RTDETRv2 ve YOLOv5
Bilgisayarlı görü alanının gelişimi, büyük ölçüde doğruluk ile gerçek zamanlı çıkarım hızını dengeleme gereksinimiyle şekillendi. RTDETRv2 ile Ultralytics YOLOv5'i karşılaştıran geliştiriciler, transformer mimarilerinin küresel bağlam modellemesi ile evrişimsel sinir ağlarının (CNN) optimize edilmiş ve üretimde kendini kanıtlamış verimliliğini değerlendiriyor.
Bu kılavuz, performans ölçütlerini, eğitim yöntemlerini, bellek gereksinimlerini ve ideal dağıtım senaryolarını ele alarak özel kullanım durumuna en uygun nesne algılama modelini seçmene yardımcı olmak için iki mimariyi karşılaştırıyor.
RTDETRv2: Gerçek Zamanlı Algılamada Transformer Yaklaşımı#
Orijinal Gerçek Zamanlı Algılama Transformer'ı (RT-DETR) temel alan RTDETRv2, çıkarım gecikmesini artırmadan temel mimariyi geliştirmek için bir dizi "bedava kazanım" sunar.
- Yazarlar: Wenyu Lv, Yian Zhao, Qinyao Chang, Kui Huang, Guanzhong Wang ve Yi Liu
- Kurum: Baidu
- Tarih: 2024-07-24
- Bağlantılar: arXiv Makalesi, GitHub Deposu
Mimari ve Yetenekler#
RTDETRv2, hibrit bir CNN-Transformer mimarisi kullanır. CNN omurgası, ayrıntılı görsel özellikleri çıkarırken transformer kodlayıcı-kod çözücü katmanları küresel bağlamı yakalamak için özellik haritasının tamamını işler. RTDETRv2'nin ayırt edici özelliklerinden biri, Maksimum Olmayan Bastırma (NMS) son işlemesine duyulan ihtiyacı ortadan kaldıran uçtan uca tasarımıdır.
RTDETRv2, özellikle nesnelerin örtüştüğü karmaşık ve yoğun sahnelerde yüksek doğruluk sağlar; ancak bazı ödünleşimleri vardır. Transformer'ların doğasında bulunan dikkat mekanizması, eğitim sırasında standart CNN'lerden daha fazla CUDA belleği gerektirir. NVIDIA A100 veya T4 gibi GPU'larda iyi performans gösterse de standart CPU'larda ve kaynakları kısıtlı uç yapay zekâ cihazlarında belirgin biçimde daha yavaştır.
RTDETRv2 hakkında daha fazla bilgi edin
Ultralytics YOLOv5: Verimlilikte Sektör Standardı#
Ultralytics YOLOv5 yayımlandığında, yüksek performanslı bilgisayarlı görü uygulamalarını sezgisel ve kullanımı kolay bir çatı aracılığıyla dünya genelindeki geliştiricilerin erişimine sundu.
- Yazar: Glenn Jocher
- Kuruluş: Ultralytics
- Tarih: 26 Haziran 2020
- Bağlantılar: Resmî Belgeler, GitHub Deposu
Ekosistem ve Performans Dengesi#
YOLOv5 tamamen PyTorch çatısı üzerine kurulmuştur ve verimli bir CNN mimarisi kullanır. Basit bir API ve kapsamlı belgelerle kullanım kolaylığı sağlamak üzere en başından tasarlanmıştır.
YOLOv5'in başlıca avantajları çok yönlülüğü ve düşük bellek gereksinimleridir. Bir YOLOv5 modelini eğitmek, transformer tabanlı modellere göre çok daha az VRAM gerektirir; böylece sınırlı donanım bütçesine sahip araştırmacılar ve mühendisler de modeli kullanabilir. RTDETRv2 sınırlayıcı kutu algılamaya odaklanırken YOLOv5 deposu örnek segmentasyonunu (YOLOv5 v7.0'da eklendi) ve görüntü sınıflandırmayı da destekler.
Bulut eğitimi ve kod yazmadan dağıtım olanağı sunan Ultralytics Platform üzerinden YOLOv5'i doğrudan eğitebilir, doğrulayabilir ve dağıtabilirsin.
Performans ve Metrik Karşılaştırması#
Standart COCO veri kümesindeki performans, bu modellerin doğruluk ile kaynaklar arasında nasıl ödünleştiğini açıkça gösteriyor.
| 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 |
| YOLOv5n | 640 | 28.0 | - | 1.12 | 1.9 | 4.5 |
| YOLOv5s | 640 | 37.4 | - | 1.92 | 7.2 | 16.5 |
| YOLOv5m | 640 | 45.4 | - | 4.03 | 21.2 | 49.0 |
| YOLOv5l | 640 | 49.0 | - | 6.61 | 46.5 | 109.1 |
| YOLOv5x | 640 | 50.7 | - | 11.89 | 86.7 | 205.7 |
Ödünleşimlerin Analizi#
RTDETRv2-x, ortalama Hassasiyet Ortalamasında (mAP) %54.3'lük zirveye ulaşarak YOLOv5x'i (%50.7) 3.6 puan geride bırakıyor. YOLOv5x'in TensorRT gecikmesi daha düşük (11.89 ms'ye karşı 15.03 ms) ve FLOPs değeri daha az (205.7B'ye karşı 259B); ancak parametre sayısı daha fazla (86.7M'ye karşı 76M). Benzer gecikme düzeylerinde RTDETRv2 daha doğru: RTDETRv2-s, 5.03 ms'de %48.1'e ulaşırken YOLOv5m, 4.03 ms'de %45.4'e ulaşıyor. Düşük güç tüketimli uç dağıtımlarında YOLOv5n, 1.9M parametreyle 1.12 ms'de çalışıyor; RTDETRv2 bu boyut sınıfında bir model sunmuyor.
Eğitim Verimliliği ve Kodun Sadeligi#
Ultralytics ekosisteminin başlıca güçlü yanlarından biri birleşik API'sidir. Hesaplama yoğun bir görev için RT-DETR'nin transformer mimarisini seçsen bile modeli tamamen Ultralytics Python paketi içinde kullanabilir ve tek satır kodu değiştirerek modeller arasında geçiş yapabilirsin.
from ultralytics import RTDETR, YOLO
# Ultralytics YOLOv5 small modelini yükle
model_yolo = YOLO("yolov5su.pt") # YOLOv5u: ultralytics paketi için anchorsız YOLOv5 ağırlıkları
# RT-DETR large modelini Ultralytics üzerinden yükle
model_rtdetr = RTDETR("rtdetr-l.pt")
# Özel verilerinle YOLOv5'i eğit
model_yolo.train(data="coco8.yaml", epochs=100, imgsz=640)
# Her iki modelle de çıkarım çalıştır
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 takibi entegrasyonları (Weights & Biases ve Comet gibi) ve ONNX ile OpenVINO gibi dağıtım biçimlerine tek satırda dışa aktarma olanağı içeren, bakımı iyi yapılan bir ekosisteme otomatik olarak erişir.
Gerçek Dünya Uygulamaları ve İdeal Kullanım Alanları#
RTDETRv2'nin Öne Çıktığı Alanlar#
RTDETRv2, donanımın kısıt olmadığı ve temel hedefin doğruluk olduğu ortamlar için en uygun seçenektir.
- Sunucu Tarafında Tıbbi Görüntüleme: Yüksek çözünürlüklü röntgenlerdeki belirsiz anomalileri algılama.
- Uydu Görüntüleri: Güçlü bulut kümelerinde havadan gözetim görevleri için yoğun ve üst üste binen nesneleri izleme.
YOLOv5'in Öne Çıktığı Alanlar#
YOLOv5, farklı donanımlarda gerçek dünyada dağıtım için pratik bir seçenektir.
- Uç Yapay Zekâ Cihazları: Belleğin ciddi ölçüde kısıtlı olduğu Raspberry Pi veya NVIDIA Jetson cihazlarında güvenlik alarm sistemleri dağıtma.
- Mobil Uygulamalar: CoreML veya LiteRT aracılığıyla sınırlayıcı kutu ve segmentasyon çıkarımını doğrudan akıllı telefonlarda hızlı ve gerçek zamanlı olarak çalıştırma.
- Yüksek Hızlı Endüstriyel Üretim: Operasyonel başarı için milisaniyelik gecikmenin kritik olduğu hızlı üretim hatlarındaki parçaları inceleme.
YOLOv5 yaygın olarak kullanılmaya devam ediyor, ancak daha yeni Ultralytics modelleri de mevcut. 2026'da yeni bir proje için modelleri karşılaştırıyorsan önerilen model olan Ultralytics YOLO26'yı değerlendir. YOLO26, transformer'lara benzer ancak CNN hızı sunan isteğe bağlı tek-tek başlığıyla (nms=False) Uçtan Uca NMS'siz Tasarım sağlar, kararlı eğitim için MuSGD Optimizasyonunu kullanır ve YOLO26n, CPU çıkarımında YOLO11n'den %43'e kadar daha hızlıdır. Alternatif olarak YOLO11, Poz Tahmini ve OBB algılama gerektiren çok yönlü dağıtımlar için desteği güçlü bir seçenek olmaya devam ediyor.
Sonuç olarak RTDETRv2, transformer katmanlarıyla doğruluk sınırlarını zorlarken Ultralytics YOLO çatısı hız, düşük bellek gereksinimleri ve prototipten üretime geçişi kısaltan bir geliştirici deneyimi arasında güçlü bir denge sunuyor.
Yorumlar
Bir soru sor, sonuçlarını paylaş veya başka birine yardım et.