EfficientDet ve PP-YOLOE+ Karşılaştırması#

Bilgisayarlı görü alanı, nesne algılama modellerinin sürekli gelişiminden büyük ölçüde etkilenmiştir. Bu yolculuktaki iki önemli kilometre taşı, Google'ın EfficientDet modeli ile Baidu'nun PP-YOLOE+ modelidir. Her iki mimari de hesaplama verimliliği ile algılama doğruluğu arasındaki hassas dengeyi kurmak üzere tasarlanmış olsa da bu zorluğa temelden farklı tasarım felsefeleriyle yaklaşır.

Bu kapsamlı kılavuz, bir sonraki bilgisayarlı görü uygulaman için en uygun sinir ağını seçmene yardımcı olmak amacıyla bu modellerin mimarilerini, eğitim yöntemlerini ve gerçek dünyadaki dağıtım senaryolarını ayrıntılı olarak inceler.

Mimari Yenilikler ve Tasarım Felsefeleri#

Bu modellerin temel mimarisini anlamak, ister uç cihazlarda ister bulut sunucularında olsun, üretim ortamlarında etkili bir şekilde dağıtım yapmak için kritik öneme sahiptir.

EfficientDet: Bileşik Ölçeklemenin Gücü#

Google Research tarafından geliştirilen EfficientDet, model ölçeklemeyi gelişigüzel bir süreç olarak değil, matematiksel açıdan ilkeli bir bileşik ölçekleme yöntemi olarak ele alarak yeni bir paradigma ortaya koydu.

• Yazarlar: Mingxing Tan, Ruoming Pang ve Quoc V. Le
• Kuruluş: Google Research
• Tarih: 2019-11-20
• Arxiv: 1911.09070
• GitHub: google/automl
• Belgeler: EfficientDet Belgeleri

EfficientDet hakkında daha fazla bilgi edin

EfficientDet'in temel yeniliği, Çift Yönlü Özellik Piramidi Ağı (BiFPN) yapısında yatar. Yalnızca üstten alta doğru özellikleri toplayan geleneksel FPN'lerin aksine BiFPN, özellik füzyonunu hem üstten alta hem de alttan üste gerçekleştirmek için öğrenilebilir ağırlıklar kullanır. Bu sayede ağ, farklı giriş özelliklerinin önemini sezgisel olarak anlayabilir. EfficientNet omurgası ile birlikte EfficientDet; çözünürlüğü, derinliği ve genişliği eş zamanlı olarak ölçeklendirerek farklı hesaplama bütçelerine hitap eden bir model ailesi (d0'dan d7'ye) oluşturur.

PP-YOLOE+: PaddlePaddle'ın Sınırlarını Zorlamak#

Önceki modellerinin başarıları üzerine inşa edilen PP-YOLOE+, Baidu'daki PaddlePaddle ekibi tarafından özellikle yüksek verimli sunucu dağıtımları için optimize edilmiş, son teknoloji performans sunmak üzere tasarlandı.

• Yazarlar: PaddlePaddle Authors
• Kuruluş: Baidu
• Tarih: 2022-04-02
• Arxiv: 2203.16250
• GitHub: PaddlePaddle/PaddleDetection
• Belgeler: PP-YOLOE+ Yapılandırması

PP-YOLOE+ hakkında daha fazla bilgi edinin

PP-YOLOE+, özellik çıkarımını çıkarım gecikmesini artırmadan geliştirmek için Aşamalar Arası Kısmi ağları yeniden parametrelendirme teknikleriyle birleştiren bir CSPRepResNet omurgasına sahiptir. ET-head (Verimli Görev Hizalamalı başlık), sınıflandırma ve konumlandırma görevleri arasındaki uyumu önemli ölçüde iyileştirir. Ayrıca dinamik etiket atamayla (TAL) birleştirilmiş anchorsız bir tasarım kullanır; bu da eğitim sürecini kolaylaştırır ve farklı veri kümeleri arasındaki genelleme yeteneğini geliştirir.

Performans Ölçümleri ve Karşılaştırmalı Testler#

Gerçek zamanlı çıkarım için bir model seçerken ortalama Hassasiyet (mAP) ile hesaplama hızı arasındaki dengeyi değerlendirmek büyük önem taşır. Aşağıdaki tablo, her iki model ailesinin temel performans ölçütlerini özetlemektedir.

Görüldüğü üzere PP-YOLOE+, özellikle daha büyük türevlerinde (l ve x), eşit parametre sayılarında genellikle daha yüksek doğruluk değerlerine ulaşır. GPU verimi için büyük ölçüde optimize edilmiştir ve bu da onu toplu işleme sunucusu dağıtımları için mükemmel bir aday haline getirir. Buna karşılık, daha küçük EfficientDet modelleri oldukça verimli bir parametre/FLOP oranı sunar; bu özellik, belleğin ciddi ölçüde kısıtlı olduğu ortamlarda avantaj sağlayabilir.

İdeal Kullanım Alanları ve Dağıtım Stratejileri#

Bu mimariler arasındaki seçim çoğu zaman mevcut teknoloji yığınına ve dağıtım donanımına büyük ölçüde bağlıdır.

EfficientDet'i ne zaman seçmelisin:

• AutoML İş Akışları: Google ekosistemine büyük ölçüde yatırım yaptıysan ve otomatik mimari arama özelliklerine güveniyorsan.
• Kaynakları Kısıtlı Uç Ortamlar: Alt seviye modeller (d0, d1), parametre boyutunun kesin bir kısıt olduğu mobil CPU'larda öngörülebilir performans sunar.

PP-YOLOE+'ı ne zaman seçmelisin:

• Üst Düzey GPU Sunucuları: Akıllı şehir gözetimi için yüzlerce eş zamanlı video akışını işlemek gibi, NVIDIA donanımında maksimum verim gerektiren senaryolar.
• PaddlePaddle Ekosistemi: Geliştirme ekibin zaten Baidu'nun derin öğrenme çerçevesini kullanıyorsa PP-YOLOE+'ı entegre etmek sorunsuzdur.

Ultralytics Avantajı: YOLO26 ile Tanışın#

EfficientDet ve PP-YOLOE+ güçlü modeller olsa da yapay zekâdaki hızlı yenilik temposu, hem son teknoloji performans hem de benzersiz kullanım kolaylığı sunan çözümler gerektirir. Ultralytics YOLO26 tam da bu noktada öne çıkarak modern bilgisayarlı görü uygulamaları için başlıca tercih haline gelir.

2026'da yayımlanan YOLO26, yerel bir uçtan Uca NMS'siz Tasarım sunarak gerçek zamanlı nesne algılamayı tamamen yeniden tanımlar. Eski modellerde kalıcı bir darboğaz olan Maksimum Olmayan Bastırma son işleme adımını ortadan kaldıran YOLO26, dağıtımı büyük ölçüde basitleştirir ve çıkarım gecikmesindeki titreşimi azaltır.

Ayrıca YOLO26, uç ortam dağıtımları için özel olarak optimize edilmiştir. Dağılımsal Odak Kayıbının (DFL) kaldırılması, ONNX ve TensorRT gibi biçimlere dışa aktarma sürecini basitleştirerek önceki nesillere kıyasla %43'e kadar daha hızlı CPU çıkarımı sağlar. Bu da onu pille çalışan IoT cihazları için gerçek bir güç merkezi haline getirir.

Geliştiriciler ayrıca ProgLoss + STAL dahil olmak üzere YOLO26'nın gelişmiş kayıp fonksiyonlarından yararlanabilir. Bu fonksiyonlar, hava görüntüleri ve hassas tarım uygulamaları için kritik bir gereksinim olan küçük nesne tanımada dikkate değer iyileştirmeler gösterir.

Ultralytics ile Sorunsuz Dağıtım#

Ultralytics'in gerçek gücü, birleşik ekosisteminde yatar. Karmaşık ve amaca özel eğitim betikleri gerektiren modellerin aksine YOLO26, son derece yalın bir API sunar. Özel veri kümen üzerinde bir model eğitmek için yalnızca birkaç satır Python kodu yeterlidir:

from ultralytics import YOLO

# Load a pre-trained YOLO26 model
model = YOLO("yolo26n.pt")

# Train the model on the COCO8 dataset
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

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

# Export to ONNX format for deployment
model.export(format="onnx")

İster standart algılama ister örnek bölütleme ve poz tahmini gibi özel görevler gereksin, YOLO26 bunları çok ölçekli prototipler ve Artık Log-Olabilirlik Tahmini (RLE) ile aynı kullanıcı dostu çerçeve içinde yerel olarak destekler.

Dikkate Değer Diğer Modelleri İnceleme#

Belirli kurumsal gereksinimler için mimarileri değerlendiriyorsan, hâlâ sağlam ve üretimde test edilmiş bir iş gücü olan önceki nesil Ultralytics YOLO11 modelini de değerlendirmeye değer. Transformer tabanlı mimarilerin tercih edildiği uygulamalarda RT-DETR ilgi çekici bir alternatif sunar; ancak son derece verimli YOLO türevlerine kıyasla eğitim sırasında genellikle daha yüksek CUDA bellek yükü gerektirir.

Sonuç olarak EfficientDet ilkeli ölçekleme, PP-YOLOE+ ise kendi çerçevesi içinde mükemmel GPU verimi sunarken Ultralytics YOLO26, günümüzde kullanılabilen en dengeli, çok yönlü ve geliştirici dostu çözümü sunar. Yerel uçtan uca mimarisi ve kapsamlı entegrasyon özellikleri, onu yeni nesil görsel yapay zekâ için önerilen temel haline getirir.