Ultralytics YOLO27:
Get Started

RTDETRv2 ile YOLOv8#

Bilgisayarlı görü alanı sürekli değişiyor; bu değişim çoğu zaman geleneksel Evrişimli Sinir Ağları (CNN'ler) ile daha yeni Transformer tabanlı mimariler arasındaki rekabetle öne çıkıyor. Bu kapsamlı teknik karşılaştırmada, önde gelen bir görsel transformer olan RTDETRv2'nin, sektörde en yaygın kullanılan ve çok yönlü CNN modellerinden biri olan Ultralytics YOLOv8 karşısındaki performansını inceliyoruz. Her iki model de mühendisler ve araştırmacılar için güçlü özellikler sunuyor; ancak temel mimarileri, eğitim yöntemleri, dağıtım kısıtlamaları ve genel performans açısından belirgin farklılıklara yol açıyor.

Modele Genel Bakış: RTDETRv2#

RTDETRv2 (Gerçek Zamanlı Algılama Transformer'ı sürüm 2), gerçek zamanlı çıkarım hızları için görsel transformer mimarisini optimize ederek önceki sürümünün sağlam temelleri üzerine inşa edilmiştir.

Önemli Teknik Ayrıntılar:

Mimari ve Güçlü Yönler#

RTDETRv2, temelinde CNN omurgasını transformer kodlayıcı-kod çözücü yapısıyla birleştiren hibrit bir mimariden yararlanır. Bu, modelin görüntünün tamamını bağlam içinde değerlendirmesini ve örtüşen nesneler içeren karmaşık sahneleri ele almada olağanüstü başarılı olmasını sağlar. En belirgin özelliklerinden biri, Maksimum Olmayan Bastırma (NMS) son işlemesini tamamen devre dışı bırakan yerel uçtan uca tasarımıdır. Bu, algılama işlem hattının son aşamalarındaki algoritmik karmaşıklığı azaltır. Ayrıca çok ölçekli algılama özellikleri, hem devasa yapıları hem de arka plandaki küçük öğeleri etkili biçimde belirlemesine olanak tanır.

Zayıf Yönler#

Güçlü bağlamsal kavrayışına rağmen RTDETRv2 gibi transformer tabanlı mimariler, eğitim sırasında çok yüksek hesaplama yükü gerektirir. Önemli miktarda CUDA belleğine ihtiyaç duymaları, tüketici sınıfı donanımlarda eğitilmelerini zorlaştırır. Ayrıca özel bir veri kümesi kurmak ve eğitim hiperparametrelerini ayarlamak genellikle derin alan uzmanlığı gerektirir; çünkü modelin kullanımı kolay, iyi geliştirilmiş bir yazılım arayüzü yoktur. Yoğun dikkat mekanizmaları nedeniyle eski Raspberry Pi donanımı gibi düşük güçlü uç cihazlara dağıtım da zor olabilir.

RTDETRv2 hakkında daha fazla bilgi edin

Modele Genel Bakış: YOLOv8#

Yayımlandığından beri Ultralytics YOLOv8, birinci sınıf doğruluğun yanı sıra sorunsuz bir geliştirici deneyimini önceliklendirerek üretim seviyesindeki bilgisayarlı görü görevlerinde sektör standardı hâline geldi.

Önemli Teknik Ayrıntılar:

Mimari ve Güçlü Yönler#

YOLOv8, nesne konumlandırma ve sınıflandırma doğruluğunu önceki nesillere kıyasla önemli ölçüde artıran, ayrık başlıklı ve yüksek düzeyde optimize edilmiş çapasız bir CNN mimarisi kullanır. En büyük gücü, olağanüstü verimliliği ve çok yönlülüğüdür. Mimari, eğitim sırasında görsel transformer'lardan önemli ölçüde daha az bellek gerektirir; böylece uygulayıcılar standart GPU'larda daha büyük yığın boyutları kullanabilir. Ayrıca Ultralytics ekosistemi, eşsiz ve sorunsuz bir iş akışı sunar. Birleşik Python API'si, yalnızca birkaç satır kodla hiperparametre ayarlama, eğitim, doğrulama ve dışa aktarma olanağı sağlar.

Zayıf Yönler#

YOLOv8, son işleme aşamasında geleneksel NMS'ye dayanır. Ultralytics motoru bu işlemi arka planda verimli biçimde gerçekleştirse de yerel olarak NMS gerektirmeyen mimarilerle karşılaştırıldığında teknik olarak küçük bir son işleme gecikmesine yol açar.

Performans ve Metrik Karşılaştırması#

Ham sayılar karşılaştırıldığında, her iki modelin de dağıtım işlem hattının farklı yönlerini önceliklendirdiği görülür. Aşağıda yan yana performans analizi yer alıyor.

Modelboyut
(piksel)		mAPval
50-95		Hız
CPU ONNX
(ms)		Hız
T4 TensorRT10
(ms)		parametre
(M)		FLOPs
(B)
RTDETRv2-s64048.1-5.032060
RTDETRv2-m64051.9-7.5136100
RTDETRv2-l64053.4-9.7642136
RTDETRv2-x64054.3-15.0376259
YOLOv8n64037.380.41.473.28.7
YOLOv8s64044.9128.42.6611.228.6
YOLOv8m64050.2234.75.8625.978.9
YOLOv8l64052.9375.29.0643.7165.1
YOLOv8x64053.9479.114.3768.2257.8
Metrikleri Yorumlama

RTDETRv2-x, YOLOv8x'in 53,9 değerine kıyasla 54,3 ile biraz daha yüksek bir tepe mAP değerine ulaşsa da YOLOv8 serisi çıkarım hızı ve parametre verimliliği açısından öne çıkar. Örneğin YOLOv8s, TensorRT motorunda RTDETRv2-s'ye kıyasla neredeyse iki kat hızlı çalışırken yaklaşık yarısı kadar parametre gerektirir.

Bellek Gereksinimleri ve Eğitim Verimliliği#

Bağımsız geliştiriciler ve kurumsal ekipler için en kritik etkenlerden biri eğitim maliyetidir. Ultralytics YOLO modelleri, eğitim sürecinde transformer mimarilerine kıyasla önemli ölçüde daha az CUDA belleği gerektirir. Standart bir RTDETRv2 modeli tüketici GPU'sunda kolayca darboğaz oluşturabilirken YOLOv8, NVIDIA RTX 4070 gibi donanımlarda hızlı ve güvenilir biçimde yakınsar.

Ekosistem, API ve Kullanım Kolaylığı#

Modern yapay zekâ çözümlerini gerçekten farklı kılan, onları destekleyen yazılım çerçevesidir. Ultralytics ekosistemi, karmaşık mühendislik engellerini aşmayı kolaylaştırır. Discord gibi platformlardaki etkin geliştirme ve güçlü topluluk desteği sayesinde YOLOv8, zayıf dokümantasyon nedeniyle projenin sekteye uğramamasını sağlar.

Ayrıca YOLOv8, standart nesne algılamanın ötesine geçer. Yerel olarak Örnek Segmentasyonu, Poz Tahmini, Görüntü Sınıflandırma ve Yönlendirilmiş Sınırlayıcı Kutular (OBB) desteği sunan gerçek bir çok görevli ağdır. RTDETRv2 ise büyük ölçüde yalnızca algılamaya odaklanır.

Kod Örneği: Birleşik Sadelik#

Ultralytics Python API'sini kullanarak her iki model ailesini de birleşik bir ortamda sorunsuzca deneyebilirsin.

from ultralytics import RTDETR, YOLO

# Bir RT-DETR modeliyle YOLOv8 modelini sorunsuzca yükle
model_transformer = RTDETR("rtdetr-l.pt")
model_cnn = YOLO("yolov8l.pt")

# Örnek bir görüntü üzerinde tahmini aynı API'yi kullanarak yap
results_transformer = model_transformer("https://ultralytics.com/images/bus.jpg")
results_cnn = model_cnn("https://ultralytics.com/images/bus.jpg")

# Hızlı uç dağıtımı için YOLOv8'i ONNX'e aktar
model_cnn.export(format="onnx")

Eğitildikten sonra YOLOv8, ONNX, TensorRT ve OpenVINO biçimlerine tek tıklamayla aktarımı destekleyerek çeşitli donanım arka uçlarında yüksek verimli çıkarımı garanti eder.

Kullanım Alanları ve Öneriler#

RT-DETR ile YOLOv8 arasında seçim yapmak, projenin özel gereksinimlerine, dağıtım kısıtlamalarına ve ekosistem tercihlerine bağlıdır.

RT-DETR Ne Zaman Seçilmeli?#

RT-DETR şu durumlar için güçlü bir seçenektir:

  • Transformer Tabanlı Tespit Araştırmaları: NMS kullanmadan uçtan uca nesne tespiti için dikkat mekanizmalarını ve Transformer mimarilerini inceleyen projeler.
  • Gecikme Esnekliğinin Olduğu Yüksek Doğruluk Gerektiren Senaryolar: Tespit doğruluğunun en önemli öncelik olduğu ve biraz daha yüksek çıkarım gecikmesinin kabul edilebildiği uygulamalar.
  • Büyük Nesne Tespiti: Transformer'ların genel dikkat mekanizmasının doğal bir avantaj sağladığı, çoğunlukla orta ve büyük nesneler içeren sahneler.

YOLOv8'i Ne Zaman Seçmeli?#

YOLOv8 şu durumlarda önerilir:

  • Çok Yönlü, Çok Görevli Dağıtım: Ultralytics ekosisteminde algılama, segmentasyon, sınıflandırma ve poz tahmini için kendini kanıtlamış bir model gerektiren projeler.
  • Yerleşik Üretim Sistemleri: YOLOv8 mimarisi üzerine kurulmuş, kararlı ve iyi test edilmiş dağıtım işlem hatlarına sahip mevcut üretim ortamları.
  • Geniş Topluluk ve Ekosistem Desteği: YOLOv8'in kapsamlı eğitim içeriklerinden, üçüncü taraf entegrasyonlarından ve etkin topluluk kaynaklarından yararlanan uygulamalar.

Ultralytics'i (YOLO26) Ne Zaman Seçmeli#

Yeni projelerin çoğu için Ultralytics YOLO26, performans ve geliştirici deneyiminin en iyi bileşimini sunar:

  • NMS Olmadan Uç Dağıtımı: Maksimum Olmayan Bastırma son işleminin karmaşıklığı olmadan tutarlı ve düşük gecikmeli çıkarım gerektiren uygulamalar.
  • Yalnızca CPU Kullanılan Ortamlar: YOLO26'nın CPU'da %43'e varan daha hızlı çıkarımının belirleyici bir avantaj sağladığı, özel GPU hızlandırması bulunmayan cihazlar.
  • Küçük Nesne Algılama: ProgLoss ve STAL'ın çok küçük nesnelerde doğruluğu önemli ölçüde artırdığı havadan drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolar.

İleriye Bakış: YOLO26'nın Avantajı#

YOLOv8 efsanevi bir kilometre taşı olmaya devam etse de bilgisayarlı görü inanılmaz bir hızla ilerliyor. 2026'da en ileri teknolojiyi arayan ekipler için Ultralytics YOLO26, yeni bir paradigma değişimini temsil ediyor.

RTDETRv2'nin NMS gerektirmeyen tasarımı ilgini çekiyorsa YOLO26, transformer'ların son işleme sadeliğini CNN'lerin yüksek hızıyla birleştiren yerel Uçtan Uca, NMS Gerektirmeyen Tasarımı içerir. Ayrıca YOLO26, çığır açan MuSGD Optimize Edici'yi kullanarak görsel modellere LLM tarzı eğitim kararlılığı kazandırır ve son derece hızlı yakınsama sağlar. DFL'nin Kaldırılması (sadeleştirilmiş dışa aktarma ve uç/düşük güçlü cihazlarla daha iyi uyumluluk için Distribution Focal Loss'un kaldırılması) sayesinde YOLO26, CPU'da %43'e varan hızlı çıkarım sunar. Üstün küçük nesne algılama için gelişmiş ProgLoss + STAL mekanizmalarıyla bir araya geldiğinde YOLO26, hem YOLOv8 hem de RTDETRv2 için kesinlikle önerilen yükseltme seçeneğidir.

Alternatif modeller hakkında daha fazla bilgi için YOLO11 kılavuzlarımızı incele veya YOLO ailesindeki NMS gerektirmeyen mimarinin nasıl geliştiğini görmek için YOLOv10 ile YOLOv8 karşılaştırmasının ayrıntılı incelemesini oku.

Katkıda Bulunanlar
GLglenn-jocher18PDpderrenger1

Yorumlar