RTDETRv2 vs YOLOX: Nesne Algılama için Teknik Bir Karşılaştırma
Doğru nesne algılama modelini seçmek, bilgisayarla görme projeleri için çok önemlidir. Ultralytics , her biri benzersiz güçlere sahip YOLO serisi ve RT-DETR serisi dahil olmak üzere çeşitli modeller sunar. Bu sayfa, proje gereksinimlerinize göre bilinçli bir karar vermenize yardımcı olmak için nesne algılama için iki son teknoloji model olan RTDETRv2 ve YOLOX arasında ayrıntılı bir teknik karşılaştırma sağlar.
RTDETRv2: Yüksek Doğruluklu Gerçek Zamanlı Algılama
RTDETRv2(Real-Time Detection Transformer v2) Baidu tarafından geliştirilen, yüksek doğruluk ve gerçek zamanlı performansıyla bilinen gelişmiş bir nesne algılama modelidir. 2023-04-17 tarihinde tanıtılan ve Arxiv makalesinde ayrıntılı olarak açıklanan RTDETRv2, son teknoloji ürünü sonuçlar elde etmek için bir Vision Transformer (ViT) mimarisi kullanmaktadır. Resmi uygulama GitHub'da mevcuttur.
Mimari ve Temel Özellikler
RTDETRv2'nin mimarisi, kendi kendine dikkat mekanizmaları aracılığıyla görüntülerdeki küresel bağlamı yakalamasını sağlayan Görme Transformatörlerine dayanmaktadır. Bu dönüştürücü tabanlı yaklaşım, özellikle karmaşık sahnelerde sağlam özellik çıkarımı ve hassas nesne lokalizasyonu sağlar. Geleneksel CNN tabanlı modellerin aksine RTDETRv2, bir görüntünün farklı bölümleri arasındaki ilişkileri anlamada üstünlük sağlayarak algılama doğruluğunu artırır.
Performans Ölçütleri
RTDETRv2 modelleri, RTDETRv2-x gibi daha büyük varyantların 54,3 mAPval50-95 değerine ulaşmasıyla etkileyici mAP skorları sergilemektedir. Aşağıdaki tabloda ayrıntılı CPU ONNX hız ölçümleri verilmemiş olsa da, TensorRT hızları rekabetçidir ve NVIDIA T4 GPU'lar gibi yetenekli donanımlarda gerçek zamanlı uygulamalar için uygundur. Ayrıntılı performans ölçümleri için aşağıdaki model karşılaştırma tablosuna bakın.
Güçlü ve Zayıf Yönler
Güçlü yönler:
- Üstün Doğruluk: Transformatör mimarisi mükemmel nesne algılama doğruluğu sağlar.
- Gerçek Zamanlı Yetenekli: Gerçek zamanlı sistemler için uygun donanım hızlandırma ile rekabetçi çıkarım hızlarına ulaşır.
- Etkili Özellik Çıkarma: Görüntü Dönüştürücüler küresel bağlamı ve karmaşık ayrıntıları etkili bir şekilde yakalar.
Zayıflıklar:
- Daha Büyük Model Boyutu: RTDETRv2 modelleri, özellikle de daha büyük versiyonları, daha yüksek parametre sayısına ve FLOP'lara sahiptir ve daha fazla hesaplama kaynağı gerektirir.
- Çıkarım Hızı Sınırlamaları: Gerçek zamanlı olsa da, daha az güçlü cihazlarda YOLOX gibi yüksek düzeyde optimize edilmiş modeller kadar hızlı olmayabilir.
İdeal Kullanım Örnekleri
RTDETRv2, doğruluğun çok önemli olduğu ve yeterli hesaplama kaynaklarının mevcut olduğu uygulamalar için en uygunudur. İdeal kullanım durumları şunları içerir:
- Otonom Araçlar: Kendi kendine sürüş sistemlerinde güvenilir ve hassas çevre algısı için. Sürücüsüz araçlarda yapay zeka
- Robotik: Robotların karmaşık ortamlardaki nesneleri doğru bir şekilde algılamasını ve bunlarla etkileşime girmesini sağlamak. Algoritmalardan Otomasyona: Yapay Zekanın Robotikteki Rolü
- Tıbbi Görüntüleme: Tıbbi görüntülerdeki anormalliklerin yüksek hassasiyetle tespit edilmesi ve teşhise yardımcı olunması için. Sağlık Hizmetlerinde Yapay Zeka
- Yüksek Çözünürlüklü Görüntü Analizi: Uydu veya hava görüntüleri gibi büyük görüntülerin ayrıntılı analizini gerektiren uygulamalar. Uydu Görüntülerini Analiz Etmek için Bilgisayarla Görme Yöntemini Kullanma
RTDETRv2 hakkında daha fazla bilgi edinin
YOLOX: Verimli ve Çok Yönlü Nesne Algılama
YOLOX(You Only Look Once X), Megvii tarafından geliştirilen, yüksek performansı ve verimliliği ile bilinen, çapasız bir nesne algılama modelidir. 2021-07-18'de tanıtılan ve Arxiv makalesinde ayrıntılı olarak açıklanan YOLOX, YOLO serisini temel alarak son teknoloji ürünü sonuçlarla basitleştirilmiş bir tasarım sunuyor. Resmi belgeler kapsamlı ayrıntılar sunmaktadır.
Mimari ve Temel Özellikler
YOLOX, modeli basitleştiren ve hiperparametreleri azaltan önceden tanımlanmış çapa kutularına olan ihtiyacı ortadan kaldıran çapasız bir yaklaşım benimser. Sınıflandırma ve lokalizasyon için ayrıştırılmış bir kafaya sahiptir, bu da eğitim verimliliğini ve doğruluğunu artırır. Sağlamlığı artırmak için MixUp ve Mosaic gibi gelişmiş veri artırma teknikleri kullanılmaktadır. YOLOX yüksek hız ve verimlilik için tasarlanmıştır, bu da onu gerçek zamanlı uygulamalar ve çeşitli donanım platformlarında dağıtım için uygun hale getirir.
Performans Ölçütleri
YOLOX, farklı hesaplama bütçelerini ve doğruluk ihtiyaçlarını karşılayan Nano'dan XLarge'a kadar çeşitli model boyutları sunar. YOLOX modelleri iyi bir hız ve doğruluk dengesi sağlar. Örneğin, YOLOX-s, TensorRT'de yüksek çıkarım hızlarıyla 40,5'lik bir mAPval50-95 elde eder. Farklı YOLOX varyantları arasında ayrıntılı performans ölçümleri için aşağıdaki model karşılaştırma tablosuna bakın.
Güçlü ve Zayıf Yönler
Güçlü yönler:
- Yüksek Verimlilik ve Hız: Hızlı çıkarım için optimize edilmiştir, bu da onu gerçek zamanlı uygulamalar için ideal hale getirir.
- Çapasız Tasarım: Mimariyi ve eğitim sürecini basitleştirerek genellemeyi iyileştirir.
- Çok Yönlü Model Boyutları: Farklı hesaplama kısıtlamalarına uyacak çeşitli model boyutları sunar.
- Güçlü Performans: Hız ve doğruluk arasında iyi bir denge sağlar.
Zayıflıklar:
- Doğruluk Dengesi: Verimli olsa da, karmaşık senaryolarda doğruluğu RTDETRv2 gibi transformatör tabanlı modellerden biraz daha düşük olabilir.
- Karmaşık Sahnelerde Performans: Tek aşamalı bir dedektör olarak, bazı iki aşamalı dedektörlere kıyasla aşırı kalabalık sahnelerde daha az sağlam olabilir, ancak YOLOX bu açığı önceki YOLO sürümlerine kıyasla önemli ölçüde azaltır.
İdeal Kullanım Örnekleri
YOLOX, hız ve verimliliğe odaklanan gerçek zamanlı nesne algılama gerektiren uygulamalar için idealdir. Bunlar şunları içerir:
- Robotik: Dinamik ortamlarda robot navigasyonu ve etkileşimi için gerçek zamanlı algılama. Robotikte Yapay Zeka
- Gözetim Sistemleri: Güvenlik ve izleme uygulamaları için video akışlarında verimli nesne algılama. Hırsızlığı Önlemek için Bilgisayarla Görme: Güvenliği Artırmak
- Endüstriyel Denetim: Kusur tespiti ve kalite kontrolü için üretim hatlarında otomatik görsel denetim. Bilgisayarlı Görme ile Üretimi İyileştirme
- Uç Cihazlar: Hesaplama verimliliğinin kritik önem taşıdığı, kaynak kısıtlaması olan cihazlarda dağıtım. Sony IMX500 ve Aitrios ile Uç Yapay Zekayı Güçlendirme
YOLOX hakkında daha fazla bilgi edinin
Model Karşılaştırma Tablosu
| Model | boyut(piksel) | mAPval 50-95 |
CPU ONNX (ms) |
SpeedT4TensorRT10 (ms) |
params(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 |
| YOLOXnano | 416 | 25.8 | - | - | 0.91 | 1.08 |
| YOLOXtiny | 416 | 32.8 | - | - | 5.06 | 6.45 |
| YOLOXs | 640 | 40.5 | - | 2.56 | 9.0 | 26.8 |
| YOLOXm | 640 | 46.9 | - | 5.43 | 25.3 | 73.8 |
| YOLOXl | 640 | 49.7 | - | 9.04 | 54.2 | 155.6 |
| YOLOXx | 640 | 51.1 | - | 16.1 | 99.1 | 281.9 |
Sonuç
Hem RTDETRv2 hem de YOLOX güçlü nesne algılama modelleridir, ancak farklı önceliklere hitap ederler. RTDETRv2, maksimum doğruluk gerektiğinde ve hesaplama kaynakları sınırlayıcı bir faktör olmadığında üstün bir seçimdir. YOLOX ise gerçek zamanlı performansın, verimliliğin ve daha az güçlü donanımlarda dağıtımın kritik olduğu senaryolarda öne çıkar.
Diğer seçenekleri araştıran kullanıcılar için Ultralytics , aşağıdakiler de dahil olmak üzere geniş bir model yelpazesi sunar:
- YOLOv8 ve YOLOv9: YOLO serisinin halefleri, bir dizi hız ve doğruluk ödünleşimi sunuyor. Ultralytics YOLOv8 Birinci Yaşına Girdi: Bir Yıllık Atılımlar ve Yenilikler, YOLOv9 Dokümantasyonu
- YOLO: Optimum performans için Nöral Mimari Arama kullanılarak tasarlanmış modeller. Deci AI tarafından geliştirilenYOLO- Son Teknoloji Nesne Algılama Modeli
- FastSAM ve MobileSAM: Gerçek zamanlı örnek segmentasyon görevleri için. FastSAM Dokümantasyonu, MobileSAM Dokümantasyonu
RTDETRv2, YOLOX ve diğer Ultralytics modelleri arasındaki seçim, bilgisayarla görme projenizin özel ihtiyaçlarına göre yönlendirilmeli, doğruluk, hız ve mevcut kaynaklar dikkatlice dengelenmelidir. Daha derinlemesine bilgi ve uygulama ayrıntıları için Ultralytics Belgelerini ve GitHub deposunu keşfedin.
