RTDETRv2 ve YOLO11#

Bilgisayarlı görü dünyası sürekli gelişiyor; yeni mimariler, uç cihazlarda ve bulut sunucularında mümkün olanların sınırlarını zorluyor. Günümüzde gerçek zamanlı nesne algılama alanındaki en öne çıkan iki aday RTDETRv2 ve YOLO11'dir. Her iki model de olağanüstü performans sunsa da temelde farklı mimari felsefeleri temsil eder: Transformer tabanlı yaklaşım ve yüksek düzeyde optimize edilmiş Evrişimli Sinir Ağı (CNN).

Bu kapsamlı teknik karşılaştırmada her iki modelin mimarilerini, performans metriklerini, eğitim yöntemlerini ve ideal kullanım alanlarını inceleyerek bir sonraki yapay zekâ uygulaman için bilinçli bir karar vermene yardımcı olacağız.

RTDETRv2: Transformer Tabanlı Rakip#

Özgün Real-Time Detection Transformer'ın geliştirilmiş bir sürümü olarak sunulan RTDETRv2, görsel verileri işlemek için dikkat mekanizmalarından yararlanır. Görüntü parçalarını diziler olarak ele alarak görüntü bağlamını küresel düzeyde kavrar; bu da karmaşık sahnelerde yoğun biçimde üst üste binen nesneleri algılamak için oldukça faydalıdır.

Model Ayrıntıları:

• 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
• Belgeler: RTDETRv2 Belgeleri

Mimari Güçlü ve Zayıf Yönler#

RTDETRv2'nin temel yeniliği, uçtan uca NMS içermeyen mimarisidir. Maksimum olmayan bastırmayı (NMS) ortadan kaldırarak son işleme işlem hattını basitleştirir. Ayrıca çok ölçekli özellik çıkarma yetenekleri, özgün RT-DETR modeline kıyasla geliştirilmiştir; bu sayede farklı boyutlardaki nesneleri daha iyi tanımlayabilir.

Ancak Transformer'lara dayandığı için RTDETRv2, eğitim sırasında genellikle önemli ölçüde daha yüksek bellek gereksinimlerine sahiptir. Transformer'lar geleneksel CNN'lere kıyasla genellikle daha yavaş yakınsar ve çok daha fazla CUDA belleği gerektirir; bu da tüketici sınıfı donanımlarda çalışan veya kısıtlı uç yapay zekâ ortamlarına dağıtım yapan araştırmacılar için onları daha az erişilebilir kılar.

RT-DETR hakkında daha fazla bilgi edin

Ultralytics YOLO11: CNN Verimliliğinin Zirvesi#

Yıllar süren temel araştırmaların üzerine inşa edilen Ultralytics, YOLO ailesinde büyük bir sıçrama olarak YOLO11'i yayımladı. YOLO11, topluluğun beklediği esnekliği ve geliştirici dostu ekosistemi korurken benzeri görülmemiş hız ve doğruluk elde etmek için CNN mimarisini geliştirir.

Model Ayrıntıları:

• Yazarlar: Glenn Jocher ve Jing Qiu
• Kuruluş: Ultralytics
• Tarih: 27 Eylül 2024
• GitHub: Ultralytics Deposu

Ultralytics Avantajı#

YOLO11, Performans Dengesi ile öne çıkar. Hız ve doğruluk arasında olağanüstü bir denge kurarak büyük bulut bilişim kümelerinden hafif mobil cihazlara kadar farklı gerçek dünya dağıtım senaryolarında son derece çok yönlü olmasını sağlar.

Ayrıca Ultralytics YOLO modelleri, eğitim ve çıkarım sırasında daha düşük bellek kullanımıyla tanınır. VRAM'i kolayca tüketebilen Transformer modellerinin aksine YOLO11, standart GPU'larda daha büyük batch boyutlarına olanak tanır. Dahası, YOLO11 yalnızca nesne algılamayla sınırlı değildir; Örnek Segmentasyonu, Görüntü Sınıflandırma, Poz Tahmini ve Yönlendirilmiş Sınırlayıcı Kutular (OBB) için yerel destek sunan etkileyici bir Çok Yönlülüğe sahiptir.

Performans ve Metrik Karşılaştırması#

Ham sayılar karşılaştırıldığında RTDETRv2 etkileyici bir doğruluk elde etse de YOLO11'in, özellikle TensorRT üzerinde daha yüksek çıkarım hızlarıyla birlikte çok daha ayrıntılı bir model boyutu seçimi sunduğu açıkça görülür.

Tabloda görüldüğü üzere YOLO11x modeli, RTDETRv2-x varyantına kıyasla daha az FLOP (194.9B ve 259B'ye karşı) kullanırken 54.7% gibi daha yüksek bir mAP^val değerine ulaşır ve TensorRT üzerinde daha hızlı çıkarım (11.3ms ve 15.03ms'ye karşı) sunar. YOLO11'in nano ve küçük varyantları, Raspberry Pi gibi kısıtlı cihazlar için benzersiz hafif seçenekler sağlar.

Ekosistem, Kullanım Kolaylığı ve Eğitim#

Ultralytics modellerinin belirleyici özelliği, akıcı kullanıcı deneyimidir. ultralytics Python paketi; veri artırma, dağıtık eğitim ve model dışa aktarma gibi zahmetli işlemleri yöneten birleşik, sezgisel bir API sağlar. RTDETRv2'nin araştırma deposu önemli miktarda kalıp kod ve yapılandırma gerektirirken Ultralytics "sıfırdan kahramana" bir işlem hattı sunar.

İlginç biçimde Ultralytics ekosistemi o kadar sağlamdır ki RT-DETR modellerini YOLO modelleriyle birlikte çalıştırmayı yerel olarak destekler! Bu sayede deneyleri zahmetsizce izlemek için Weights & Biases ve Comet ML entegrasyonları da dâhil olmak üzere Ultralytics'in İyi Bakımı Yapılan Ekosisteminden yararlanabilirsin.

from ultralytics import RTDETR, YOLO

# Load an RTDETR model seamlessly through the Ultralytics API
model_rtdetr = RTDETR("rtdetr-l.pt")

# Load a highly optimized YOLO11 model
model_yolo = YOLO("yolo11n.pt")

# Train YOLO11 with highly efficient memory usage
results = model_yolo.train(data="coco8.yaml", epochs=100, imgsz=640)

# Export the trained YOLO model to ONNX format
model_yolo.export(format="onnx")

Gerçek Dünya Uygulamaları#

Bu mimariler arasındaki seçim genellikle projenin belirli dağıtım kısıtlarına bağlıdır.

RTDETRv2'nin Öne Çıktığı Alanlar: RTDETRv2'nin Transformer omurgası, küresel bağlamın gerekli olduğu yoğun ve büyük ölçüde örtüşen nesnelerin bulunduğu senaryolarda son derece etkilidir. Ham dikkat tabanlı ilişki haritalamaya kıyasla hesaplama bütçesinin daha az önem taşıdığı akademik araştırmalarda ve uygulamalarda sıkça değerlendirilir.

YOLO11'in Hâkim Olduğu Alanlar: YOLO11, pratik ve gerçek dünya dağıtımının tartışmasız şampiyonudur. Minimum bellek ayak izi ve son derece hızlı çıkarım hızları onu şu alanlar için ideal kılar:

• Akıllı Üretim: Endüstriyel bilgisayarlar kullanarak üretim hatlarında gerçek zamanlı kusur algılama çalıştırma.
• Tarım: Gerçek zamanlı mahsul sağlığı izleme ve otomatik hasat robotları için dronlara dağıtım yapma.
• Perakende Analitiği: Büyük sunucu çiftlikleri gerektirmeden kuyruk yönetimi ve envanter takibi için birden fazla kamera akışını eş zamanlı işleme.

Kullanım Alanları ve Öneriler#

RT-DETR ve YOLO11 arasındaki seçim, belirli proje gereksinimlerine, dağıtım kısıtlarına ve ekosistem tercihlerine bağlıdır.

RT-DETR Ne Zaman Seçilmeli?#

RT-DETR şu durumlar için güçlü bir seçenektir:

• Transformer Tabanlı Tespit Araştırması: NMS olmadan uçtan uca nesne tespiti için dikkat mekanizmalarını ve Transformer mimarilerini inceleyen projeler.
• Esnek Gecikmeyle Yüksek Doğruluk Gerektiren Senaryolar: Tespit doğruluğunun en yüksek öncelik olduğu ve biraz daha yüksek çıkarım gecikmesinin kabul edilebildiği uygulamalar.
• Büyük Nesne Tespiti: Transformer'ların küresel dikkat mekanizmasının doğal bir avantaj sağladığı, çoğunlukla orta ve büyük nesneler içeren sahneler.

YOLO11 Ne Zaman Seçilmeli?#

YOLO11 şu durumlarda önerilir:

• Üretim Ortamında Uç Dağıtım: Güvenilirliğin ve aktif bakımın büyük önem taşıdığı Raspberry Pi veya NVIDIA Jetson gibi cihazlardaki ticari uygulamalar.
• Çok Görevli Görü Uygulamaları: Tek bir birleşik framework içinde algılama, bölütleme, poz tahmini ve OBB gerektiren projeler.
• Hızlı Prototipleme ve Dağıtım: Kolaylaştırılmış Ultralytics Python API kullanarak veri toplamadan üretime hızla geçmesi gereken ekipler.

Ultralytics (YOLO26) Ne Zaman Seçilmeli?#

Yeni projelerin çoğu için Ultralytics YOLO26, performans ve geliştirici deneyiminin en iyi birleşimini sunar:

• NMS'siz Uç Dağıtımı: Maksimum Olmayan Bastırma son işleme karmaşıklığı olmadan tutarlı ve düşük gecikmeli çıkarım gerektiren uygulamalar.
• Yalnızca CPU Kullanılan Ortamlar: Özel GPU hızlandırması olmayan ve YOLO26'nın %43'e varan daha hızlı CPU çıkarımının belirleyici bir avantaj sağladığı cihazlar.
• Küçük Nesne Algılama: ProgLoss ve STAL'ın küçük nesnelerde doğruluğu önemli ölçüde artırdığı hava drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolar.

Geleceğe Bakış: YOLO26'nın Gelişi#

Yeni bir projeye başlıyorsan görsel yapay zekânın yeni neslini de değerlendirmelisin: Ultralytics YOLO26. Ocak 2026'da yayımlanan YOLO26, her iki yaklaşımın en iyi yönlerini bir araya getirir. RTDETRv2 gibi son işleme gecikmesini tamamen ortadan kaldıran bir Uçtan Uca NMS İçermeyen Tasarım sunar; bu tasarım ilk olarak YOLOv10 tarafından kullanıma sunulmuştur, ancak YOLO26 bunu bir CNN'in eşsiz hızıyla birleştirir.

YOLO26, LLM eğitimindeki yeniliklerden ilham alan MuSGD Optimizer ile son derece kararlı ve hızlı yakınsama sağlar ve Distribution Focal Loss'u (DFL) kaldırarak %43'e Kadar Daha Hızlı CPU Çıkarımı sunar. Küçük nesne tanımayı büyük ölçüde geliştiren özel ProgLoss + STAL kayıp fonksiyonları sayesinde YOLO26, modern tüm bilgisayarlı görü işlem hatları için nihai öneridir.

Kanıtlanmış çok yönlülüğü için YOLO11'i, dikkat mekanizmaları için RTDETRv2'yi veya uç performansında en son teknoloji için YOLO26'yı seç; Ultralytics belgeleri, bilgisayarlı görü yolculuğunda başarılı olman için gereken tüm kaynakları sunar.