Başla

RTDETRv2 ile YOLO11

Yeni bilgisayarlı görü mimarileri, uç cihazlarda ve bulut sunucularında mümkün olanları geliştirmeye devam ediyor. RTDETRv2 ve YOLO11, gerçek zamanlı nesne algılamada yaygın olarak kullanılan iki seçenektir. Her ikisi de iyi performans gösterir, ancak farklı mimari yaklaşımları temsil eder: Transformer tabanlı bir algılayıcıya karşı yüksek düzeyde optimize edilmiş bir evrişimli sinir ağı (CNN).

Bu karşılaştırma, doğru modeli seçmene yardımcı olmak için her iki modelin mimarisini, performans ölçütlerini, eğitim yöntemlerini ve ideal kullanım alanlarını ele alır.

RTDETRv2: Transformer Tabanlı Rakip#

Özgün Gerçek Zamanlı Algılama Transformer'ının geliştirilmiş bir sürümü olarak sunulan RTDETRv2, CNN omurgasından gelen çok ölçekli özelliklere dikkat mekanizmaları uygular. Hibrit kodlayıcısı ve Transformer kod çözücüsü, küresel görüntü bağlamını yakalar; bu, karmaşık sahnelerde yoğun biçimde örtüşen nesneleri algılamaya yardımcı olur.

Model Ayrıntıları:

Mimari Güçlü ve Zayıf Yönleri#

RTDETRv2'nin temel yeniliği, uçtan uca NMS'siz mimarisidir. Maksimum Olmayan Bastırma (NMS) yöntemini kaldırarak son işleme hattını basitleştirir. Ayrıca, çok ölçekli özellik çıkarma yetenekleri özgün RT-DETR modeline kıyasla iyileştirilmiştir; bu sayede farklı boyutlardaki nesneleri daha iyi belirleyebilir.

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

RTDETRv2 hakkında daha fazla bilgi edin

Ultralytics YOLO11: CNN Verimliliği#

Önceki YOLO araştırmalarını temel alan Ultralytics YOLO11, esnek ve geliştirici dostu Ultralytics ekosistemini korurken daha iyi bir hız-doğruluk dengesi için CNN mimarisini geliştirir.

Model Ayrıntıları:

Ultralytics Avantajı#

YOLO11'in temel gücü Performans Dengesidir. Hız ve doğruluk arasındaki dengesi, büyük bulut bilişim kümelerinden hafif mobil cihazlara kadar çok çeşitli dağıtım senaryolarına uygundur.

Ultralytics YOLO modelleri eğitim ve çıkarım sırasında daha az bellek de kullanır. VRAM'i hızla tüketebilen Transformer modellerinin aksine YOLO11, standart GPU'larda daha büyük toplu işlem boyutlarına olanak tanır. YOLO11, nesne algılamanın ötesinde Çok Yönlülük de sunar ve Örnek Segmentasyonu, Görüntü Sınıflandırma, Poz Tahmini ve Yönlendirilmiş Sınırlayıcı Kutular (OBB) için yerel destek sağlar.

Performans ve Metrik Karşılaştırması#

Aşağıdaki tablo, COCO doğruluğunu ve hızını karşılaştırır. RTDETRv2 küçük ve orta ölçeklerde biraz daha doğruyken YOLO11, nano sürümü de dâhil olmak üzere beş model boyutu sunar ve karşılaştırılabilir her boyutta daha düşük TensorRT gecikmesine sahiptir.

Modelboyut
(piksel)
mAPval50-95Hız
CPU ONNX
(ms)
Hız
T4 TensorRT10
(ms)
parametre
(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, 54.7% mAPval değerine ulaşır; bu, RTDETRv2-x'ten 0.4 puan daha yüksektir. Ayrıca daha az FLOP'a (195.3B'ye karşı 259B) sahiptir ve TensorRT çıkarımını daha hızlı gerçekleştirir (11.3 ms'ye karşı 15.03 ms). YOLO11l, RTDETRv2-l ile 53.4% değerinde eşleşirken 9.76 ms yerine 6.2 ms'de çalışır; RTDETRv2-s ve -m ise YOLO11s ve -m'yi 1.1 ve 0.4 puanla, 1.6-2 kat daha yüksek gecikmeyle geride bırakır. YOLO11'in nano ve küçük sürümleri, Raspberry Pi gibi kaynakları kısıtlı cihazlar için hafif seçeneklerdir.

Ekosistem, Kullanım Kolaylığı ve Eğitim#

Ultralytics modelleri, kullanıcıların kolayca kullanabilmesi için tasarlanmıştır. ultralytics Python paketi, veri artırma, dağıtık eğitim ve model dışa aktarma işlemlerini gerçekleştiren birleşik bir API sunar. RTDETRv2'nin araştırma deposu daha fazla şablon kodu ve yapılandırma gerektirirken Ultralytics, veriden dağıtıma kadar eksiksiz bir işlem hattı sağlar.

Ultralytics paketi, YOLO modellerinin yanı sıra RT-DETR modellerini de çalıştırır; böylece her ikisi de deney takibi için Weights & Biases ve Comet entegrasyonlarını içeren Ultralytics'in İyi Bakımlı Ekosisteminden yararlanabilir.

from ultralytics import RTDETR, YOLO

# Ultralytics API'si üzerinden bir RTDETR modeli yükle
model_rtdetr = RTDETR("rtdetr-l.pt")

# Yüksek düzeyde optimize edilmiş bir YOLO11 modelini yükle
model_yolo = YOLO("yolo11n.pt")

# YOLO11'i bellek kullanımını yüksek verimlilikle yöneterek eğit
results = model_yolo.train(data="coco8.yaml", epochs=100, imgsz=640)

# Eğitilmiş YOLO modelini ONNX biçimine aktar
model_yolo.export(format="onnx")
İş Akışını Kolaylaştır

Makine öğreniminde eğitim verimliliği önemlidir. Ultralytics modelleri önceden eğitilmiş ağırlıklarla başlar; bu nedenle özel veriler üzerindeki aktarım öğrenmesi hızla yakınsar. Veri kümelerini, eğitim çalışmalarını ve dağıtım uç noktalarını kod yazmadan yönetmek için entegre bir MLOps iş akışı sunan Ultralytics Platform'u kullan.

Gerçek Dünya Uygulamaları#

Bu mimariler arasında seçim yapmak çoğu zaman projenin özel dağıtım kısıtlamalarına bağlıdır.

RTDETRv2'nin Öne Çıktığı Alanlar: RTDETRv2'nin Transformer omurgası, küresel bağlamın gerekli olduğu yoğun, büyük ölçüde örtüşen nesnelerin bulunduğu senaryolarda son derece etkilidir. Genellikle akademik araştırmalarda ve hesaplama bütçesinden çok nesneler arasındaki ilişkilerin modellenmesinin önemli olduğu uygulamalarda kullanılır.

YOLO11'in Öne Çıktığı Alanlar: YOLO11, pratik ve gerçek dünya dağıtımları için uygundur. Düşük bellek kullanımı ve hızlı çıkarımı şu alanlarda kullanılmasını elverişli kılar:

  • Akıllı Üretim: Endüstriyel bilgisayarlar kullanarak üretim hatlarında gerçek zamanlı kusur algılama.
  • Tarım: Gerçek zamanlı ürün sağlığı takibi ve otomatik hasat robotları için dronlarda dağıtım.
  • Perakende Analitiği: Büyük sunucu kümeleri gerektirmeden kuyruk yönetimi ve envanter takibi için birden fazla kamera akışını eşzamanlı işleme.

Kullanım Alanları ve Öneriler#

RT-DETR ile YOLO11 arasında seçim yapmak; projenin özel gereksinimlerine, dağıtım kısıtlamalarına ve ekosistem tercihlerine bağlıdır.

RT-DETR Ne Zaman Seçilmeli?#

RT-DETR şu durumlar için güçlü bir seçenektir:

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

YOLO11'i Ne Zaman Seçmeli#

YOLO11 şu durumlar için önerilir:

  • Üretim Ortamında Uç Dağıtım: Güvenilirliğin ve etkin bakımın kritik olduğu Raspberry Pi veya NVIDIA Jetson gibi cihazlardaki ticari uygulamalar.
  • Çoklu Görevli Görü Uygulamaları: Algılama, segmentasyon, sınıflandırma, poz tahmini ve OBB'yi tek bir birleşik çatı içinde gerektiren projeler.
  • Hızlı Prototipleme ve Dağıtım: Akıcı Ultralytics Python API aracılığıyla veri toplamadan üretime hızla geçmesi gereken ekipler.

Ultralytics'i (YOLO26) Ne Zaman Seçmeli#

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

  • NMS Olmadan Uç Dağıtımı: Maksimum Olmayan Bastırma son işleminin karmaşıklığı olmadan tutarlı ve düşük gecikmeli çıkarım gerektiren uygulamalar.
  • Yalnızca CPU Kullanılan Ortamlar: Özel GPU hızlandırması olmayan cihazlarda YOLO26n'in CPU'da YOLO11n'den %43'e kadar daha hızlı çıkarım yapması belirleyici bir avantaj sağlar.
  • Küçük Nesne Algılama: Havadan drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolarda ProgLoss ve STAL, küçük nesnelerin doğruluğunu artırır.

İleriye Bakış: YOLO26'nın Gelişi#

Yeni bir projeye başlıyorsan, Ocak 2026'da yayımlanan ve önerilen Ultralytics modeli olan Ultralytics YOLO26'yı da değerlendirebilirsin. Her iki yaklaşımdan fikirleri bir araya getirir: İsteğe bağlı Uçtan Uca NMS'siz bir başlık (nms=False, YOLO modellerine YOLOv10 tarafından kazandırıldı), RTDETRv2 gibi NMS son işlemesini ortadan kaldırırken CNN hızını korur.

YOLO26, kararlı ve hızlı yakınsama için LLM eğitim tekniklerinden esinlenen MuSGD Optimizasyonunu kullanır; Distribution Focal Loss'un (DFL) kaldırılması sayesinde YOLO26n, YOLO11n'den CPU'da %43'e Varan Hızlı Çıkarım sunar. Aşamalı Kayıp ve Küçük Nesne Farkındalıklı Etiket Ataması (ProgLoss + STAL), küçük nesnelerin tanınmasını iyileştirerek YOLO26'yı yeni bilgisayarlı görü işlem hatları için önerilen seçenek hâline getirir.

Kanıtlanmış çok yönlülüğü nedeniyle YOLO11'i, dikkat mekanizmaları nedeniyle RTDETRv2'yi veya uç performansı nedeniyle YOLO26'yı seçsen de Ultralytics belgeleri, YOLO11, YOLO26 ve özgün RT-DETR için eğitim ve dağıtım bilgilerini kapsar.

Katkıda Bulunanlar

Yorumlar1

Bir soru sor, sonuçlarını paylaş veya başka birine yardım et.

  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! 😊