RTDETRv2 ile YOLO11 karşılaştırması#

Bilgisayarlı görü dünyası sürekli gelişiyor; yeni mimariler, uç cihazlarda ve bulut sunucularında mümkün olanın sınırlarını zorluyor. Mevcut gerçek zamanlı nesne algılama alanındaki en önemli iki rakip RTDETRv2 ve YOLO11'dir. Her iki model de üstün performans sunsa da, temel olarak farklı mimari felsefeleri temsil ederler: Transformer tabanlı yaklaşım ile yüksek düzeyde optimize edilmiş Evrişimli Sinir Ağı (CNN).

Bu kapsamlı teknik karşılaştırmada, her iki modelin mimarilerini, performans metriklerini, eğitim yöntemlerini ve ideal kullanım durumlarını inceleyerek bir sonraki yapay zeka uygulamanız için bilinçli bir karar vermenize yardımcı olacağız.

RTDETRv2: Transformer Tabanlı Meydan Okuyan#

Orijinal Real-Time Detection Transformer'ın bir evrimi olarak tanıtılan RTDETRv2, görsel verileri işlemek için dikkat (attention) mekanizmalarından yararlanır. Görüntü parçalarını diziler olarak ele alarak, karmaşık sahnelerdeki yoğun örtüşen nesneleri tespit etmek için oldukça faydalı olan küresel bir görüntü bağlamı anlayışı sağlar.

Model Detayları:

• 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 Documentation

Mimari Güçlü ve Zayıf Yönler#

RTDETRv2'nin temel inovasyonu uçtan uca NMS içermeyen mimarisidir. Non-Maximum Suppression (NMS) adımını ortadan kaldırarak işleme sonrası (post-processing) boru hattını basitleştirir. Ayrıca çok ölçekli özellik çıkarma yetenekleri orijinal RT-DETR model modeline göre geliştirilmiş olup, farklı boyutlardaki nesneleri daha iyi tanımlamasını sağlar.

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

RTDETR hakkında daha fazla bilgi edinin

Ultralytics YOLO11: CNN Verimliliğinin Zirvesi#

Yılların temel araştırmaları üzerine inşa edilen Ultralytics, YOLO11'i YOLO serisinde ileriye doğru atılmış devasa bir adım olarak piyasaya sürdü. CNN mimarisini benzeri görülmemiş bir hız ve doğruluk elde edecek şekilde rafine ederken, topluluğun beklediği esnekliği ve geliştirici dostu ekosistemi koruyor.

Model Detayları:

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

Ultralytics Avantajı#

YOLO11, Performans Dengelemesi konusunda parlar. Hız ve doğruluk arasında olağanüstü bir takas elde ederek devasa cloud computing kümelerinden hafif mobil cihazlara kadar çeşitli gerçek dünyadaki dağıtım senaryoları için son derece çok yönlü hale gelir.

Dahası, Ultralytics YOLO modelleri eğitim ve çıkarım sırasında daha düşük bellek kullanımlarıyla ünlüdür. VRAM'i kolayca tüketebilen Transformer modellerinin aksine YOLO11, standart GPU'larda daha büyük toplu iş boyutlarına (batch sizes) izin verir. Ayrıca YOLO11 sadece nesne tespiti ile sınırlı değildir; Instance Segmentation, Image Classification, Pose Estimation ve Oriented Bounding Boxes (OBB) için yerel desteğe sahip inanılmaz bir Çok Yönlülük sunar.

YOLO11 hakkında daha fazla bilgi edinin

Performans ve Metrik Karşılaştırması#

Ham sayıları karşılaştırdığımızda, RTDETRv2'nin etkileyici bir doğruluk elde etmesine rağmen, YOLO11'in özellikle TensorRT üzerinde üstün çıkarım hızlarıyla çok daha ayrıntılı model boyutu seçenekleri sunduğu açıkça görülmektedir.

Tabloda görüldüğü gibi YOLO11x modeli, RTDETRv2-x varyantına kıyasla daha az FLOP (194.9B'ye karşılık 259B) kullanırken ve TensorRT üzerinde daha hızlı çıkarım (11.3ms'ye karşılık 15.03ms) sağlarken 54.7% gibi üstün bir mAP^val elde eder. Nano ve küçük YOLO11 varyantları Raspberry Pi gibi kısıtlı cihazlar için benzersiz hafif seçenekler sunar.

Ekosistem, Kullanım Kolaylığı ve Eğitim#

ultralytics Python paketi; data augmentation, dağıtık eğitim ve model dışa aktarma işlemlerinin ağır yükünü kaldıran birleşik, sezgisel bir API sağlar. RTDETRv2'nin araştırma deposu önemli miktarda şablon kod (boilerplate) ve yapılandırma gerektirirken Ultralytics "sıfırdan kahramanlığa" uzanan bir boru hattı sunar.

İlginç bir şekilde Ultralytics ekosistemi o kadar güçlüdür ki RT-DETR modellerini YOLO modelleriyle birlikte çalıştırmayı yerel olarak destekler! Bu, deneyleri zahmetsizce takip etmek için Weights & Biases ve Comet ML entegrasyonları dahil olmak üzere Ultralytics'in İyi Bakımı Yapılan Ekosisteminden yararlanmanı sağlar.

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 arasında seçim yapmak genellikle projenin özel dağıtım kısıtlamalarına bağlıdır.

RTDETRv2'nin Öne Çıktığı Yerler: RTDETRv2'nin Transformer omurgası, küresel bağlamın gerekli olduğu yoğun ve ağır şekilde gizlenmiş nesnelerin bulunduğu senaryolarda oldukça etkilidir. Genellikle akademik araştırmalarda ve hesaplama bütçesinin ham dikkat tabanlı ilişki eşlemesinden daha az önemli olduğu uygulamalarda değerlendirilir.

YOLO11'in Hakim Olduğu Yerler: YOLO11, pratik, gerçek dünya dağıtımlarının tartışmasız şampiyonudur. Minimal bellek ayak izi ve ışık hızındaki çıkarım süreleri onu şu alanlar için ideal kılar:

• Smart Manufacturing: Endüstriyel bilgisayarlar kullanarak üretim hatlarında gerçek zamanlı kusur tespiti çalıştırma.
• Agriculture: Gerçek zamanlı ürün sağlığı izleme ve otomasyonlu hasat robotik teknolojisi için dronlarda dağıtım yapma.
• Retail Analytics: Devasa sunucu çiftliklerine ihtiyaç duymadan kuyruk yönetimi ve envanter takibi için birden fazla kamera akışını eşzamanlı olarak işleme.

Kullanım Durumları ve Öneriler#

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

RT-DETR Ne Zaman Seçilmeli#

RT-DETR şunlar için güçlü bir seçimdir:

• Transformer Tabanlı Algılama Araştırması: NMS olmadan uçtan uca nesne algılama için dikkat mekanizmalarını ve transformer mimarilerini keşfeden projeler.
• Esnek Gecikmeli Yüksek Doğruluklu Senaryolar: Algılama doğruluğunun en önemli öncelik olduğu ve biraz daha yüksek çıkarım gecikmesinin kabul edilebilir olduğu uygulamalar.
• Büyük Nesne Algılama: Transformer'ların küresel dikkat mekanizmasının doğal bir avantaj sağladığı, ağırlıklı olarak orta-büyük nesnelerin olduğu sahneler.

YOLO11 Ne Zaman Seçilmeli#

YOLO11 şunlar için önerilir:

• Üretim Ortamında Uç Dağıtımı: Güvenilirlik ve aktif bakımın çok önemli olduğu Raspberry Pi veya NVIDIA Jetson gibi cihazlardaki ticari uygulamalar.
• Çok Görevli Görüntü Uygulamaları: Tek bir birleşik çatı altında tespit, bölütleme, poz tahmini ve OBB gerektiren projeler.
• Hızlı Proototipleme ve Dağıtım: Kolaylaştırılmış Ultralytics Python API kullanarak veri toplamadan üretime hızlı bir şekilde geçmesi gereken ekipler.

Ultralytics (YOLO26) Ne Zaman Seçilmeli#

Çoğu yeni proje için Ultralytics YOLO26, performans ve geliştirici deneyiminin en iyi kombinasyonunu sunar:

• NMS-Free Uç Dağıtımı: Non-Maximum Suppression işlem sonrası karmaşıklığı olmadan tutarlı, düşük gecikmeli çıkarım gerektiren uygulamalar.
• Sadece CPU Ortamları: YOLO26'nın %43'e kadar daha hızlı CPU çıkarımının belirleyici bir avantaj sağladığı, özel GPU hızlandırması olmayan cihazlar.
• Küçük Nesne Tespiti: ProgLoss ve STAL'ın çok küçük nesneler üzerindeki doğruluğu önemli ölçüde artırdığı havadan drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolar.

Geleceğe Bakış: YOLO26'nın Gelişi#

Yeni bir projeye başlıyorsan vizyon yapay zekasının gelecek neslini de değerlendirmelisin: Ultralytics YOLO26. Ocak 2026'da piyasaya sürülen YOLO26 her iki dünyanın da en iyilerini bir araya getirir. RTDETRv2 gibi işleme sonrası gecikmeyi tamamen ortadan kaldıran ancak bir CNN'in eşsiz hızına sahip olan (ilk olarak YOLOv10 ile öncülük edilen) bir Uçtan Uca NMS İçermeyen Tasarım sunar.

YOLO26, LLM eğitim yeniliklerinden ilham alan MuSGD Optimizer özelliğine sahiptir, inanılmaz derecede kararlı ve hızlı yakınsama sağlar ve Distribution Focal Loss (DFL) özelliğini kaldırarak %43'e kadar Daha Hızlı CPU Çıkarımı sunar. Küçük nesne tanımayı büyük ölçüde geliştiren özelleşmiş ProgLoss + STAL kayıp fonksiyonlarıyla YOLO26, modern her bilgisayarlı görü hattı için nihai öneridir.

Kanıtlanmış çok yönlülüğü için YOLO11'i, dikkat mekanizmaları için RTDETRv2'yi veya nihai uç performans için son teknoloji YOLO26'yı seç; Ultralytics documentation bilgisayarlı görü yolculuğunda başarılı olman için gereken tüm kaynakları sağlar.