RTDETRv2 vs YOLOv5: Teknik Bir Karşılaştırma

Nesne algılamanın hızla gelişen ortamında, doğru modeli seçmek genellikle mimari karmaşıklık, çıkarım hızı ve pratik kullanılabilirlik arasında bir denge kurmayı gerektirir. Bu kılavuz, Baidu'nun transformatör tabanlı gerçek zamanlı dedektörü RTDETRv2 ile YOLOv5Ultralytics 'in çok yönlülüğü ve yaygın olarak benimsenmesiyle bilinen efsanevi CNN tabanlı modeli.

Performans Analizi: Hız - Doğruluk Karşılaştırması

Bu iki model arasındaki temel fark mimari felsefelerinde yatmaktadır. RTDETRv2, küresel bağlamı yakalamak için bir Görme Dönüştürücüsü (ViT) yaklaşımı kullanır ve karşılaştırmalı testlerde maksimum doğruluğu hedefler. Buna karşılık YOLOv5 , hız, verimlilik ve farklı donanımlarda dağıtım kolaylığı dengesine öncelik veren, son derece optimize edilmiş bir Evrişimsel Sinir Ağı (CNN) tasarımı kullanır.

Aşağıdaki tablo bu ayrımı göstermektedir. RTDETRv2, COCO veri setinde yüksek mAP skorları elde ederken, önemli ölçüde daha fazla hesaplama kaynağı gerektirmektedir. YOLOv5, özellikle daha küçük varyantlarında (Nano ve Small), özellikle CPU'larda çok daha yüksek çıkarım hızları ve çok daha düşük 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 dönüştürücü tabanlı modellere kıyasla eğitim için önemli ölçüde daha az CUDA belleği gerektirir. Bu düşük giriş engeli, geliştiricilerin özel modelleri standart tüketici GPU'larında ve hatta Google Colab gibi bulut tabanlı ortamlarda Out-Of-Memory (OOM) hatalarıyla karşılaşmadan eğitmelerine olanak tanır.

RTDETRv2: Transformer Challenger

RTDETRv2 (Gerçek Zamanlı Algılama Dönüştürücüsü v2), dönüştürücülerin doğruluk avantajlarını gerçek zamanlı senaryolara getirme çabasını temsil eder. Hibrit bir mimari kullanarak, tipik olarak Görüntü 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
Dokümanlar:RTDETRv2 Dokümantasyonu

Mimari ve Güçlü Yönler

RTDETRv2 bir CNN'i birleştirir backbone bir dönüştürücü kodlayıcı-kod çözücü ile verimli özellik çıkarımı için. Bu tasarım, modelin nesneler arasındaki küresel ilişkileri anlamak için kendi kendine dikkat mekanizmalarını kullanmasına olanak tanır; bu da oklüzyon veya kalabalık içeren karmaşık sahnelerde faydalı olabilir. Birincil gücü, saf mAP metriklerinde benzer ölçekteki CNN tabanlı modellerden daha iyi performans gösterdiği akademik kıyaslamalardaki yüksek doğruluğudur.

Zayıflıklar

Doğruluğuna rağmen RTDETRv2 çok yönlülük ve kullanım kolaylığı konularında zorluklarla karşılaşmaktadır. Transformatör 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 araçlardan, dağıtım desteğinden ve topluluk kaynaklarından yoksundur. Ayrıca, öncelikle nesne algılama ile sınırlıdır, oysa modern projeler genellikle aynı boru hattı içinde segmentasyon veya sınıflandırma gerektirir.

RTDETRv2 hakkında daha fazla bilgi edinin

Ultralytics YOLOv5: Çok Yönlü Standart

YOLOv5 , mevcut en pratik ve kullanıcı dostu bilgisayarla görme modellerinden biri olarak kabul edilmektedir. Ultralytics tarafından geliştirilen bu model, gelişmiş yapay zekayı hobicilerden kurumsal mühendislere kadar herkes için erişilebilir hale getirerek kolaylaştırılmış bir "eğit, dağıt ve bitir" deneyimine öncelik verir.

Yazarlar: Glenn Jocher
Organizasyon:Ultralytics
Tarih: 2020-06-26
GitHub:YOLOv5 Deposu
Dokümanlar:YOLOv5 Dokümantasyonu

YOLOv5 Neden Öne Çıkıyor?

YOLOv5 , makine öğrenimi operasyonlarına (MLOps) bütünsel yaklaşımı sayesinde üstünlük sağlar. Sadece bir model mimarisi değil, eksiksiz bir ekosistemdir.

Kullanım Kolaylığı: Basit bir Python API'si ve komut satırı arayüzü ile kullanıcılar dakikalar içinde özel veriler üzerinde eğitim almaya başlayabilir.
Performans Dengesi: Model ailesi (Nano'dan X-Large'a) mükemmel bir hız ve doğruluk gradyanı sunarak kullanıcıların seçimlerini NVIDIA Jetson veya Raspberry Pi gibi belirli donanımlara göre uyarlamalarına olanak tanır.
Çok yönlülük: RTDETRv2'den farklı olarak YOLOv5 , görüntü sınıflandırma ve örnek segmentasyonu dahil olmak üzere birden fazla görevi yerel olarak destekler ve farklı görme görevleri için ayrı kod tabanlarını sürdürme ihtiyacını azaltır.
Dışa aktarılabilirlik: Ultralytics , aşağıdakilere dışa aktarma için yerleşik destek sağlar ONNXTensorRT, CoreML ve TFLite, modellerin mobil uygulamalardan bulut sunucularına kadar her yere dağıtılabilmesini sağlar.

YOLOv5 hakkında daha fazla bilgi edinin

Kullanım Örneği

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

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 çok belirgindir.

Eğitim Verimliliği

YOLOv5 , eğitilmesi hesaplama açısından verimli olan çapa tabanlı dedektörler kullanır. Ultralytics çerçevesi, modellerin daha hızlı yakınsamasına ve daha az veriyle daha iyi genelleme yapmasına yardımcı olan mozaik büyütme ve otomatik çapa evrimi gibi "serbest çantalar" içerir. Buna karşılık, RTDETRv2'nin eğitimi, dönüştürücünün dikkat katmanlarının ikinci dereceden karmaşıklığı nedeniyle daha yoğun kaynak gerektirir ve genellikle önemli miktarda 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 dağıtım sağlar.

RTDETRv2, teknik olarak etkileyici olsa da, bu düzeyde bir altyapıya sahip olmadığından üretim hatlarına entegre edilmesi daha zordur.

İdeal Kullanım Senaryoları

Doğru modeli seçmek, özel kısıtlamalarınıza ve hedeflerinize bağlıdır.

RTDETRv2 Ne Zaman Seçilmelidir?

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

YOLOv5 Ne Zaman Seçilmeli

Uç Dağıtım: CPU hızının ve güç verimliliğinin çok önemli olduğu mobil cihazlardaki, dronlardaki veya gömülü sistemlerdeki uygulamalar için.
Gerçek Zamanlı Üretim: Düşük gecikmenin pazarlık konusu olmadığı güvenlik alarm sistemlerine veya trafik izlemeye güç sağlar.
Hızlı Geliştirme: Veri toplamadan konuşlandırılmış bir modele kadar hızlı bir şekilde yineleme yapması gereken girişimler 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 basitleştiren 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 , bilgisayarla görme mühendislerinin cephaneliğindeki zorlu araçlardır. RTDETRv2, yüksek doğrulukta algılama için dönüştürücülerin potansiyelini sergileyerek, onu geniş hesaplama kaynaklarına sahip araştırma ağırlıklı uygulamalar için güçlü bir rakip haline getirir.

Bununla birlikte, 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 getirmektedir. İster buluta ister uca dağıtıyor olun, Ultralytics tarafından sağlanan verimlilik ve destek, konseptten üretime kadar daha sorunsuz bir yol sağlar.

Diğer Model Karşılaştırmalarını İnceleyin

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