RTDETRv2 ile YOLO26
Gerçek zamanlı nesne algılama modelleri hız, doğruluk ve dağıtım verimliliğine göre değerlendirilir. Bu sayfa, güncel iki yaklaşımı karşılaştırıyor: Transformer tabanlı RTDETRv2 ve uç dağıtım için tasarlanmış bir evrişimli sinir ağı (CNN) olan Ultralytics YOLO26. Sonraki bilgisayarlı görü projen için doğru modeli seçmene yardımcı olmak üzere mimarileri, performans metriklerini ve ideal kullanım senaryolarını ele alıyor.
RTDETRv2: Gerçek Zamanlı Algılama Transformer'ları#
RTDETRv2, özgün RT-DETR mimarisini geliştirerek görüntü Transformer'larının küresel bağlamı anlama yeteneğini gerçek zamanlı uygulamalar için gereken hızla birleştirir.
Temel Özellikler:
- Yazarlar: Wenyu Lv, Yian Zhao, Qinyao Chang, Kui Huang, Guanzhong Wang ve Yi Liu
- Kurum: Baidu
- Tarih: 2024-07-24
- Bağlantılar: arXiv, GitHub, Belgeler
Mimari ve Güçlü Yönler#
Geleneksel bağlantı kutusu temelli algılayıcılardan farklı olarak RTDETRv2, son işleme sırasında Maksimum Olmayan Bastırma (NMS) gereksinimini ortadan kaldıran Transformer tabanlı bir yaklaşım kullanır. Dikkat mekanizması, karmaşık sahneleri ve üst üste binen nesneleri işlemesine yardımcı olur. "Bedava Kazanımlar Paketi" eğitim iyileştirmeleri, COCO veri kümesinde doğruluğu artırırken üst düzey GPU'larda çıkarım hızlarını kullanışlı düzeyde tutar.
Sınırlamalar#
RTDETRv2 kıyaslama testlerinde güçlü sonuçlar elde eder ancak üretimde çalıştırılması daha zor olabilir. Transformer mimarileri, eğitim ve çıkarım sırasında genellikle CNN'lerden daha fazla bellek kullanır; bu da kaynakları kısıtlı uç yapay zekâ cihazlarına dağıtımı zorlaştırabilir. Transformer'ları eğitmek genellikle daha büyük toplu iş boyutları ve daha fazla CUDA belleği gerektirir; bu da donanım kısıtlı olduğunda darboğaz oluşturabilir.
RTDETRv2 hakkında daha fazla bilgi edin
YOLO26: Uç Öncelikli Görsel Yapay Zekâ#
Ocak 2026'da yayımlanan Ultralytics YOLO26, en yeni Ultralytics YOLO modelidir ve yeni projeler için önerilir. Tasarımı, üretime kolay dağıtımı ve uç donanımda verimli çıkarımı hedefler.
Temel Özellikler:
- Yazarlar: Glenn Jocher ve Jing Qiu
- Kuruluş: Ultralytics
- Tarih: 14 Ocak 2026
- Bağlantılar: GitHub, Belgeler
Mimari Yenilikler#
YOLO26, model dağıtımında sık karşılaşılan sorunları ele alan çeşitli değişiklikler sunar:
- Uçtan Uca NMS'siz Tasarım: YOLOv10'un YOLO modellerine kazandırdığı NMS'siz eğitim yaklaşımını temel alan YOLO26, yerel uçtan uca çıkarımı destekler. İsteğe bağlı bire bir başlığı (
nms=False), NMS son işlemesini atlar; bu da gecikme değişkenliğini azaltır ve üretimde çıkarım sürelerini daha öngörülebilir hâle getirir. - CPU'da %43'e Varan Hızlı Çıkarım: Mimari iyileştirmeler ve Distribution Focal Loss'un (DFL) kaldırılması, YOLO26n'i CPU'da YOLO11n'den %43'e kadar daha hızlı hâle getirir; bu da özel GPU'ları olmayan uç bilişim cihazları için uygundur.
- MuSGD Optimizasyonu: Moonshot AI'ın Kimi K2'si gibi büyük dil modeli (LLM) eğitim tekniklerinden esinlenen YOLO26, daha kararlı eğitim ve daha hızlı yakınsama için SGD ile Muon'un hibriti olan MuSGD optimizasyonunu kullanır.
- ProgLoss + STAL: Aşamalı Kayıp ve Küçük Nesne Farkındalıklı Etiket Ataması (STAL), küçük nesnelerin tanınmasını iyileştirir; bu, hava görüntülerini ve dron tabanlı gözetimi içeren uygulamalar için önemlidir.
YOLO26, standart algılamanın ötesinde göreve özgü iyileştirmeler içerir: segmentasyon görevleri için anlamsal segmentasyon kaybı ve çok ölçekli proto modülü, poz tahmini için Artık Log-Olasılık Tahmini (RLE) ve Yönlendirilmiş Sınırlayıcı Kutu (OBB) algılamasındaki sınır sorunlarını gideren özel bir açı kaybı.
Performans Karşılaştırması#
Aşağıdaki tablo, COCO doğrulama kümesindeki doğruluk (mAP) ve hesaplama verimliliğini karşılaştırır. Karşılaştırılabilir her boyutta YOLO26, daha düşük TensorRT gecikmesiyle RTDETRv2'den daha yüksek mAP değerine ulaşır.
| Model | boyut (piksel) | mAPval50-95 | Hız CPU ONNX (ms) | Hız T4 TensorRT10 (ms) | parametre (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 |
| YOLO26n | 640 | 40.9 | 38.9 | 1.7 | 2.4 | 5.5 |
| YOLO26s | 640 | 48.6 | 87.2 | 2.5 | 9.5 | 20.9 |
| YOLO26m | 640 | 53.1 | 220.0 | 4.7 | 20.4 | 68.4 |
| YOLO26l | 640 | 55.0 | 286.2 | 6.2 | 24.8 | 86.8 |
| YOLO26x | 640 | 57.5 | 525.8 | 11.8 | 55.7 | 194.4 |
YOLO26x 57.5 mAP değerine ulaşır; bu, RTDETRv2-x'ten 3.2 puan daha yüksektir. Ayrıca daha az parametreye (55.7M'ye karşı 76M) sahiptir ve TensorRT çıkarımını daha hızlı gerçekleştirir (11.8 ms'ye karşı 15.03 ms). YOLO26 genellikle daha az bellek de kullanır; bu da onu gerçek zamanlı uç dağıtımlar için daha uygun hâle getirir.
Ekosistem ve Kullanım Kolaylığı#
Ham performansın ötesinde, modelin çevresindeki ekosistem, modelin araştırmadan üretime ne kadar hızlı geçtiğini belirler. Ultralytics Platform, Ultralytics modelleri için veri kümesi etiketleme, eğitim ve dağıtımı tek bir yerde bir araya getirir.
Bakımı Düzenli Yapılan, Bütünleşik Bir Ekosistem#
RTDETRv2 öncelikle bir araştırma deposudur; özel görevler için karmaşık ortam kurulumu ve elle betik yazımı gerektirebilir. Ultralytics YOLO26, eğitim, doğrulama, tahmin ve dışa aktarma için basit bir API sunan, olgun ve kapsamlı biçimde test edilmiş bir Python paketinde sunulur.
Weights & Biases ve Comet için yerleşik entegrasyonlarla deney takibi de pakete dâhildir. RTDETRv2 nesne algılamaya odaklanırken YOLO26, aynı çerçeve içinde örnek segmentasyonunu, anlamsal segmentasyonu, derinlik tahminini, görüntü sınıflandırmasını, poz tahminini ve OBB algılamasını da destekler.
Kod Örneği: Sadelik iş başında#
Ultralytics Python API'si modelleri yükler, çıkarım gerçekleştirir ve birkaç satır kodla modelleri dışa aktarır; aynı paket hem RT-DETR'yi hem de YOLO26'yı çalıştırır.
from ultralytics import RTDETR, YOLO
# Bir RT-DETR modeli yükle
model_rtdetr = RTDETR("rtdetr-l.pt")
# YOLO26 modelini yükle
model_yolo = YOLO("yolo26n.pt")
# Bir görüntü üzerinde çıkarım yap
results_rtdetr = model_rtdetr("https://ultralytics.com/images/bus.jpg")
results_yolo = model_yolo("https://ultralytics.com/images/bus.jpg")
# YOLO26 sonuçlarını görüntüle
results_yolo[0].show()
# YOLO26'yı ONNX biçimine aktar
model_yolo.export(format="onnx")Kullanım Alanları ve Öneriler#
RT-DETR ile YOLO26 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.
YOLO26'yı Ne Zaman Seçmeli?#
YOLO26 şu durumlar için önerilir:
- 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 YOLO26'nın (YOLO26n ile YOLO11n karşılaştırıldığında) %43'e varan daha hızlı CPU çıkarımı belirleyici bir avantaj sağlar.
- Küçük Nesne Algılama: Havadan drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolarda ProgLoss ve STAL, küçük nesnelerin doğruluğunu artırır.
Diğer Mimarileri İnceleme#
YOLO26 önerilen başlangıç noktasıdır, ancak önceki modeller de kullanışlı olmaya devam eder. YOLO11 hâlâ tam olarak desteklenir ve üzerine kurulu mevcut sistemler için uygundur; ayrıntılar için RT-DETR ile YOLO11 karşılaştırmasına bak. Daha eski mimariler için EfficientDet ile YOLO26 karşılaştırması, nesne algılama mimarilerinin ne kadar ilerlediğini gösterir.
Son Düşünceler#
Hem RTDETRv2 hem de YOLO26, gerçek zamanlı nesne algılamayı ileriye taşır. Üretime sorunsuz geçişe, düşük bellek kullanımına ve geniş görev desteğine öncelik veren ekipler için Ultralytics YOLO26 önerilir. İsteğe bağlı NMS'siz çıkarımı, CPU'daki yüksek hızı ve Ultralytics ekosistemi, bulut sunucusunda veya kaynakları kısıtlı bir Raspberry Pi üzerinde çalışsalar da görüntü yapay zekâ projelerinin ölçeklenmesine yardımcı olur.
Yorumlar
Bir soru sor, sonuçlarını paylaş veya başka birine yardım et.