RTDETRv2 ve YOLOv5#

Bilgisayarlı görü alanının gelişimi, büyük ölçüde doğruluk ile gerçek zamanlı çıkarım hızını dengeleme konusundaki aralıksız arayışla şekillendi. RTDETRv2 ile Ultralytics YOLOv5 karşılaştırıldığında geliştiriciler, esasen Transformer mimarilerinin gelişmiş küresel bağlam yetenekleri ile Evrişimli Sinir Ağlarının (CNNs) yüksek düzeyde optimize edilmiş ve sahada kendini kanıtlamış verimliliği arasında seçim yapmış olur.

Bu kılavuz, önde gelen bu iki mimarinin performans ölçümlerini, eğitim yöntemlerini, bellek gereksinimlerini ve ideal dağıtım senaryolarını ayrıntılı bir teknik analizle ele alarak, kullanım durumuna en uygun nesne algılama modelini seçmene yardımcı olur.

RTDETRv2: Gerçek Zamanlı Tespit için Transformer Yaklaşımı#

Orijinal Gerçek Zamanlı Tespit Transformer'ı (RT-DETR) temel alan RTDETRv2, çıkarım gecikmesinden ödün vermeden temel mimariyi iyileştirmek için bir dizi "ücretsiz avantaj" sunar.

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

Mimari ve Yetenekler#

RTDETRv2, hibrit bir CNN-Transformer mimarisinden yararlanır. CNN, ayrıntılı görsel özellikleri çıkarmak için omurga görevi görürken Transformer kodlayıcı-kod çözücü katmanları, küresel bağlamı anlamak üzere özellik haritasının tamamını işler. RTDETRv2'nin başlıca özelliklerinden biri uçtan uca yapısıdır; bu yapı, Maksimum Olmayan Bastırma (NMS) son işleme adımına duyulan ihtiyacı tamamen ortadan kaldırır.

RTDETRv2, özellikle nesnelerin üst üste bindiği karmaşık ve yoğun sahnelerde etkileyici bir doğruluk sağlasa da dikkate değer ödünleşimleri beraberinde getirir. Transformer'lara özgü dikkat mekanizması, eğitim sırasında standart CNN'lere kıyasla önemli ölçüde daha fazla CUDA belleği gerektirir. Ayrıca NVIDIA A100 veya T4 gibi üst düzey GPU'larda iyi performans gösterse de mimarisi standart CPU'larda belirgin biçimde daha yavaştır ve uç cihazlarda ciddi kısıtlamalara tabidir.

RTDETRv2 hakkında daha fazla bilgi edin

Ultralytics YOLOv5: Verimlilikte Sektör Standardı#

Ultralytics YOLOv5 piyasaya sürüldüğünde uygulamalı makine öğrenimi alanını temelden değiştirdi ve son derece sezgisel bir çerçeve aracılığıyla yüksek performanslı bilgisayarlı görüyü dünya çapındaki geliştiriciler için erişilebilir hâle getirdi.

• Yazar: Glenn Jocher
• Kuruluş: Ultralytics
• Tarih: 26 Haziran 2020
• Bağlantılar: Resmî Belgeler, GitHub Deposu

Ekosistem ve Performans Dengesi#

YOLOv5 tamamen PyTorch çerçevesi üzerine kuruludur ve son derece verimli bir CNN mimarisinden yararlanır. Baştan sona kullanım kolaylığı için tasarlanmış olup sadeleştirilmiş bir API'ye ve yapay zekâ sektöründeki en kapsamlı belgelerden bazılarına sahiptir.

YOLOv5'in en büyük avantajı, eşsiz çok yönlülüğü ve düşük bellek gereksinimleridir. Bir YOLOv5 modelini eğitmek, Transformer tabanlı modellere kıyasla çok daha az VRAM gerektirir; bu da sınırlı donanım bütçelerine sahip araştırmacılar ve mühendisler için erişilebilir olmasını sağlar. Ayrıca RTDETRv2 yalnızca sınırlayıcı kutu algılamaya odaklanırken YOLOv5, örnek segmentasyonu ve görüntü sınıflandırmayı destekleyen çok yönlü bir güç merkezine dönüşmüştür.

Performans ve Metrik Karşılaştırması#

Standart COCO veri kümesinde ham performansı analiz ettiğimizde, bu modellerin kaynaklara hangi öncelikleri verdiği konusunda net farklılıklar görebiliriz.

Ödünleşimlerin Analizi#

Veriler, RTDETRv2-x'in %54,3'lük bir ortalama Hassasiyet (mAP) değerine ulaşarak YOLOv5x'in %50,7'lik değerini az farkla geçtiğini gösteriyor. Ancak bu küçük doğruluk kazanımı, çok yüksek bir hesaplama maliyeti karşılığında elde edilir. YOLOv5x daha düşük gecikmeyle çalışır (TensorRT üzerinde 15,03 ms'ye karşı 11,89 ms) ve bellek ayak izinin yalnızca küçük bir bölümünü gerektirir. Ultra düşük güçlü uç dağıtımlar için YOLOv5n (Nano) rakipsizliğini korur; yalnızca 2,6 milyon parametreyle çıkarımları 1,12 ms içinde tamamlar. RTDETRv2 ise bu seviyede rekabet etmeye dahi çalışmaz.

Eğitim Verimliliği ve Kod Sadeliliği#

Ultralytics ekosisteminin temel güçlü yönlerinden biri birleşik API'sidir. Belirli ve yüksek hesaplama gerektiren bir görev için RT-DETR'nin Transformer mimarisini kullanmaya karar versen bile bunu tamamen Ultralytics Python paketi içinde yapabilir, modeller arasında yalnızca tek satır kodla sorunsuzca geçiş yapabilirsin.

from ultralytics import RTDETR, YOLO

# Load the Ultralytics YOLOv5 small model
model_yolo = YOLO("yolov5s.pt")

# Load the RT-DETR large model via Ultralytics
model_rtdetr = RTDETR("rtdetr-l.pt")

# Train YOLOv5 effortlessly on your custom data
model_yolo.train(data="coco8.yaml", epochs=100, imgsz=640)

# Run inference with both models seamlessly
results_yolo = model_yolo("https://ultralytics.com/images/bus.jpg")
results_rtdetr = model_rtdetr("https://ultralytics.com/images/bus.jpg")

results_yolo[0].show()

Ultralytics kütüphanesinden yararlanan geliştiriciler, deney izleme entegrasyonlarını (Weights & Biases ve Comet ML gibi) ve ONNX ile OpenVINO gibi dağıtım biçimlerine tek tıklamayla dışa aktarmayı içeren, bakımı iyi yapılan bir ekosisteme otomatik olarak erişim kazanır.

Gerçek Dünya Uygulamaları ve İdeal Kullanım Alanları#

RTDETRv2'nin Öne Çıktığı Alanlar#

RTDETRv2, donanım kısıtlarının bulunmadığı ve mümkün olan en yüksek hassasiyetin tek hedef olduğu ortamlar için en uygunudur.

• Sunucu Taraflı Tıbbi Görüntüleme: Yüksek çözünürlüklü röntgenlerde mikroskobik anormallikleri algılama.
• Uydu Görüntüleri: Güçlü bulut kümelerinde hava gözetimi görevleri sırasında yoğun ve üst üste binen nesneleri takip etme.

YOLOv5'in Üstün Olduğu Alanlar#

YOLOv5, farklı donanımlar arasındaki pratik ve gerçek dünya dağıtımlarının tartışmasız şampiyonudur.

• Uç Yapay Zekâ Cihazları: Belleğin kesin olarak sınırlı olduğu Raspberry Pi veya NVIDIA Jetson cihazlarında güvenlik alarm sistemleri dağıtma.
• Mobil Uygulamalar: CoreML veya TFLite aracılığıyla doğrudan akıllı telefonlarda hızlı, gerçek zamanlı sınırlayıcı kutu ve segmentasyon çıkarımı çalıştırma.
• Yüksek Hızlı Endüstriyel Üretim: Milisaniye düzeyindeki gecikmenin operasyonel başarı için kritik olduğu hızlı üretim hatlarında parçaları denetleme.

Sonuç olarak RTDETRv2, Transformer katmanlarını kullanarak doğruluk tavanını yükseltirken Ultralytics YOLO çerçevesi hız, düşük bellek gereksinimi ve prototipten üretime geçiş süresini önemli ölçüde kısaltan, mükemmel şekilde tasarlanmış bir geliştirici deneyimi arasında eşsiz bir denge sunar.