RTDETRv2 vs. YOLOv6.0: Endüstriyel Hızı Karşılayan Yüksek Doğruluklu Transformatörler

En uygun nesne algılama mimarisini seçmek genellikle mutlak hassasiyet ve çıkarım gecikmesi arasındaki dengeyi bulmayı gerektirir. Bu teknik karşılaştırma, yüksek hassasiyetli görevler için tasarlanmış Vision Transformer tabanlı bir model olan RTDETRv2 ile endüstriyel hız ve verimlilik için özel olarak tasarlanmış CNN tabanlı bir dedektör olan YOLOv6.0'ı incelemektedir. Mimarilerini, performans metriklerini ve dağıtım özelliklerini analiz ederek, bilgisayarla görme uygulamalarınız için en iyi çözümü belirlemenize yardımcı oluyoruz.

RTDETRv2: Vision Transformers ile Sınırları Zorlamak

RTDETRv2 (Real-Time Detection Transformer v2), görüntülerdeki küresel bağlamı yakalamak için dönüştürücülerin gücünden yararlanarak nesne algılamada önemli bir gelişmeyi temsil eder. Yerel özellikleri işleyen geleneksel CNN'lerin aksine RTDETRv2, uzaktaki nesneler arasındaki ilişkileri anlamak için kendi kendine dikkat mekanizmalarını kullanır ve bu da onu karmaşık sahneler için oldukça etkili hale getirir.

Yazarlar Wenyu Lv, Yian Zhao, Qinyao Chang, Kui Huang, Guanzhong Wang ve Yi Liu
Organizasyon:Baidu
Tarih: 2023-04-17 (İlk), 2024-07-24 (v2)
Arxiv:RT-DETR: DETR'ler Gerçek Zamanlı Nesne Algılamada YOLO'ları Yendi
GitHub:RT-DETRRepository
Docs:RTDETRv2 Documentation

RTDETRv2 hakkında daha fazla bilgi edinin

Mimari Yenilikler

RTDETRv2'nin mimarisi hibrit bir tasarımdır. İlk özellik çıkarımı için standart bir CNN backbone (tipik olarak ResNet veya HGNet) ve ardından bir transformatör kodlayıcı-kod çözücü kullanır. Bu yapı, modelin çok ölçekli özellikleri etkili bir şekilde işlemesini sağlarken, bağlantı kutuları ve Maksimum Olmayan Bastırma (NMS) gibi elle hazırlanmış bileşenlere olan ihtiyacı ortadan kaldırır.

Güçlü ve Zayıf Yönler

Güçlü Yönler:

• Üstün Doğruluk: gibi veri kümelerinde genellikle daha yüksek Ortalama Ortalama Hassasiyet (mAP) elde eder. COCO benzer büyüklükteki CNN'lere kıyasla.
• Çapasız Tasarım: Çapa kutularını kaldırarak algılama işlem hattını basitleştirir ve hiperparametre ayarını azaltır.
• Küresel Bağlam: Yerel özelliklerin yetersiz olduğu yoğun veya karışık ortamlardaki nesneleri tespit etmede mükemmeldir.

Zayıflıklar:

• Hesaplama Maliyeti: Özellikle eğitim sırasında önemli ölçüde daha yüksek FLOP ve GPU belleği gerektirir.
• Gecikme süresi: "Gerçek zamanlı" olsa da, eşdeğer donanımda ham çıkarım hızında genellikle YOLOv6 gibi optimize edilmiş CNN'lerin gerisinde kalır.
• Veri Açlığı: Dönüştürücü modellerin yakınsaması için genellikle daha büyük eğitim veri kümeleri ve daha uzun eğitim programları gerekir.

YOLOv6.0: Endüstriyel Hızcı

Meituan tarafından geliştirilen YOLOv6.0, doğrudan endüstriyel uygulamaların ihtiyaçlarına odaklanmaktadır: düşük gecikme süresi ve yüksek verim. Uç cihazlardan GPU'lara kadar değişen donanımlarda verimliliği en üst düzeye çıkarmak için klasik tek aşamalı nesne dedektörü paradigmasını geliştirir.

Yazarlar Chuyi Li, Lulu Li, Yifei Geng, Hongliang Jiang, Meng Cheng, Bo Zhang, Zaidan Ke, Xiaoming Xu ve Xiangxiang Chu
Organizasyon:Meituan
Tarih: 2023-01-13
Arxiv:YOLOv6 v3.0: Tam Ölçekli Bir Yeniden Yükleme
GitHub:YOLOv6 Deposu
Docs:Ultralytics YOLOv6 Docs

YOLOv6.0 hakkında daha fazla bilgi edinin

Verimlilik için Optimize Edildi

YOLOv6.0 "donanıma duyarlı" bir tasarım felsefesi içermektedir. Çıkarım sırasında ağı basit bir 3x3 konvolüsyon yığınına dönüştüren ve çok dallı karmaşıklığı ortadan kaldıran verimli bir Yeniden Parametrelendirme Backbone (RepVGG tarzı) kullanır. Ayrıca, çıkarım maliyeti eklemeden doğruluğu artırmak için eğitim sırasında kendi kendine damıtma tekniklerini kullanır.

Güçlü ve Zayıf Yönler

Güçlü Yönler:

• Olağanüstü Hız: Çok düşük gecikme süresi sunarak yüksek hızlı üretim hatları ve robotik için idealdir.
• Dağıtım Dostu: Yeniden parametrelendirilmiş yapının aşağıdaki gibi formatlara aktarılması kolaydır ONNX ve TensorRT maksimum performans için.
• Donanım Verimliliği: GPU işlem birimlerini tam olarak kullanmak ve boşta kalma süresini en aza indirmek için optimize edilmiştir.

Zayıflıklar:

• Doğruluk Tavanı: Rekabetçi olmakla birlikte, son derece karmaşık görsel senaryolarda transformatör tabanlı modellerin en yüksek doğruluğunu yakalamakta zorlanabilir.
• Sınırlı Çok Yönlülük: Öncelikli olarak algılamaya odaklanmıştır, daha yeni çerçevelerde bulunan örnek segmentasyonu veya poz tahmini gibi görevler için yerel destekten yoksundur.

Performans Analizi: Hız ve Hassasiyet

RTDETRv2 ve YOLOv6.0 arasındaki seçim genellikle dağıtım ortamının belirli kısıtlamalarına bağlıdır. RTDETRv2 mümkün olan en yüksek doğruluğu gerektiren senaryolarda baskınken, YOLOv6.0 ham hız ve verimlilikte kazanır.

Aşağıdaki tablo temel ölçümleri karşılaştırmaktadır. YOLOv6.0'ın benzer model ölçeklerinde nasıl daha düşük gecikme süresi (daha yüksek hız) elde ettiğine, RTDETRv2'nin ise hesaplama yoğunluğu (FLOP'lar) pahasına daha yüksek mAP puanları elde etmeye çalıştığına dikkat edin.

Eğitim ve Kaynak Gereksinimleri

Özel modeller geliştirirken, eğitim deneyimi önemli ölçüde farklılık gösterir.

• Bellek Kullanımı: RTDETRv2, dikkat mekanizmalarının ikinci dereceden karmaşıklığı nedeniyle önemli miktarda GPU VRAM gerektirir. "Large" veya "X-Large" varyantlarının eğitimi genellikle üst düzey kurumsal GPU'lar gerektirir. Buna karşılık, Ultralytics YOLOv6 modelleri ve YOLOv6 genellikle tüketici sınıfı donanımlarda veya daha küçük bulut örneklerinde eğitime izin veren daha fazla bellek verimliliğine sahiptir.
• Yakınsama: Transformatör tabanlı modeller, CNN'lerin sezgisel olarak yakaladığı uzamsal hiyerarşileri öğrenmek için genellikle daha uzun dönemlere ihtiyaç duyar ve bu da bulut işlem maliyetlerini potansiyel olarak artırır.

İdeal Olarak Dengeli: Ultralytics Avantajı

RTDETRv2 ve YOLOv6.0 ise kendi nişlerinde mükemmeldir, Ultralytics YOLO11 her ikisinin de sınırlamalarını ele alan birleşik bir çözüm sunar. CNN'lerin kullanım kolaylığı ve hızını, transformatör doğruluğuna rakip olan mimari iyileştirmelerle birleştirir.

YOLO11 hakkında daha fazla bilgi edinin

Geliştiriciler ve araştırmacılar neden Ultralytics modellerini giderek daha fazla tercih ediyor?

1. Çok yönlülük: Kesinlikle algılama için olan YOLOv6'nın aksine Ultralytics , tek bir API içinde görüntü sınıflandırmasını, segmentasyonu, poz tahminini ve Yönlendirilmiş Sınırlama Kutusu (OBB) algılamasını destekler.
2. Bakımlı Ekosistem: Ultralytics platformu sık güncellemeler, geniş topluluk desteği ve MLflow, TensorBoard ve Ultralytics HUB gibi araçlarla sorunsuz entegrasyonlar sağlar.
3. Kullanım Kolaylığı: "Low-code" felsefesiyle, son teknoloji modelleri yalnızca birkaç satır Python veya CLI komutuyla eğitebilir, doğrulayabilir ve dağıtabilirsiniz.
4. Performans Dengesi: YOLO11 , gerçek zamanlı çıkarım hızı ve yüksek doğruluk arasında tatlı bir nokta sağlar, genellikle eski YOLO sürümlerinden daha iyi performans gösterir ve pratik senaryolarda karmaşık dönüştürücülerle eşleşir.

Kod Örneği

Ultralytics API'sinin basitliğini deneyimleyin. Aşağıdaki örnek, önceden eğitilmiş bir modelin nasıl yükleneceğini ve bir görüntü üzerinde çıkarımın nasıl çalıştırılacağını göstermektedir:

from ultralytics import YOLO

# Load a pre-trained YOLO11 model (n=nano, s=small, m=medium, l=large, x=xlarge)
model = YOLO("yolo11n.pt")

# Run inference on a local image
results = model("path/to/image.jpg")

# Process results
for result in results:
    result.show()  # Display results on screen
    result.save(filename="result.jpg")  # Save results to disk

Sonuç

Hem RTDETRv2 hem de YOLOv6.0 bilgisayarla görme tarihinde etkileyici kilometre taşlarıdır. RTDETRv2, hesaplama maliyetinden bağımsız olarak doğruluğun mutlak öncelik olduğu araştırma ve senaryolar için mükemmel bir seçimdir. YOLOv6.0, kontrollü ortamlar için aşırı hız sunarak endüstriyel sektöre iyi hizmet vermektedir.

Bununla birlikte, çoğu gerçek dünya uygulaması için sağlam, çok yönlü ve kurulumu kolay bir çözüm gerekir, Ultralytics YOLO11 üstün bir seçim olarak öne çıkıyor. En ileri performans, düşük bellek ayak izi ve gelişen bir ekosistemin birleşimi, geliştiricilerin prototipten üretime güvenle ve hızla geçmelerini sağlar.

Diğer Modelleri İnceleyin

Projenize en uygun mimariyi bulmak için farklı mimarilerin nasıl karşılaştırıldığını keşfedin:

• YOLOv8 - RT-DETR karşılaştırması
• YOLOv6.0 vs. YOLOv8
• YOLO11 vs. YOLOv10
• RTDETR - EfficientDet karşılaştırması

Yorumlar