетание производительности и удобства разработки:

  • Развертывание на периферийных устройствах без NMS: Приложения, которым необходим стабильный инференс с низкой задержкой без усложнения постобработки подавлением немаксимумов.
  • Среды, работающие только на CPU: устройства без выделенного ускорения на GPU, на которых преимущество YOLO26n особенно заметно: инференс на CPU выполняется до 43% быстрее, чем у YOLO11n.
  • Обнаружение небольших объектов: сложные сценарии, например аэрофотосъемка с дронов или анализ данных датчиков IoT, где ProgLoss и STAL повышают точность обнаружения небольших объектов.

Взгляд в будущее: появление YOLO26#

Если ты начинаешь новый проект, рассмотри также Ultralytics YOLO26 — модель, выпущенную в январе 2026 года и рекомендованную Ultralytics. Она объединяет идеи обоих подходов: дополнительная сквозная голова без NMS (nms=False), впервые внедрённая в модели YOLO с выходом YOLOv10, исключает постобработку с NMS, как RTDETRv2, и при этом сохраняет скорость CNN.

YOLO26 использует оптимизатор MuSGD, вдохновлённый методами обучения LLM, для стабильной и быстрой сходимости, а YOLO26n обеспечивает инференс на CPU до 43% быстрее, чем YOLO11n, в том числе благодаря отказу от Distribution Focal Loss (DFL). Прогрессивная функция потерь и назначение меток с учётом малых объектов (ProgLoss + STAL) улучшают распознавание небольших объектов, поэтому YOLO26 — рекомендуемый вариант для новых конвейеров компьютерного зрения.

Выбираешь ли ты YOLO11 за проверенную универсальность, RTDETRv2 за механизмы внимания или YOLO26 за производительность на периферийных устройствах — в документации Ultralytics описано обучение и развёртывание YOLO11, YOLO26 и исходной RT-DETR.

Участники

Комментарии1

Задай вопрос, поделись результатами или помоги кому-нибудь.

  1. UltralyticsAssistantGitHubUltralytics

    👋 Hello, thank you for starting this discussion about comparing RTDETRv2 and YOLO11 🚀! We’re thrilled to see your interest in exploring the strengths and ideal use cases of these models.

    For those looking to dive deeper, the Comparison Guide is a great resource to start with. It highlights key differences and performance metrics, helping you make informed decisions based on your project needs.

    If you have specific questions about YOLO11 performance or implementation, feel free to provide more details so we can assist better. For custom training or real-world applications, including dataset examples or logs would be immensely helpful!

    💡 Pro Tip: Keep your ultralytics package up to date to leverage the latest features and fixes. Simply run:

    pip install -U ultralytics

    For real-time discussions, join our Discord 🎧. Alternatively, connect with our community on Discourse or our Subreddit to share insights and experiences.

    An Ultralytics engineer will review and assist with your discussion soon. Stay tuned! 😊