RTDETRv2 ve YOLOv5: Teknik Karşılaştırma

Nesne algılama alanındaki hızlı gelişmelerde, doğru modeli seçmek genellikle mimari karmaşıklık, çıkarım hızı ve pratik kullanılabilirlik arasında bir denge kurmayı içerir. Bu kılavuz, Baidu'dan transformatör tabanlı bir gerçek zamanlı detectör olan RTDETRv2 ile çok yönlülüğü ve yaygın olarak benimsenmesiyle bilinen Ultralytics'in efsanevi CNN tabanlı modeli YOLOv5 arasında kapsamlı bir teknik karşılaştırma sunmaktadır.

Performans Analizi: Hız - Doğruluk Karşılaştırması

Bu iki model arasındaki temel fark, mimari felsefelerinde yatmaktadır. RTDETRv2, kıyaslamalarda maksimum doğruluk hedefleyerek global bağlamı yakalamak için bir Vision Transformer (ViT) yaklaşımı kullanır. Buna karşılık, YOLOv5, çeşitli donanımlarda hız, verimlilik ve dağıtım kolaylığı dengesine öncelik vererek yüksek oranda optimize edilmiş bir Evrişimli Sinir Ağı (CNN) tasarımı kullanır.

Aşağıdaki tablo bu ayrımı göstermektedir. RTDETRv2, COCO veri kümesinde yüksek mAP puanları elde etse de, önemli ölçüde daha fazla işlem kaynağı gerektirir. YOLOv5, özellikle daha küçük varyantlarında (Nano ve Small), özellikle CPU'larda önemli ölçüde daha hızlı çıkarım hızları ve çok daha düşük bir bellek ayak izi sunarak onu gerçek dünya uygulamaları için pratik bir seçim haline getirir.

Model	boyut ^(piksel)	mAP^val 50-95	Hız ^{CPU ONNX (ms)}	Hız ^{T4 TensorRT10 (ms)}	parametreler ^(M)	FLOP'lar ^(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	73.6	1.12	2.6	7.7
YOLOv5s	640	37.4	120.7	1.92	9.1	24.0
YOLOv5m	640	45.4	233.9	4.03	25.1	64.2
YOLOv5l	640	49.0	408.4	6.61	53.2	135.0
YOLOv5x	640	50.7	763.2	11.89	97.2	246.4

Bellek Verimliliği

YOLOv5, RTDETRv2 gibi transformatör tabanlı modellere kıyasla eğitim için önemli ölçüde daha az CUDA belleği gerektirir. Bu daha düşük giriş engeli, geliştiricilerin özel modelleri standart tüketici GPU'larında veya hatta Google Colab gibi bulut tabanlı ortamlarda Bellek Dışı (OOM) hatalarına düşmeden eğitmelerine olanak tanır.

RTDETRv2: Transformer Meydan Okuyucusu

RTDETRv2 (Gerçek Zamanlı Algılama Dönüştürücü v2), dönüştürücülerin doğruluk avantajlarını gerçek zamanlı senaryolara taşıma çabasını temsil eder. Hibrit bir mimari kullanarak, genellikle Vizyon Dönüştürücüleri ile ilişkili yüksek hesaplama maliyetlerini azaltmaya çalışır.

Yazarlar: Wenyu Lv, Yian Zhao, Qinyao Chang, Kui Huang, Guanzhong Wang ve Yi Liu
Kuruluş: Baidu
Tarih: 2023-04-17
Arxiv:2304.08069
GitHub:RT-DETR Deposu
Belgeler:RTDETRv2 Dökümantasyonu

Mimari ve Güçlü Yönler

RTDETRv2, verimli özellik çıkarımı için bir CNN backbone'unu bir dönüştürücü kodlayıcı-kod çözücü ile birleştirir. Bu tasarım, modelin nesneler arasındaki küresel ilişkileri anlamak için kendinden dikkat mekanizmalarını kullanmasına olanak tanır; bu da tıkanıklık veya kalabalık olan karmaşık sahnelerde faydalı olabilir. Temel gücü, akademik ölçütlerdeki yüksek doğruluğudur; burada genellikle benzer ölçekteki CNN tabanlı modellerden saf mAP ölçümlerinde daha iyi performans gösterir.

Zayıflıklar

RTDETRv2 doğruluğuna rağmen, çok yönlülük ve kullanım kolaylığı açısından zorluklarla karşılaşır. Transformer mimarisi doğası gereği daha ağırdır, bu da daha yavaş eğitim sürelerine ve daha yüksek bellek tüketimine yol açar. Ayrıca, ekosistemi öncelikle araştırma odaklıdır ve daha olgun çerçevelerde bulunan kapsamlı araçlar, dağıtım desteği ve topluluk kaynaklarından yoksundur. Aynı zamanda öncelikle nesne tespitiyle sınırlıdır, oysa modern projeler genellikle aynı işlem hattı içinde segmentasyon veya sınıflandırma gerektirir.

RTDETRv2 hakkında daha fazla bilgi edinin

Ultralytics YOLOv5: Çok Yönlü Standart

YOLOv5, mevcut en pratik ve kullanıcı dostu bilgisayar görüşü modellerinden biri olarak kabul edilir. Ultralytics tarafından oluşturulan bu model, gelişmiş yapay zekayı hobicilerden kurumsal mühendislere kadar herkes için erişilebilir hale getirerek "eğit, dağıt ve bitir" deneyimine öncelik verir.

Yazarlar: Glenn Jocher
Kuruluş:Ultralytics
Tarih: 2020-06-26
GitHub:YOLOv5 Deposu
Belgeler:YOLOv5 Dökümantasyonu

Neden YOLOv5 Öne Çıkıyor

YOLOv5, makine öğrenimi operasyonlarına (MLOps) yönelik bütünsel yaklaşımı nedeniyle öne çıkmaktadır. Sadece bir model mimarisi değil, aynı zamanda eksiksiz bir ekosistemdir.

Kullanım Kolaylığı: Basit bir Python API ve komut satırı arayüzü ile kullanıcılar, özel veriler üzerinde dakikalar içinde eğitime başlayabilir.
Performans Dengesi: Model ailesi (Nano'dan X-Large'a kadar), kullanıcıların seçimlerini NVIDIA Jetson veya Raspberry Pi gibi belirli donanımlara göre uyarlamalarına olanak tanıyan mükemmel bir hız ve doğruluk gradyanı sunar.
Çok Yönlülük: RTDETRv2'nin aksine, YOLOv5 yerel olarak görüntü sınıflandırması ve örnek segmentasyonu dahil olmak üzere birden fazla görevi destekler ve farklı görme görevleri için ayrı kod tabanlarını koruma ihtiyacını azaltır.
Dışarı Aktarılabilirlik: Ultralytics, modellerin mobil uygulamalardan bulut sunucularına kadar her yerde dağıtılabilmesini sağlayan ONNX, TensorRT, CoreML ve TFLite'ye dışarı aktarım için yerleşik destek sağlar.

YOLOv5 hakkında daha fazla bilgi edinin

Kullanım Örneği

YOLOv5 basitlik için tasarlanmıştır. Aşağıda, Ultralytics'in bilinen sezgisel API'sini gösteren, önceden eğitilmiş bir modelin nasıl yükleneceğine ve PyTorch Hub kullanılarak çıkarımın nasıl çalıştırılacağına dair bir örnek verilmiştir.

import torch

# Load the YOLOv5s model from PyTorch Hub
model = torch.hub.load("ultralytics/yolov5", "yolov5s")

# Define an image URL
img = "https://ultralytics.com/images/zidane.jpg"

# Perform inference
results = model(img)

# Print results to the console
results.print()

# Show the image with bounding boxes
results.show()

Eğitim ve Ekosistemin Karşılaştırılması

Geliştirici deneyimi genellikle ham model performansı kadar kritiktir. Burada, farklılıklar belirgindir.

Eğitim Verimliliği

YOLOv5, eğitilmesi hesaplama açısından verimli olan ankraj tabanlı dedektörleri kullanır. Ultralytics çerçevesi, modellerin daha hızlı yakınsamasına ve daha az veriyle daha iyi genelleşmesine yardımcı olan mozaik artırma ve otomatik ankraj evrimi gibi "bedava hediyeler" içerir. Tersine, RTDETRv2'nin eğitimi, transformatörün dikkat katmanlarının kuadratik karmaşıklığı nedeniyle daha kaynak yoğundur ve genellikle önemli VRAM'e sahip üst düzey GPU'lar gerektirir.

Ekosistem Desteği

Ultralytics Ekosistemi belirgin bir avantaj sağlar. Kullanıcılar şunlardan yararlanır:

Aktif Geliştirme: Sık güncellemeler, PyTorch ve CUDA'nın en son sürümleriyle uyumluluğu sağlar.
Topluluk Desteği: GitHub ve Discord'daki büyük bir topluluk, sorunların hızla giderilmesine yardımcı olur.
Entegre Araçlar: Ultralytics HUB gibi araçlarla sorunsuz entegrasyon, kodsuz model eğitimi, veri kümesi yönetimi ve tek tıklamayla dağıtıma olanak tanır.

RTDETRv2, teknik olarak etkileyici olsa da, bu düzeyde bir çevreleyen altyapıdan yoksundur ve bu da üretim hatlarına entegre etmeyi daha zor hale getirir.

İdeal Kullanım Senaryoları

Doğru modeli seçmek, belirli kısıtlamalarınıza ve hedeflerinize bağlıdır.

Ne Zaman RTDETRv2 Seçmeli

Akademik Araştırma: Amacınız COCO gibi veri kümelerinde son teknoloji mAP sayılarını zorlamaksa ve amiral gemisi GPU'lara (örneğin, A100'ler) erişiminiz varsa.
Karmaşık Bağlam: Çıkarım hızı veya donanım maliyetinden daha çok, uzak nesneler arasındaki ilişkiyi anlamanın daha kritik olduğu senaryolarda.

Ne Zaman YOLOv5 Seçmeli

Uç Nokta Dağıtımı: CPU hızı ve güç verimliliğinin çok önemli olduğu mobil cihazlar, dronlar veya gömülü sistemlerdeki uygulamalar için.
Gerçek Zamanlı Üretim: Düşük gecikme süresinin olmazsa olmaz olduğu güvenlik alarm sistemlerine veya trafik izlemeye güç sağlar.
Hızlı Geliştirme: Veri toplamadan dağıtılmış bir modele kadar hızlı bir şekilde yineleme yapması gereken startup'lar ve kurumsal ekipler, YOLOv5'in iş akışını önemli ölçüde daha hızlı bulacaktır.
Çoklu Görev Gereksinimleri: Hem algılama hem de segmentasyona ihtiyaç duyan projeler, teknoloji yığınını basitleştirerek tek bir çerçeve kullanabilir.

En Son Teknolojiyi mi Arıyorsunuz?

YOLOv5 güçlü bir araç olmaya devam ederken, performans ve mimaride mutlak en son teknolojiyi arayan geliştiriciler YOLO11. YOLO11 , YOLOv5'in mirası üzerine inşa edilerek daha yüksek doğruluk, daha yüksek hızlar ve poz tahmini ve yönlendirilmiş nesne algılama (OBB) gibi genişletilmiş özellikler sunar.

Sonuç

Hem RTDETRv2 hem de YOLOv5, bilgisayar görüşü mühendisinin cephaneliğindeki zorlu araçlardır. RTDETRv2, yüksek doğruluklu algılama için transformer'ların potansiyelini sergileyerek, bol miktarda işlem kaynağına sahip araştırma ağırlıklı uygulamalar için güçlü bir aday haline geliyor.

Ancak, pratik, gerçek dünya dağıtımlarının büyük çoğunluğu için Ultralytics YOLOv5 üstün bir seçim olmaya devam ediyor. Eşsiz kullanım kolaylığı, ekosistem olgunluğu ve çok yönlülüğü, onu güvenilir, yüksek hızlı sonuçlara ihtiyaç duyan geliştiriciler için başvurulacak çözüm haline getirir. İster buluta ister uca dağıtım yapıyor olun, Ultralytics tarafından sağlanan verimlilik ve destek, konseptten üretime daha sorunsuz bir yol sağlar.

Diğer Model Karşılaştırmalarını İnceleyin

En bilinçli kararı vermenize yardımcı olmak için, bu modellerin alandaki diğer mimarilerle nasıl karşılaştırıldığını inceleyin: