RTDETRv2 ile DAMO-YOLO Karşılaştırması#

Bilgisayarlı görü dünyası sürekli olarak evrilmektedir; araştırmacılar ve mühendisler hız, doğruluk ve verimliliği kusursuz bir şekilde dengeleyen modeller oluşturmak için çalışmaktadır. Bu alanda büyük yankı uyandıran iki öne çıkan mimari, Baidu tarafından geliştirilen RTDETRv2 ve Alibaba Group tarafından tasarlanan DAMO-YOLO'dur. Her iki model de gerçek zamanlı nesne tespiti sınırlarını zorlasa da etkileyici sonuçlarına ulaşmak için temelde farklı mimari felsefeleri benimser.

Bu teknik karşılaştırmada, bu modellerin mimarilerini, eğitim metodolojilerini ve gerçek dünya dağıtım yeteneklerini derinlemesine inceleyeceğiz. Ayrıca bu modellerin daha geniş ekosistemle, özellikle son derece optimize edilmiş Ultralytics Platform ve son teknoloji ürünü YOLO26 mimarisi ile nasıl karşılaştırıldığını keşfedeceğiz.

Mimari Yenilikler#

Bu modellerin temel mekanizmalarını anlamak, üretim ortamları için doğru araç seçmekle görevlendirilmiş makine öğrenimi mühendisleri için çok önemlidir.

RTDETRv2: Transformer Yaklaşımı#

Orijinal RT-DETR'in başarısını temel alan RTDETRv2, hibrit bir kodlayıcı ve bir transformer kod çözücü kullanır. Bu tasarım, modelin genel bağlamı son derece etkili bir şekilde işlemesini sağlayarak yoğun sahnelerdeki örtüşen nesneleri ayırt etmede onu olağanüstü derecede başarılı kılar. Bu mimarinin en önemli avantajı, yerel NMS'siz (Maksimum Olmayan Bastırma) tasarımıdır. RTDETRv2, NMS son işleme adımını ortadan kaldırarak çıkarım boru hattını kolaylaştırır ve farklı donanım yapılandırmalarında daha kararlı bir gecikme süresi sağlar.

RTDETRv2 hakkında daha fazla bilgi edin

DAMO-YOLO: CNN Verimliliğini Geliştirme#

Öte yandan DAMO-YOLO, son derece başarılı CNN tabanlı YOLO soyunda kök salmaya devam eder ancak birkaç çığır açan geliştirme sunar. Özellik çıkarma verimliliğini en üst düzeye çıkarmak için Nöral Mimari Arama (NAS) yönteminden yararlanır. Ayrıca AlignedOTA ve damıtma geliştirme tekniklerinin yanı sıra verimli bir RepGFPN (Yeniden Parametrelendirilmiş Genelleştirilmiş Özellik Piramidi Ağı) ve ZeroHead tasarımı barındırır. Bu yenilikler, DAMO-YOLO'nun son derece rekabetçi bir mAP^val puanını korurken hızlı çıkarım hızlarına ulaşmasını sağlar.

DAMO-YOLO hakkında daha fazla bilgi edin

Mimari Ayrışma

RTDETRv2 NMS olmadan küresel özellik anlayışı için dikkat mekanizmalarından yararlanmaya odaklanırken, DAMO-YOLO NAS ve gelişmiş damıtma yoluyla geleneksel CNN verimliliğini maksimize eder; standart son işlemeyi gerektirir ancak belirli donanımlarda belirgin hız avantajları sunar.

Performans ve Metrik Karşılaştırması#

Modelleri dağıtım için değerlendirirken ortalama Ortalama Kesinlik (mAP), çıkarım hızı ve parametre sayısı gibi performans metrikleri çok önemlidir. Aşağıda iki model ailesinin ayrıntılı bir karşılaştırması yer almaktadır.

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

Sonuçların Analizi#

Tabloda görüldüğü gibi, RTDETRv2-x, 54.3'lük bir mAP^val ile en yüksek doğruluğa ulaşmakta ve COCO veri seti gibi karmaşık doğrulamalarda transformer mimarisinin gücünü gözler önüne sermektedir. Ancak bu durum, önemli ölçüde daha yüksek parametreler (76M) ve FLOP'lar maliyetiyle gelmektedir.

Buna karşılık, DAMO-YOLOt (Tiny) son derece hafiftir ve yalnızca 8.5M parametre gerektirir, bu da onu CUDA belleğinin ciddi şekilde kısıtlı olduğu ortamlar için inanılmaz derecede hızlı bir seçenek haline getirir. DAMO-YOLO, eski uç cihazlar için genellikle hız ve doğruluk arasında uygun bir denge sağlar.

Ekosistem, Kullanılabilirlik ve Ultralytics Avantajı#

Resmi RT-DETR GitHub ve DAMO-YOLO GitHub gibi bağımsız depolar bu modelleri eğitmek için ham kodu sunarken, bunları üretim boru hatlarına entegre etmek genellikle kapsamlı ortak kod ve manuel optimizasyon gerektirir.

Ultralytics ekosistemi tam olarak burada geliştirici deneyimini büyük ölçüde basitleştirir. Ultralytics, RTDETRv2 gibi modelleri doğrudan birleşik API'sine entegre ederek kullanıcıların tek bir kod satırıyla modelleri eğitmesine, doğrulamasına ve dışa aktarmasına olanak tanır. Ayrıca Ultralytics modelleri, ağır transformer tabanlı bağımsız depolara kıyasla eğitim sırasında minimum bellek gereksinimleriyle bilinir.

Kod Örneği: Kesintisiz Entegrasyon#

Ultralytics Python kütüphanesinden çıkarım yapmak için ne kadar kolay yararlanabileceğini burada görebilirsin. İster bir transformer modeli ister son teknoloji bir CNN kullanıyor ol, API tutarlı kalmaya devam eder.

from ultralytics import RTDETR, YOLO

# Load an RTDETRv2 model for complex scene understanding
model_rtdetr = RTDETR("rtdetr-l.pt")

# Load the latest Ultralytics YOLO26 model for ultimate edge performance
model_yolo26 = YOLO("yolo26n.pt")

# Run inference on a sample image effortlessly
results_rtdetr = model_rtdetr("https://ultralytics.com/images/bus.jpg")
results_yolo = model_yolo26("https://ultralytics.com/images/bus.jpg")

# Display the results
results_yolo[0].show()

Modelleri Üretim İçin Dışa Aktarma

Ultralytics API'sini kullanarak, eğitilmiş modellerini model.export(format="engine") komutuyla TensorRT, ONNX veya CoreML gibi formatlara sorunsuz bir şekilde export your trained models yapabilir ve dağıtım sürtünmesini büyük ölçüde azaltabilirsin.

İdeal Kullanım Senaryoları#

Bu mimariler arasında seçim yapmak tamamen senin özel proje gereksinimlerine bağlıdır:

RTDETRv2, VRAM'in bol olduğu sunucu tarafı işlemelerinde üstündür. Genel bağlam farkındalığı, örtüşmelerin sık olduğu tıbbi görüntüleme ve yoğun kalabalık analizi için mükemmeldir.
DAMO-YOLO, düşük parametre sayıları ve yüksek FPS'in katı gereksinimler olduğu gömülü IoT uygulamaları ve hızlı hareket eden endüstriyel denetim hatları için son derece uygundur.

Gelecek: Ultralytics YOLO26#

Hem RTDETRv2 hem de DAMO-YOLO'nun kendi avantajları olsa da bilgisayarlı görü alanı hızla ilerlemektedir. Yeni projeler için en son Ultralytics YOLO26; hız, doğruluk ve geliştirici deneyiminin nihai sentezini temsil eder.

YOLO26, devasa hesaplama yükü olmaksızın transformer'ların temel avantajını yakalayarak Uçtan Uca NMS'siz Tasarım'ı benimser. Kararlı ve hızlı yakınsama için Büyük Dil Modeli eğitiminden ilham alan yenilikçi MuSGD Optimizatörü'nü içerir. Ayrıca, basitleştirilmiş dışa aktarma ve daha iyi uç/düşük güç cihazı uyumluluğu için kaldırılan Dağılım Odaklı Kayıp ile DFL Kaldırma özelliği sayesinde YOLO26, %43'e varan daha hızlı CPU çıkarımı elde ederek uç bilgi işlem için tartışmasız şampiyon olmaktadır. Ek olarak ProgLoss + STAL, IoT, robotik ve hava görüntütlemesi için kritik önem taşıyan küçük nesne tanımada belirgin iyileştirmelerle geliştirilmiş kayıp fonksiyonları sunar.

Kesinlikle sınırlayıcı kutularla sınırlı olan modellerin aksine YOLO26 ailesi; örnek segmentasyonu ve poz tahmini işlemlerinden yönlendirilmiş sınırlayıcı kutulara (OBB) kadar değişen görevleri destekleyerek eşsiz bir çok yönlülük sunar ve tüm bunlar sezgisel Ultralytics Platform aracılığıyla sorunsuz bir şekilde yönetilir.

Platform üzerinde YOLO26'yı keşfet

Model Detayları ve Referanslar#

RTDETRv2#

Yazarlar: Wenyu Lv, Yian Zhao, Qinyao Chang, Kui Huang, Guanzhong Wang ve Yi Liu
Kuruluş: Baidu
Tarih: 2024-07-24
Arxiv: 2407.17140
GitHub: RT-DETR Deposu

DAMO-YOLO#

Yazarlar: Xianzhe Xu, Yiqi Jiang, Weihua Chen, Yilun Huang, Yuan Zhang ve Xiuyu Sun
Kuruluş: Alibaba Group
Tarih: 2022-11-23
Arxiv: 2211.15444v2
GitHub: DAMO-YOLO Deposu

Diğer karşılaştırmaları keşfetmekle ilgilenen kullanıcılar, bu modellerin Ultralytics ailesinin önceki nesillerine karşı nasıl performans gösterdiğini görmek için RTDETRv2 vs. YOLO11 veya DAMO-YOLO vs. YOLOv8 kılavuzlarımıza göz atabilirler.

Katkıda Bulunanlar

GLglenn-jocher¹⁴ PDpderrenger¹

Oluşturulma 27 Oca 2025Güncellendi geçen ay