YOLOv8 vs RTDETRv2: Kapsamlı Bir Teknik Karşılaştırma

Bilgisayarla görmenin hızla gelişen ortamında, doğru nesne algılama modelini seçmek proje başarısı için kritik öneme sahiptir. Bu karşılaştırma, aşağıdakiler arasındaki teknik ayrımları incelemektedir YOLOv8Ultralytics'ten çok yönlü CNN tabanlı güç merkezi ve Baidu'dan sofistike bir dönüştürücü tabanlı model olan RTDETRv2. Mimarilerini, performans ölçümlerini ve kaynak gereksinimlerini analiz ederek, geliştiricileri ve araştırmacıları özel ihtiyaçları için en uygun çözüme yönlendirmeyi amaçlıyoruz.

Performans Farklılıklarını Görselleştirme

Aşağıdaki grafik, çeşitli model boyutları için hız ve doğruluk arasındaki dengeleri göstermekte ve YOLOv8 'in her yönden üstün verimliliği nasıl koruduğunu vurgulamaktadır.

Performans Analizi: Hız - Doğruluk Karşılaştırması

Aşağıdaki tabloda temel ölçümlerin doğrudan bir karşılaştırması sunulmaktadır. RTDETRv2 en büyük modelleriyle yüksek doğruluk elde ederken, YOLOv8 , özellikle transformatör modellerinin genellikle gecikme darboğazlarıyla karşılaştığı CPU donanımında çıkarım hızı ve parametre verimliliğinde önemli bir avantaj göstermektedir.

Model	boyut ^(piksel)	mAP^val 50-95	Hız ^{CPU ONNX (ms)}	Hız ^{T4 TensorRT10 (ms)}	parametreler ^(M)	FLOP'lar ^(B)
YOLOv8n	640	37.3	80.4	1.47	3.2	8.7
YOLOv8s	640	44.9	128.4	2.66	11.2	28.6
YOLOv8m	640	50.2	234.7	5.86	25.9	78.9
YOLOv8l	640	52.9	375.2	9.06	43.7	165.2
YOLOv8x	640	53.9	479.1	14.37	68.2	257.8

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

Ultralytics YOLOv8: Çok Yönlülük ve Hız Standardı

2023'ün başlarında başlatıldı, YOLOv8YOLO ailesinde önemli bir sıçramayı temsil eder ve birden fazla bilgisayarla görme görevi için birleşik bir çerçeve sunar. Hız ve doğruluk arasında mümkün olan en iyi dengeyi sağlamak için tasarlanmıştır ve endüstriyel otomasyondan akıllı şehir altyapısına kadar gerçek zamanlı uygulamalar için son derece uygundur.

Yazarlar: Glenn Jocher, Ayush Chaurasia ve Jing Qiu
Organizasyon:Ultralytics
Tarih: 2023-01-10
GitHub:ultralytics
Dokümanlar:YOLOv8 Dokümantasyonu

Temel Mimari Özellikler

YOLOv8 , eğitim sürecini basitleştiren ve farklı nesne şekilleri arasında genelleştirmeyi geliştiren çapasız bir algılama kafası kullanır. Mimarisi, verimli özellik çıkarımı için bir Çapraz Aşamalı Kısmi (CSP) Darknet backbone ve sağlam çok ölçekli füzyon için bir Yol Toplama Ağı (PAN)-FPN boynuna sahiptir. Birçok rakibinin aksine, YOLOv8 görüntü sınıflandırmasını, örnek segmentasyonunu, poz tahminini ve yönlendirilmiş nesne algılamayı (OBB) tek bir kullanıcı dostu API içinde yerel olarak destekler.

Güçlü Yönler

Olağanüstü Verimlilik: Bellek kullanımını ve hesaplama yükünü optimize ederek NVIDIA Jetson ve Raspberry Pi gibi uç cihazlarda dağıtıma izin verir.
Eğitim Hızı: Transformatör tabanlı mimarilere kıyasla önemli ölçüde daha az CUDA belleği ve eğitim süresi gerektirir.
Zengin Ekosistem: Kapsamlı dokümantasyon, aktif topluluk desteği ve aşağıdaki gibi araçlarla sorunsuz entegrasyonlarla desteklenir TensorRT ve OpenVINO.
Kullanım Kolaylığı: "pip install ultralytics" deneyimi, geliştiricilerin dakikalar içinde eğitime ve tahmine başlamasına olanak tanır.

YOLOv8 hakkında daha fazla bilgi edinin

RTDETRv2: Transformatör Doğruluğunun Zorlanması

RTDETRv2, Gerçek Zamanlı Algılama Dönüştürücüsü'nün (RT-DETR) bir evrimidir ve Görme Dönüştürücülerinin (ViT'ler) küresel bağlam yeteneklerinden yararlanmak ve aynı zamanda doğal gecikme sorunlarını azaltmaya çalışmak için geliştirilmiştir. Kendi kendine dikkat mekanizmalarından yararlanarak doğruluk kıyaslamalarında YOLO modellerini geçmeyi amaçlamaktadır.

Yazarlar: Wenyu Lv, Yian Zhao, Qinyao Chang, Kui Huang, Guanzhong Wang ve Yi Liu
Organizasyon:Baidu
Tarih: 2024-07-24 (v2 sürümü)
Arxiv:RT-DETRv2 Makalesi
GitHub:RT-DETR

Mimariye Genel Bakış

RTDETRv2, daha sonra bir dönüştürücü kodlayıcı-kod çözücü tarafından işlenen özellikleri çıkarmak için bir CNN backbone (tipik olarak ResNet) kullanarak hibrit bir yaklaşım kullanır. Kendi kendine dikkat mekanizması, modelin bir görüntünün uzak kısımları arasındaki ilişkileri anlamasını sağlar, bu da oklüzyonlu karmaşık sahnelerde yardımcı olur. Sürüm 2, ayrık bir örnekleme operatörü sunar ve dinamik eğitim kararlılığını geliştirir.

Güçlü ve Zayıf Yönler

Güçlü Yönler:
- Küresel Bağlam: Transformatör yapısı sayesinde karmaşık nesne ilişkilerini ve oklüzyonları ele almada mükemmeldir.
- Yüksek Doğruluk: En büyük modeller COCO veri setinde YOLOv8x'e kıyasla biraz daha yüksek mAP puanları elde etmektedir.
- Çapasız: YOLOv8 gibi, manuel çapa kutusu ayarlama ihtiyacını ortadan kaldırır.
Zayıflıklar:
- Kaynak Yoğun: Yüksek FLOP'lar ve parametre sayıları, CPU'larda daha yavaş olmasını sağlar ve eğitim için pahalı GPU'lar gerektirir.
- Sınırlı Görev Desteği: Öncelikle nesne algılamaya odaklanmıştır ve Ultralytics çerçevesinin yerel çoklu görev çok yönlülüğünden (segmentasyon, poz vb.) yoksundur.
- Karmaşık Dağıtım: Transformatör mimarisinin mobil ve gömülü hedefler için optimize edilmesi, saf CNN'lere kıyasla daha zor olabilir.

RTDETRv2 hakkında daha fazla bilgi edinin

Detaylı Karşılaştırma: Mimari ve Kullanılabilirlik

Eğitim Verimliliği ve Hafıza

En belirgin farklardan biri eğitim sürecinde yatmaktadır. RTDETRv2 gibi dönüştürücü tabanlı modellerin veri ve bellek açısından yoğun olduğu bilinmektedir. YOLOv8 gibi CNN'lere kıyasla yakınsamak için genellikle önemli ölçüde daha fazla CUDA belleğine ve daha uzun eğitim dönemlerine ihtiyaç duyarlar. Sınırlı GPU kaynaklarına sahip araştırmacılar veya yeni başlayanlar için, Ultralytics YOLOv8 çok daha erişilebilir bir giriş engeli sunarak tüketici sınıfı donanımlarda verimli özel eğitimlere olanak tanır.

Çok Yönlülük ve Ekosistem

RTDETRv2 saf tespit görevleri için güçlü bir akademik rakip olsa da, Ultralytics modellerini çevreleyen bütünsel ekosistemden yoksundur. YOLOv8 sadece bir model değildir; destekleyen bir platformun parçasıdır:

Veri Yönetimi: Gibi veri kümelerinin kolay kullanımı COCO ve Objects365.
MLOps: MLOps ile Entegrasyon Weights & Biases, Cometve Ultralytics HUB.
Dağıtım: Gibi formatlara tek tıkla dışa aktarma ONNX, CoreML ve çeşitli donanım desteği için TFLite .

Donanım Değerlendirmesi

Dağıtım hedefiniz CPU çıkarımı (örn. standart sunucular, dizüstü bilgisayarlar) veya düşük güçlü uç cihazlar içeriyorsa, YOLOv8 optimize edilmiş CNN mimarisi nedeniyle ezici bir çoğunlukla daha iyi bir seçimdir. RTDETRv2 en iyi şekilde özel üst düzey GPU hızlandırmalı senaryolar için ayrılmıştır.

İdeal Kullanım Senaryoları

YOLOv8 Ne Zaman Seçilmeli

YOLOv8 , gerçek dünyadaki dağıtımların büyük çoğunluğu için tercih edilen seçimdir. Hız, doğruluk ve kullanım kolaylığı dengesi onu aşağıdakiler için ideal kılar:

Gerçek Zamanlı Analitik: Yüksek FPS'nin çok önemli olduğu trafik izleme, perakende analizleri ve spor analizleri.
Uç Bilişim: Güç ve işlemin kısıtlı olduğu dronlarda, robotlarda veya mobil uygulamalarda yapay zeka çalıştırmak.
Çok Görevli Uygulamalar: Eş zamanlı nesne takibi, segmentasyon ve sınıflandırma gerektiren projeler.

RTDETRv2 Ne Zaman Seçilmelidir?

RTDETRv2, hesaplama maliyetinin marjinal doğruluk kazanımlarına göre ikincil olduğu belirli nişlerde parlar:

Akademik Araştırma: Görme transformatörlerinin özelliklerini incelemek.
Bulut Tabanlı İşleme: Gecikme süresinin zor, tıkalı nesneleri tespit etmekten daha az kritik olduğu güçlü sunucu çiftliklerinde görüntülerin toplu olarak işlenmesi.

Kod Örneği: YOLOv8 ile Başlarken

Ultralytics API basitlik için tasarlanmıştır. Önceden eğitilmiş bir modeli yükleyebilir, tahminleri çalıştırabilir veya sadece birkaç satır Python kodu ile eğitime başlayabilirsiniz.

from ultralytics import YOLO

# Load a pretrained YOLOv8 model
model = YOLO("yolov8n.pt")

# Run inference on an image
results = model("https://ultralytics.com/images/bus.jpg")

# Display the results
results[0].show()

# Train on a custom dataset
# model.train(data="coco8.yaml", epochs=100, imgsz=640)

Sonuç

RTDETRv2, yüksek doğruluk elde etmede transformatör mimarilerinin potansiyelini gösterirken, Ultralytics YOLOv8 pratik, üretim sınıfı bilgisayarla görme için üstün bir seçim olmaya devam ediyor. YOLOv8'in mimari verimliliği, daha hızlı çıkarım, daha düşük eğitim maliyetleri ve daha geniş donanım uyumluluğu ile sonuçlanır. Ayrıca, güçlü Ultralytics ekosistemi, geliştiricilerin yapay zeka çözümlerini verimli bir şekilde hayata geçirmek için gereken araçlara, belgelere ve topluluk desteğine sahip olmalarını sağlar.

Performans ve verimlilikte mutlak en yeniyi arayanlar için de şunları keşfetmenizi öneririz YOLO11YOLO mirasını daha da iyi doğruluk-hız dengeleri ile daha da geliştiriyor.

Diğer Modelleri İnceleyin

Ultralytics ekosisteminde daha fazla seçenek keşfetmek veya diğer SOTA modellerini karşılaştırmakla ilgileniyorsanız, bu kaynaklara göz atın:

YOLO11: En son teknoloji ürünü YOLO modeli.
YOLOv10: Gerçek zamanlı uçtan uca nesne dedektörü.
RT-DETR: Orijinal Gerçek Zamanlı Algılama Dönüştürücüsü.
YOLOv9: Programlanabilir gradyan bilgisine odaklanır.