Начать

RTDETRv2 и YOLO26

Модели обнаружения объектов в реальном времени оценивают по скорости, точности и эффективности развёртывания. На этой странице сравниваются два актуальных подхода: основанная на Transformer модель RTDETRv2 и Ultralytics YOLO26 — свёрточная нейронная сеть (CNN), предназначенная для развёртывания на периферийных устройствах. Здесь рассматриваются их архитектуры, метрики производительности и оптимальные сценарии применения, чтобы помочь тебе выбрать подходящую модель для следующего проекта в области компьютерного зрения.

RTDETRv2: Transformer для обнаружения объектов в реальном времени#

RTDETRv2 развивает архитектуру оригинальной модели RT-DETR, сочетая способность vision Transformer учитывать глобальный контекст со скоростью, необходимой для приложений реального времени.

Основные характеристики:

Архитектура и сильные стороны#

В отличие от традиционных детекторов на основе якорных рамок, RTDETRv2 использует архитектуру на основе Transformer, которая устраняет необходимость в подавлении немаксимумов (NMS) при постобработке. Механизм внимания помогает модели обрабатывать сложные сцены и перекрывающиеся объекты. Улучшения обучения «Bag-of-Freebies» повышают точность на датасете COCO, сохраняя практическую скорость инференса на высокопроизводительных GPU.

Ограничения#

RTDETRv2 показывает высокие результаты в тестах, но её сложнее использовать в промышленной среде. Архитектуры Transformer обычно потребляют больше памяти при обучении и инференсе, чем CNN, что может осложнить развёртывание на ресурсно ограниченных устройствах для периферийного ИИ. Для обучения Transformer также обычно нужны пакеты большего размера и больше памяти CUDA, что может стать узким местом на оборудовании с ограниченными ресурсами.

Узнай больше о RTDETRv2

YOLO26: визуальный ИИ для периферийных устройств#

Ultralytics YOLO26, выпущенная в январе 2026 года, — новейшая модель Ultralytics YOLO и рекомендуемый выбор для новых проектов. Её архитектура рассчитана на простое развёртывание в промышленной среде и эффективный инференс на периферийном оборудовании.

Основные характеристики:

Архитектурные инновации#

В YOLO26 реализовано несколько изменений, которые помогают решить распространённые проблемы развёртывания моделей:

  • Сквозная архитектура без NMS: Опираясь на обучение без NMS, которое YOLOv10 внедрила в модели YOLO, YOLO26 поддерживает нативный сквозной инференс. Дополнительная голова one-to-one (nms=False) пропускает постобработку с NMS, снижая колебания задержки и делая время инференса более предсказуемым в production.
  • Инференс на CPU до 43% быстрее: Архитектурные улучшения и отказ от Distribution Focal Loss (DFL) делают YOLO26n до 43% быстрее YOLO11n на CPU, что подходит для устройств периферийных вычислений без выделенных GPU.
  • Оптимизатор MuSGD: Вдохновлённый методами обучения больших языковых моделей (LLM), например Kimi K2 от Moonshot AI, YOLO26 использует оптимизатор MuSGD — гибрид SGD и Muon, который обеспечивает более стабильное обучение и более быструю сходимость.
  • ProgLoss + STAL: Прогрессивная функция потерь и назначение меток с учётом малых объектов (STAL) улучшают распознавание небольших объектов, что важно для приложений с использованием аэроснимков и наблюдения с дронов.
Улучшения YOLO26 для отдельных задач

Помимо стандартного обнаружения, YOLO26 включает улучшения для конкретных задач: функцию потерь для семантической сегментации и многомасштабный модуль прототипов для задач сегментации, Residual Log-Likelihood Estimation (RLE) для оценки позы и специализированную функцию потерь угла, которая устраняет проблемы на границах при обнаружении ориентированных ограничивающих рамок (OBB).

Сравнение производительности#

В таблице ниже сравниваются точность (mAP) и вычислительная эффективность на валидационной выборке COCO. При сопоставимом размере YOLO26 достигает более высокого mAP, чем RTDETRv2, и 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
YOLO26n64040.938.91.72.45.5
YOLO26s64048.687.22.59.520.9
YOLO26m64053.1220.04.720.468.4
YOLO26l64055.0286.26.224.886.8
YOLO26x64057.5525.811.855.7194.4

YOLO26x достигает 57.5 mAP — на 3.2 пункта выше RTDETRv2-x — при меньшем числе параметров (55.7M против 76M) и более быстром инференсе в TensorRT (11.8 мс против 15.03 мс). YOLO26 также обычно использует меньше памяти, поэтому лучше подходит для периферийных систем реального времени.

Экосистема и простота использования#

Помимо чистой производительности, скорость перехода модели от исследований к production зависит от окружающей её экосистемы. Платформа Ultralytics объединяет в одном месте разметку наборов данных, обучение и развёртывание моделей Ultralytics.

Единая экосистема с надёжной поддержкой#

RTDETRv2 — это прежде всего исследовательский репозиторий, для которого может потребоваться сложная настройка окружения и ручное написание скриптов для пользовательских задач. Ultralytics YOLO26 входит в зрелый, тщательно протестированный пакет Python с простым API для обучения, валидации, предсказаний и экспорта.

Благодаря встроенным интеграциям с Weights & Biases и Comet отслеживание экспериментов доступно сразу. RTDETRv2 предназначен только для обнаружения объектов, тогда как YOLO26 также поддерживает сегментацию экземпляров, семантическую сегментацию, оценку глубины, классификацию изображений, оценку позы и обнаружение OBB в рамках одной платформы.

Пример кода: просто и наглядно#

API Python от Ultralytics загружает модели, выполняет инференс и экспортирует модели всего несколькими строками кода, а один и тот же пакет поддерживает RT-DETR и YOLO26.

from ultralytics import RTDETR, YOLO

# Загрузить модель RT-DETR
model_rtdetr = RTDETR("rtdetr-l.pt")

# Загрузи модель YOLO26
model_yolo = YOLO("yolo26n.pt")

# Запустить инференс на изображении
results_rtdetr = model_rtdetr("https://ultralytics.com/images/bus.jpg")
results_yolo = model_yolo("https://ultralytics.com/images/bus.jpg")

# Показать результаты YOLO26
results_yolo[0].show()

# Экспортировать YOLO26 в формат ONNX
model_yolo.export(format="onnx")

Сценарии использования и рекомендации#

Выбор между RT-DETR и YOLO26 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 YOLO26#

YOLO26 рекомендуется для:

  • Развертывание на периферийных устройствах без NMS: Приложения, которым необходим стабильный инференс с низкой задержкой без усложнения постобработки подавлением немаксимумов.
  • Среды только с CPU: Устройства без выделенного ускорения GPU, где инференс YOLO26 на CPU — до 43% быстрее (YOLO26n против YOLO11n), что даёт решающее преимущество.
  • Обнаружение небольших объектов: сложные сценарии, например аэрофотосъемка с дронов или анализ данных датчиков IoT, где ProgLoss и STAL повышают точность обнаружения небольших объектов.

Другие архитектуры#

YOLO26 — рекомендуемая отправная точка, но и более ранние модели остаются полезными. YOLO11 по-прежнему полностью поддерживается и хорошо подходит для существующих систем, построенных на его основе; подробности см. в сравнении RT-DETR и YOLO11. Для более старых архитектур сравнение EfficientDet и YOLO26 показывает, насколько продвинулись архитектуры обнаружения объектов.

Заключение#

И RTDETRv2, и YOLO26 развивают обнаружение объектов в реальном времени. Для команд, которым важны простой путь к production, небольшой объём используемой памяти и широкая поддержка задач, рекомендуем Ultralytics YOLO26. Его дополнительный инференс без NMS, высокая скорость на CPU и экосистема Ultralytics помогают масштабировать проекты компьютерного зрения — как на облачном сервере, так и на Raspberry Pi с ограниченными ресурсами.

Участники

Комментарии

Задай вопрос, поделись результатами или помоги кому-нибудь.