RTDETRv2 vs. YOLO: Gerçek Zamanlı Nesne Tespitine Derinlemesine Bir Bakış

Bilgisayarla görme alanı hızla gelişmekte ve araştırmacılar sürekli olarak çıkarım hızı ile tespit doğruluğu arasındaki sınırları zorlamaktadır. Bu alanda öne çıkan iki rakip, Baidu'nun transformatör tabanlı bir modeli olan RTDETRv2 ve Alibaba'nın yüksek oranda optimize edilmiş bir evrişim ağı olan YOLO'dur. Bu teknik karşılaştırma, bu modellerin farklı mimari felsefelerini, performans ölçütlerini ve ideal uygulama senaryolarını incelemektedir.

Performans Karşılaştırmaları: Hız ve Doğruluk

Bir nesne algılama modeli seçerken, birincil ödünleşme genellikle Ortalama Ortalama HassasiyetmAP) ve gecikme arasında olur. Aşağıdaki veriler, COCO doğrulama veri kümesinde RTDETRv2 ve YOLO arasındaki performans farklarını vurgulamaktadır.

Model	boyut ^(piksel)	mAP^val 50-95	Hız ^{CPU ONNX (ms)}	Hız ^{T4 TensorRT10 (ms)}	parametreler ^(M)	FLOP'lar ^(B)
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

DAMO-YOLOt	640	42.0	-	2.32	8.5	18.1
DAMO-YOLOs	640	46.0	-	3.45	16.3	37.8
DAMO-YOLOm	640	49.2	-	5.09	28.2	61.8
DAMO-YOLOl	640	50.8	-	7.18	42.1	97.3

Veriler, tasarım felsefesindeki net bir ayrımı ortaya koymaktadır. YOLO , kısıtlı uç bilişim ortamları için uygun olan olağanüstü düşük gecikme süresine ulaşan 'Tiny' varyantı ile ham hız ve verimliliğe öncelik vermektedir. Buna karşılık, RTDETRv2 maksimum doğruluk için çabalıyor ve en büyük varyantı 54,3 mAP'ye ulaşarak hassasiyetin çok önemli olduğu görevler için üstünlük sağlıyor.

RTDETRv2: Transformatör Güç Merkezi

RTDETRv2, Algılama Dönüştürücüsü (DETR) mimarisinin başarısı üzerine inşa edilmiştir ve küresel bağlamı yakalama yeteneklerini korurken tipik olarak görüntü dönüştürücüleriyle ilişkili yüksek hesaplama maliyetini ele alır.

Yazarlar: Wenyu Lv, Yian Zhao, Qinyao Chang, Kui Huang, Guanzhong Wang ve Yi Liu
Organizasyon:Baidu
Tarih: 2023-04-17 (İlk), 2024-07-24 (v2 Güncellemesi)
Arxiv:RT-DETRv2: Bag-of-Freebies ile Geliştirilmiş Temel
GitHub:RT-DETRv2 Deposu

Mimari ve Yetenekler

RTDETRv2, çok ölçekli özellikleri verimli bir şekilde işleyen hibrit bir kodlayıcı kullanır. Geleneksel CNN tabanlı YOLO modellerinin aksine RTDETR, Maksimum Olmayan Bastırma (NMS) sonrası işleme ihtiyacını ortadan kaldırır. Bu uçtan uca yaklaşım, dağıtım hattını basitleştirir ve kalabalık sahnelerde gecikme değişkenliğini azaltır.

Model, ölçek içi etkileşimi ve ölçekler arası füzyonu ayrıştıran ve standart DETR modellerine kıyasla hesaplama ek yükünü önemli ölçüde azaltan verimli bir hibrit kodlayıcı kullanır. Bu tasarım, oklüzyonun standart konvolüsyonel dedektörleri karıştırabileceği karmaşık ortamlardaki nesneleri tanımlamada mükemmel olmasını sağlar.

Transformatör Bellek Kullanımı

RTDETRv2 yüksek doğruluk sunarken, Transformer mimarilerinin eğitim sırasında CNN'lere kıyasla genellikle önemli ölçüde daha fazla CUDA belleği tükettiğine dikkat etmek önemlidir. GPU VRAM'i sınırlı olan kullanıcılar, YOLO11 gibi verimli alternatiflere kıyasla bu modellerin eğitimini zor bulabilir.

RTDETR hakkında daha fazla bilgi edinin

YOLO: Verimlilik için Optimize Edildi

YOLO , özellik çıkarma ve birleştirme için en verimli yapıları bulmak üzere Sinirsel Mimari Arama'dan (NAS) yararlanarak mimari optimizasyona yönelik titiz bir yaklaşımı temsil etmektedir.

Yazarlar: Xianzhe Xu, Yiqi Jiang, Weihua Chen, Yilun Huang, Yuan Zhang ve Xiuyu Sun
Organizasyon:Alibaba Group
Tarih: 2022-11-23
Arxiv:YOLO: Gerçek Zamanlı Nesne Algılama Tasarımı Üzerine Bir Rapor
GitHub:YOLO Deposu

Temel Mimari Yenilikler

YOLO , hız-doğruluk dengesini en üst düzeye çıkarmak için çeşitli gelişmiş teknolojileri entegre eder:

MAE-NAS Backbone: Yöntem Farkında Verimli Sinir Mimarisi Arama yoluyla keşfedilen bir backbone kullanır ve her parametrenin özellik çıkarma işlemine etkili bir şekilde katkıda bulunmasını sağlar.
RepGFPN: Ölçekler arasındaki özellikleri minimum hesaplama maliyeti ile birleştiren ve çıkarım hızlarını düşürmeden küçük nesnelerin tespitini geliştiren özel bir boyun tasarımı.
ZeroHead: Son tahmin katmanlarının karmaşıklığını azaltan basitleştirilmiş bir algılama kafası.

Bu model, milisaniyelerin önemli olduğu endüstriyel montaj hatları veya yüksek hızlı trafik izleme gibi yüksek verim gerektiren senaryolarda özellikle güçlüdür.

DAMO-YOLO hakkında daha fazla bilgi edinin

Gerçek Dünya Uygulama Senaryoları

Bu iki model arasında seçim yapmak genellikle dağıtım ortamının belirli kısıtlamalarına bağlıdır.

RTDETRv2 Ne Zaman Seçilmelidir?

RTDETRv2, doğruluğun tartışılmaz olduğu ve donanım kaynaklarının yeterli olduğu uygulamalar için tercih edilen seçimdir.

Tıbbi Görüntüleme: Tıbbi görüntü analizinde, bir tespitin kaçırılması (yanlış negatif) ciddi sonuçlar doğurabilir. RTDETRv2'nin yüksek mAP değeri, onu X-ışınları veya MRI taramalarındaki anomalileri tespit etmek için uygun hale getirir.
Detaylı Gözetim: Yüz tanıma veya uzaktan küçük ayrıntıları tanımlama gerektiren güvenlik sistemleri için transformatör mimarisinin küresel bağlam yetenekleri belirgin bir avantaj sağlar.

YOLO Ne Zaman Seçilmeli

YOLO , kaynakların kısıtlı olduğu ortamlarda veya ultra düşük gecikme süresi gerektiren uygulamalarda parlar.

Robotik: Pille çalışan gömülü cihazlarda görsel verileri işleyen otonom mobil robotlar için YOLO 'nun verimliliği gerçek zamanlı yanıt verebilirlik sağlar.
Yüksek Hızlı Üretim: Üretim otomasyonunda, hızlı hareket eden konveyör bantlarındaki kusurları tespit etmek, YOLO ve küçük varyantların sağladığı hızlı çıkarım hızlarını gerektirir.

Ultralytics Avantajı: YOLO11 Neden Optimal Seçimdir?

RTDETRv2 ve YOLO cazip özellikler sunarken, Ultralytics YOLO11 performans, kullanılabilirlik ve ekosistem desteğini dengeleyen bütünsel bir çözüm sunarak çoğu geliştirici ve araştırmacı için üstün bir seçim haline getirir.

Eşsiz Ekosistem ve Kullanılabilirlik

Araştırma modellerinin benimsenmesinin önündeki en önemli engellerden biri, kod tabanlarının karmaşıklığıdır. Ultralytics , birleşik, kullanıcı dostu bir Python API ile bu sürtünmeyi ortadan kaldırır. İster örnek segmentasyonu, ister poz tahmini veya sınıflandırma yapıyor olun, iş akışı tutarlı ve sezgisel kalır.

from ultralytics import YOLO

# Load a model (YOLO11 offers various sizes: n, s, m, l, x)
model = YOLO("yolo11n.pt")

# Train the model with a single line of code
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Run inference on an image
results = model("path/to/image.jpg")

Görevler Arasında Çok Yönlülük

Öncelikle algılamaya odaklanan YOLO'nun aksine, YOLO11 çok yönlü bir platformdur. Havadan görüntü ve belge analizi için çok önemli olan Yönlendirilmiş Sınırlayıcı Kutu (OBB) tespiti de dahil olmak üzere çok çeşitli bilgisayarla görme görevlerini destekler. Bu çok yönlülük, ekiplerin birden fazla proje gereksinimi için tek bir çerçeve üzerinde standartlaşmasına olanak tanır.

Eğitim Verimliliği ve Bellek Yönetimi

YOLO11 verimlilik için tasarlanmıştır. RTDETRv2 gibi transformatör tabanlı modellere kıyasla eğitim için genellikle daha az GPU belleği (VRAM) gerektirir. Bu verimlilik, donanım bariyerini düşürerek geliştiricilerin tüketici sınıfı GPU'larda son teknoloji modelleri eğitmesine veya Ultralytics ekosistemi aracılığıyla bulut kaynaklarını etkin bir şekilde kullanmasına olanak tanır. Ayrıca, önceden eğitilmiş ağırlıklardan oluşan kapsamlı kütüphane, transfer öğrenmenin hızlı ve etkili olmasını sağlayarak yapay zeka çözümleri için pazara sunma süresini önemli ölçüde azaltır.

Sektörle birlikte gelişen, sağlam, bakımlı ve yüksek performanslı bir çözüm arayanlar için, Ultralytics YOLO11 önerilen standart olmaya devam etmektedir.

Diğer Karşılaştırmaları İnceleyin

Bu modellerin daha geniş bilgisayarla görme ortamına nasıl uyduğunu daha iyi anlamak için bu ilgili karşılaştırmaları inceleyin: