EfficientDet ve PP-YOLOE+: Ölçeklenebilir Algılama Mimarilerinin Teknik Karşılaştırması
Nesne algılama alanındaki rekabet ortamında, EfficientDet ve PP-YOLOE+ arasındaki kontrast kadar sinir ağı tasarımının evrimini daha iyi gösteren bir rekabet azdır . EfficientDet, bileşik ölçeklendirme kavramını dünyaya tanıtırken, PP-YOLOE+ endüstriyel uygulamalar için çapa içermeyen paradigmayı geliştirdi .
Bu kılavuz, bu iki etkili modelin mimari seçimlerini, çıkarım gecikmesini ve dağıtım uygunluğunu değerlendirerek derinlemesine bir teknik analiz sunmaktadır. Ayrıca, Ultralytics ve YOLO11 gibi modern alternatiflerin bu temeller üzerine nasıl inşa edildiğini ve üstün kullanım kolaylığı ve son teknoloji performansı sunduğunu inceleyeceğiz.
İnteraktif Performans Kıyaslamaları
Bu modellerin mevcut bilgisayar görme hiyerarşisinde nerede durduğunu anlamak için aşağıdaki tabloyu inceleyin. Bu tablo, hız (gecikme süresi) ve doğruluk (mAP) arasındaki dengeleri görselleştirerek, donanım kısıtlamalarınız için en uygun modeli belirlemenize yardımcı olur.
Metrik Karşılaştırma Tablosu
Aşağıdaki tablo, COCO indeki performans ölçütlerinin ayrıntılı bir görünümünü sunmaktadır. Verimlilikteki, özellikle parametre-performans oranındaki gelişime dikkat edin.
| Model | boyut (piksel) | mAPval 50-95 | Hız CPU ONNX (ms) | Hız T4 TensorRT10 (ms) | parametreler (M) | FLOP'lar (B) |
|---|---|---|---|---|---|---|
| EfficientDet-d0 | 640 | 34.6 | 10.2 | 3.92 | 3.9 | 2.54 |
| EfficientDet-d1 | 640 | 40.5 | 13.5 | 7.31 | 6.6 | 6.1 |
| EfficientDet-d2 | 640 | 43.0 | 17.7 | 10.92 | 8.1 | 11.0 |
| EfficientDet-d3 | 640 | 47.5 | 28.0 | 19.59 | 12.0 | 24.9 |
| EfficientDet-d4 | 640 | 49.7 | 42.8 | 33.55 | 20.7 | 55.2 |
| EfficientDet-d5 | 640 | 51.5 | 72.5 | 67.86 | 33.7 | 130.0 |
| EfficientDet-d6 | 640 | 52.6 | 92.8 | 89.29 | 51.9 | 226.0 |
| EfficientDet-d7 | 640 | 53.7 | 122.0 | 128.07 | 51.9 | 325.0 |
| PP-YOLOE+t | 640 | 39.9 | - | 2.84 | 4.85 | 19.15 |
| PP-YOLOE+s | 640 | 43.7 | - | 2.62 | 7.93 | 17.36 |
| PP-YOLOE+m | 640 | 49.8 | - | 5.56 | 23.43 | 49.91 |
| PP-YOLOE+l | 640 | 52.9 | - | 8.36 | 52.2 | 110.07 |
| PP-YOLOE+x | 640 | 54.7 | - | 14.3 | 98.42 | 206.59 |
EfficientDet: Bileşik Ölçeklendirmenin Öncüleri
Google tarafından geliştirilen EfficientDet, doğruluk ve verimliliğin metodik olarak birlikte ölçeklendirilebileceğini önererek model tasarımında devrim yarattı. EfficientDet'ten önce, bir modeli ölçeklendirmek, derinliği, genişliği veya çözünürlüğü keyfi olarak artırmak anlamına geliyordu.
- Yazarlar: Mingxing Tan, Ruoming Pang ve Quoc V. Le
- Kuruluş:Google
- Tarih: 2019-11-20
- Arxiv:EfficientDet: Ölçeklenebilir ve Verimli Nesne Algılama
- GitHub:google/automl/efficientdet
Mimari Yenilikler
EfficientDet, yüksek parametre verimliliği ile bilinen EfficientNet backbone kullanır. Ancak, onu ayıran özelliği BiFPN (Çift Yönlü Özellik Piramit Ağı)dır. Özellikleri ayırt etmeden toplayan standart FPN'lerden farklı olarak, BiFPN farklı giriş özelliklerine öğrenilebilir ağırlıklar uygular ve ağın her ölçeğin önemini öğrenmesini sağlar.
Bu, backbone, özellik ağı ve tahmin ağlarının çözünürlüğünü, derinliğini ve genişliğini eşit şekilde ölçeklendiren katsayı tabanlı bir yöntem olan Bileşik Ölçeklendirme ile birleştirilir. Bu bütünsel yaklaşım, EfficientDet'in mobil cihazlardan (D0) üst düzey GPU (D7) kadar geniş bir yelpazedeki kaynak kısıtlamalarını kapsamasına olanak tanır.
EfficientDet hakkında daha fazla bilgi edinin
PP-YOLOE+: Endüstriyel Kullanım için Geliştirilmiş
PP-YOLOE+, Baidu'nun PaddlePaddle YOLO bir evrimidir. V100 ve T4 gibi bulut ve kenar GPU için özel olarak optimize edilmiş, bağlantı noktası içermeyen dedektörlere doğru bir geçişi temsil eder.
- Yazarlar: PaddlePaddle Yazarları
- Kuruluş:Baidu
- Tarih: 2022-04-02
- Arxiv:PP-YOLOE: YOLO'nun Gelişmiş Bir Versiyonu
- GitHub:PaddlePaddle/PaddleDetection
Mimari Yenilikler
PP-YOLOE+'daki "Plus" harfi, CSPRepResNet backbone güçlü bir backbone dahil olmak üzere orijinaline göre yapılan iyileştirmeleri ifade eder. Bu mimari, yeniden parametreleştirmeyi kullanarak karmaşık eğitim zamanı yapılarını basit çıkarım zamanı katmanlarına dönüştürür ve hızı önemli ölçüde artırır.
PP-YOLOE+, sınıflandırma ve yerelleştirme puanlarının bir kombinasyonuna dayalı olarak pozitif örnekleri dinamik olarak seçen bir etiket atama stratejisi olan Görev Hizalama Öğrenimi (TAL) kullanır. Bu, yüksek güvenilirlikli tahminlerin aynı zamanda en doğru yerelleştirilmiş tahminler olmasını sağlar, ki bu da çapa içermeyen dedektörlerde sık karşılaşılan bir zorluktur.
PP-YOLOE+ hakkında daha fazla bilgi edinin
Derinlemesine İnceleme: Önemli Farklılıklar
1. Özellik Birleştirme Metodolojileri
EfficientDet'in BiFPN'si teorik olarak zariftir ve karmaşık özelliklerin geri dönüşümüne olanak tanır. Ancak, bellek erişim modellerindeki bu düzensizlik, tekdüze matris işlemlerini tercih eden donanım hızlandırıcılarında yavaşlığa neden olabilir. Buna karşılık, PP-YOLOE+ PANet'inde RepResBlock tasarımını kullanır. Bu tasarım, eğitim sırasında matematiksel olarak karmaşık bloklara eşdeğerdir, ancak çıkarım sırasında tek bir konvolüsyona dönüşerek GPU en üst düzeye çıkarır.
2. Eğitim İstikrarı
EfficientDet, AutoML çerçevesine dayanmaktadır ve bu çerçeve, büyük kaynaklar olmadan kopyalanması veya ince ayar yapılması hesaplama açısından maliyetli olabilir. PP-YOLOE+, PaddlePaddle tipik bir özelliği olan statik grafik yaklaşımını kullanır. Bu yaklaşım kararlıdır, ancak PyTorch modellerin dinamik yapısına kıyasla katı gelebilir. Ultralytics YOLOv8 veya YOLO11 gibi PyTorch tabanlı modellerin dinamik doğasına kıyasla katı gelebilir.
3. Ekosistem ve Bakım
Google deposu tarihsel olarak önemli olsa da, topluluk odaklı projelere kıyasla daha az aktif bir bakım görmektedir. PP-YOLOE+, sağlam ancak PaddlePaddle sıkı sıkıya bağlı olan PaddleDetection paketinin bir parçasıdır. Bu, PyTorch TensorFlow alışkın geliştiriciler için zorlu bir öğrenme eğrisi oluşturabilir ve standart olmayan donanımlara model dağıtım sürecini karmaşıklaştırabilir.
Dağıtım Karmaşıklığı
PaddlePaddle gibi belirli çerçevelerden modellerin dağıtılması PaddlePaddle özel dönüştürme araçları gerektirir (ör. paddle2onnx) TensorRT OpenVINO gibi genel çıkarım motorlarıyla kullanılabilmeleri için.
Ultralytics : YOLO26 ve YOLO11
EfficientDet ve PP-YOLOE+ bu alanda öncü rol oynarken, sektör daha iyi hız-doğruluk dengesi ve önemli ölçüde daha iyi kullanılabilirlik sunan modellere doğru ilerlemiştir. Ultralytics modeller, ham performansın yanı sıra sorunsuz bir geliştirici deneyimine ("Kullanım Kolaylığı") öncelik vermektedir.
Geliştiriciler Neden Ultralytics'i Seçiyor?
- Kullanım Kolaylığı: Birleştirilmiş Python ile, YOLO11, YOLO26 ve RT-DETR arasından geçiş yapabilirsiniz.
- İyi Bakımlı Ekosistem: Ultralytics ve aktif GitHub topluluğu, en son hata düzeltmelerine, dışa aktarım formatlarına ve dağıtım kılavuzlarına erişiminizi sağlar.
- Bellek Verimliliği: Ultralytics , eski mimarilere veya ağır transformatör modellerine kıyasla eğitim sırasında düşük bellek ayak izi ile tanınır ve bu sayede tüketici sınıfı GPU'larda erişilebilir hale gelir.
- Çok yönlülük: EfficientDet'ten (yalnızca algılama) farklı olarak, Ultralytics segmentasyon, poz tahmini, OBB ve sınıflandırmayı yerel olarak destekler.
Öne Çıkanlar: YOLO26
Yeni piyasaya sürülen YOLO26, 2026 için yeni bir standart belirliyor. Önceki nesillerin sınırlamalarını özel olarak ele alan özellikler içeriyor:
- Yerel olarak uçtan uca: YOLO26, NMS bir mimaridir. Bu, kalabalık sahnelerde genellikle bir darboğaz oluşturan maksimum bastırma adımını tamamen ortadan kaldırır ve dağıtım mantığını önemli ölçüde basitleştirir.
- MuSGD Optimizer: LLM eğitiminden esinlenerek geliştirilen bu optimizer, büyük veri kümelerinde bile istikrarlı bir yakınsama sağlar.
- ProgLoss + STAL: Bu gelişmiş kayıp fonksiyonları, EfficientDet'in yüksek çözünürlüklü ölçeklendirmesine kıyasla YOLO geleneksel zayıf noktası olan küçük nesne algılamayı iyileştirir.
from ultralytics import YOLO
# Load the latest YOLO26 model
model = YOLO("yolo26s.pt")
# Train on a custom dataset with MuSGD optimizer
model.train(data="coco8.yaml", epochs=100, imgsz=640)
# Run inference on an image
results = model("https://ultralytics.com/images/bus.jpg")
YOLO26 hakkında daha fazla bilgi edinin
Gerçek Dünya Uygulamaları
Doğru modeli seçmek genellikle belirli endüstri uygulamasına bağlıdır.
Tıbbi Görüntüleme
EfficientDet'in D7 varyantı, çok yüksek çözünürlüklü girdileri etkili bir şekilde işlediği için tıbbi görüntü analizinde (X-ışınlarında tümörleri tespit etmek gibi) tarihsel olarak popüler olmuştur. Ancak, yavaş çıkarım hızı onu çevrimdışı işlemeye sınırlamaktadır. YOLO11 gibi modern alternatifler YOLO11 gibi modern alternatifler artık gerçek zamanlı tanı yardımcıları için tercih edilmektedir.
Üretim ve Kalite Kontrol
PP-YOLOE+, kameraların sabit ve aydınlatmanın kontrol edildiği otomatik üretim ortamlarında üstün performans gösterir. TensorRT için optimize edilmiş olması, kusurları tespit eden yüksek hızlı montaj hatları için uygun olmasını TensorRT .
Akıllı Şehirler ve Kenar Yapay Zeka
Trafik izleme gibi akıllı şehir uygulamaları için Ultralytics en iyi seçimdir. %43 daha hızlı CPU kapasitesi, özel yüksek güçlü GPU'ların bulunmadığı uç cihazlar (Raspberry Pi veya NVIDIA gibi) için çok önemlidir. NMS kaldırılması, gecikmenin belirleyici olduğu anlamına gelir NMS gerçek zamanlı güvenlik sistemleri için çok önemli bir faktördür.
Sonuç
Hem EfficientDet hem de PP-YOLOE+, bilgisayar görme tarihinin önemli kilometre taşlarıdır. EfficientDet, ölçeklendirmenin bilimsel olabileceğini kanıtlarken, PP-YOLOE+ GPU bağlantısız tasarımların gücünü göstermiştir.
Ancak, 2026 yılında yeni projelere başlayan geliştiriciler için Ultralytics en cazip paketi sunuyor. Modern ankrajsız kafaların doğruluğunu, NMS tasarımın basitliği ve Ultralytics sağlam desteği ile birleştirerek, konseptten üretime en hızlı yolu sunuyor.
En son teknolojiye sahip modellerinizi bugün eğitmeye başlamak için Ultralytics ziyaret edin.