Model Karşılaştırmaları: Projeniz için En İyi Nesne Algılama Modelini Seçin

Doğru nesne algılama modelini seçmek, bilgisayarla görü projenizin başarısı için çok önemlidir. Ultralytics Model Karşılaştırma Merkezi'ne hoş geldiniz! Bu sayfa, en son Ultralytics YOLO sürümlerine ve RTDETR, EfficientDet ve daha fazlası gibi diğer önde gelen mimarilere odaklanarak, son teknoloji nesne algılama modelleri arasındaki ayrıntılı teknik karşılaştırmaları merkezileştirir.

Amacımız, ister maksimum doğruluğa, ister gerçek zamanlı çıkarım hızına, ister hesaplama verimliliğine veya bunlar arasındaki dengeye öncelik verin, özel gereksinimlerinize göre en uygun modeli seçmek için ihtiyaç duyduğunuz içgörüleri size sağlamaktır. Her modelin nasıl performans gösterdiği ve güçlü yönlerinin nerede yattığı konusunda netlik sağlamayı ve nesne algılama konusundaki karmaşık ortamda yolunuzu bulmanıza yardımcı olmayı hedefliyoruz.

İnteraktif kıyaslama grafiğimizle model performansına hızlı bir genel bakış elde edin:

Bu grafik, mAP (ortalama Ortalama Hassasiyet) gibi temel performans metriklerini çıkarım gecikmesine karşı görselleştirerek, farklı modeller arasındaki ödünleşimleri hızlı bir şekilde değerlendirmenize yardımcı olur ve genellikle COCO gibi standart veri kümelerinde kıyaslanır. Bu ödünleşimleri anlamak, yalnızca performans kriterlerini karşılamakla kalmayıp aynı zamanda dağıtım kısıtlamalarıyla da uyumlu bir model seçmek için temeldir.

Özel karşılaştırma sayfalarımızla daha derinlemesine inceleyin. Her analiz şunları kapsar:

Mimari Farklılıklar: Backbone ve algılama başlıkları gibi temel tasarım prensiplerini ve yenilikleri anlayın. Bu, farklı modellerin özellik çıkarımına ve tahmine nasıl yaklaştığını incelemeyi içerir.
Performans Kıyaslamaları: Ultralytics Kıyaslama modu gibi araçları kullanarak doğruluk (mAP), hız (FPS, gecikme) ve parametre sayısı gibi metrikleri karşılaştırın. Bu kıyaslamalar, karar verme sürecinizi desteklemek için nicel veriler sağlar.
Güçlü ve Zayıf Yönler: Her modelin hangi noktalarda üstün olduğunu ve değerlendirme analizlerine göre sınırlamalarını belirleyin. Bu niteliksel değerlendirme, bir modeli diğerine göre seçmenin pratik sonuçlarını anlamaya yardımcı olur.
İdeal Kullanım Alanları: Her modelin uç yapay zeka cihazlarından bulut platformlarına kadar hangi senaryolar için en uygun olduğunu belirleyin. İlham almak için çeşitli Ultralytics Çözümlerini keşfedin. Modelin yeteneklerini projenizin özel talepleriyle uyumlu hale getirmek, optimum sonuçlar sağlar.

Bu ayrıntılı döküm, projenizin ihtiyaçlarına mükemmel şekilde uyan modeli bulmak için artıları ve eksileri tartmanıza yardımcı olur; ister uç cihazlarda, ister bulut dağıtımında veya PyTorch gibi çerçeveleri kullanarak araştırmada dağıtım için olsun. Model seçimi, bilgisayar görüşü uygulamanızın verimliliğini ve etkinliğini önemli ölçüde etkileyebilir.

İzle: YOLO Modelleri Karşılaştırması: Ultralytics YOLO11 - YOLOv10 - YOLOv9 - Ultralytics YOLOv8 🎉

Aşağıdaki listeleri kullanarak doğrudan ihtiyacınız olan karşılaştırmaya gidin. Kolay erişim için bunları modele göre düzenledik:

YOLO11 -

Ultralytics'in en son sürümü olan YOLO11, en son araştırmaları ve topluluk geri bildirimlerini dahil ederek öncüllerinin başarısı üzerine inşa edilmiştir. Daha iyi özellik çıkarımı için geliştirilmiş bir backbone ve neck mimarisi, daha hızlı işleme için optimize edilmiş verimlilik ve daha az parametreyle daha yüksek doğruluk gibi geliştirmeler içerir. YOLO11, nesne tespiti, örnek segmentasyonu, görüntü sınıflandırması, poz tahmini ve yönlendirilmiş nesne tespiti dahil olmak üzere çok çeşitli bilgisayar görüşü görevlerini destekleyerek çeşitli ortamlarda son derece uyarlanabilir olmasını sağlar.

YOLOv10 -e karşı

Tsinghua Üniversitesi'ndeki araştırmacılar tarafından Ultralytics Python paketi kullanılarak geliştirilen YOLOv10, maksimum olmayan bastırmayı (NMS) ortadan kaldırarak ve model mimarisini optimize ederek gerçek zamanlı nesne algılamaya yenilikçi bir yaklaşım getiriyor. Bu, azaltılmış hesaplama yükü ve üstün doğruluk-gecikme ödünleşimleri ile son teknoloji performansla sonuçlanır. Temel özellikler arasında azaltılmış gecikme için NMS'siz eğitim, geniş çekirdekli evrişimlerle geliştirilmiş özellik çıkarımı ve farklı uygulama ihtiyaçları için çok yönlü model varyantları bulunur.

YOLOv9 -e karşı

YOLOv9, derin sinir ağlarındaki bilgi kaybını gidermek için Programlanabilir Gradyan Bilgisi (PGI) ve Genelleştirilmiş Verimli Katman Toplama Ağı (GELAN)'nı sunar. Ultralytics'in YOLOv5 kod tabanından yararlanan ayrı bir açık kaynak ekibi tarafından geliştirilen YOLOv9, özellikle hafif modeller için verimlilik, doğruluk ve uyarlanabilirlik açısından önemli iyileştirmeler gösterir. PGI, katmanlar arasında temel verilerin korunmasına yardımcı olurken, GELAN parametre kullanımını ve hesaplama verimliliğini optimize eder.

YOLOv8 -e karşı

Ultralytics YOLOv8, önceki YOLO sürümlerinin başarıları üzerine inşa edilmiş olup, gelişmiş performans, esneklik ve verimlilik sunar. Daha iyi doğruluk için gelişmiş bir backbone ve neck mimarisine, anchor içermeyen bölünmüş bir Ultralytics başlığına ve çeşitli gerçek zamanlı nesne algılama görevleri için uygun optimize edilmiş bir doğruluk-hız dengesine sahiptir. YOLOv8, nesne algılama, örnek segmentasyonu, poz/anahtar nokta algılama, yönlendirilmiş nesne algılama ve sınıflandırma dahil olmak üzere çeşitli bilgisayarlı görü görevlerini destekler.

YOLOv7 -e karşı

YOLOv7, piyasaya sürüldüğü sırada birçok nesne dedektöründen daha iyi performans gösteren yüksek hızı ve doğruluğuyla tanınır. Parametreleri ve hesaplamayı etkili bir şekilde kullanmak için modelin yeniden parametrelendirilmesi, dinamik etiket atama ve genişletilmiş ve bileşik ölçekleme yöntemleri gibi özellikler sunmuştur. YOLOv7, çıkarım maliyetlerini artırmadan doğruluğu artırmak için "eğitilebilir bedava hediyeler çantası"nı dahil ederek eğitim sürecini optimize etmeye odaklanır.

YOLOv6 -e karşı

Meituan'ın YOLOv6'sı, hız ve doğruluk arasında bir denge sunan, endüstriyel uygulamalar için tasarlanmış bir nesne tespit aracıdır. Çift Yönlü Birleştirme (BiC) modülü, ankraj destekli bir eğitim (AAT) stratejisi ve geliştirilmiş bir backbone ve neck tasarım gibi geliştirmeler içerir. YOLOv6-3.0, sağlam özellik temsili için verimli bir yeniden parametrelendirme backbone'u ve hibrit bloklarla bunu daha da geliştirir.

YOLOv5 -e karşı

Ultralytics YOLOv5, PyTorch çerçevesi üzerine inşa edilmiş olup, kullanım kolaylığı, hızı ve doğruluğu ile bilinir. YOLOv5u varyantı, geliştirilmiş bir doğruluk-hız dengesi için (YOLOv8'den) anchor içermeyen, nesnelliksiz bir bölünmüş başlık entegre eder. YOLOv5, çeşitli eğitim püf noktalarını, birden fazla dışa aktarma biçimini destekler ve çok çeşitli nesne algılama, örnek segmentasyonu ve görüntü sınıflandırma görevleri için uygundur.

PP-YOLOE+ -e karşı

Baidu tarafından geliştirilen PP-YOLOE+, verimlilik ve kullanım kolaylığına odaklanan, geliştirilmiş bir anchor'suz nesne tespit aracıdır. ResNet tabanlı bir backbone, bir Path Aggregation Network (PAN) boynu ve ayrıştırılmış bir başlığa sahiptir. PP-YOLOE+, sınıflandırma skorları ve yerelleştirme doğruluğu arasındaki uyumu iyileştirmek için Görev Hizalama Öğrenimi (TAL) kaybını içerir ve mAP ile çıkarım hızı arasında güçlü bir denge hedefler.

DAMO-YOLO -e karşı

Alibaba Group'tan DAMO-YOLO, doğruluk ve verimliliğe odaklanan yüksek performanslı bir nesne algılama modelidir. Etiketin atanması için ankrajsız bir mimari, Neural Architecture Search (NAS) backbonelar (MAE-NAS), verimli bir Reparameterized Gradient Feature Pyramid Network (RepGFPN), hafif bir ZeroHead ve Aligned Optimal Transport Assignment (AlignedOTA) kullanır. DAMO-YOLO, özellikle TensorRT hızlandırması ile mAP ve çıkarım hızı arasında güçlü bir denge sağlamayı amaçlar.

YOLOX - Karşılaştırmalar

Megvii tarafından geliştirilen YOLOX, basitleştirilmiş tasarım ve gelişmiş performansı hedefleyen YOLO serisinin anchor-free (bağlantısız) bir evrimidir. Temel özellikleri arasında anchor-free (bağlantısız) bir yaklaşım, ayrı sınıflandırma ve regresyon görevleri için ayrıştırılmış bir başlık ve SimOTA etiket ataması yer almaktadır. YOLOX ayrıca Mosaic ve MixUp gibi güçlü veri artırma stratejileri içerir. Mevcut çeşitli model boyutlarıyla doğruluk ve hız arasında iyi bir denge sunar.

RT-DETR -e karşı

Baidu tarafından geliştirilen RT-DETR (Gerçek Zamanlı Algılama Dönüştürücü), gerçek zamanlı performansla yüksek doğruluk elde etmek için Dönüştürücü tabanlı bir mimari kullanan uçtan uca bir nesne tespit aracıdır. Ölçek içi etkileşimi ve çok ölçekli özelliklerin ölçekler arası füzyonunu ayrıştıran verimli bir hibrit kodlayıcıya ve nesne sorgu başlatmasını iyileştirmek için IoU farkındalıklı sorgu seçimine sahiptir. RT-DETR, yeniden eğitim yapmadan farklı kod çözücü katmanları kullanarak çıkarım hızının esnek bir şekilde ayarlanmasını sağlar.

EfficientDet - Karşılaştırmalar

Google Brain'den EfficientDet, daha az parametre ve daha düşük hesaplama maliyeti ile yüksek doğruluk elde ederek optimum verimlilik için tasarlanmış bir nesne algılama modelleri ailesidir. Temel yenilikleri arasında EfficientNet backbone'unun kullanımı, hızlı çok ölçekli özellik kaynaştırması için ağırlıklı çift yönlü özellik piramidi ağı (BiFPN) ve çözünürlüğü, derinliği ve genişliği düzgün bir şekilde ölçeklendiren bileşik bir ölçeklendirme yöntemi yer alır. EfficientDet modelleri (D0-D7), bir doğruluk-verimlilik takasları spektrumu sağlar.

Bu dizin, yeni modeller yayınlandıkça ve karşılaştırmalar yapıldıkça sürekli olarak güncellenir. Her modelin yetenekleri hakkında daha derin bir anlayış kazanmak ve bir sonraki bilgisayarlı görü projeniz için mükemmel uyumu bulmak için bu kaynakları keşfetmenizi öneririz. Uygun modeli seçmek, sağlam ve verimli yapay zeka çözümleri oluşturmaya yönelik kritik bir adımdır. Ayrıca, nesne algılama dünyasının gelişimi hakkında daha fazla tartışma, destek ve içgörü için Ultralytics topluluğuyla etkileşim kurmaya davet ediyoruz. İyi karşılaştırmalar!

📅 1 yıl önce oluşturuldu ✏️ 1 ay önce güncellendi