EfficientDet ve PP-YOLOE+
Bilgisayarlı görü, nesne tespiti modellerinin istikrarlı gelişimiyle şekillendi. Bu alandaki iki önemli dönüm noktası Google'ın EfficientDet'i ve Baidu'nun PP-YOLOE+ modelidir. Her iki mimari de hesaplama verimliliğiyle tespit doğruluğunu dengelese de bu zorluğa temelden farklı tasarım anlayışlarıyla yaklaşır.
Bu kılavuz, bir sonraki bilgisayarlı görü uygulaman için doğru sinir ağını seçmene yardımcı olmak üzere mimarileri, eğitim yöntemlerini ve gerçek dünyadaki dağıtım senaryolarını inceliyor.
Mimari Yenilikler ve Tasarım Yaklaşımları#
Uç cihazlarda veya bulut sunucularında üretim ortamlarına etkili biçimde dağıtım yapabilmek için bu modellerin temel mimarisini anlamak çok önemlidir.
EfficientDet: Bileşik Ölçeklemenin Gücü#
Google Research tarafından geliştirilen EfficientDet, gelişigüzel ölçeklendirmeyi ilkeli bir bileşik ölçeklendirme yöntemiyle değiştirerek dedektörlerin ölçeklendirilme biçimini değiştirdi.
- 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'dır (BiFPN). Özellikleri yalnızca yukarıdan aşağıya toplayan geleneksel FPN'lerin aksine BiFPN, yukarıdan aşağıya ve aşağıdan yukarıya özellik birleştirme için öğrenilebilir ağırlıklar kullanır. Bu, ağın farklı giriş özelliklerinin önemini öğrenmesini sağlar. EfficientNet omurgasıyla birlikte EfficientDet, çözünürlüğü, derinliği ve genişliği aynı anda ölçeklendirerek farklı hesaplama bütçelerine uygun bir model ailesi (d0'dan d7'ye) oluşturur.
EfficientDet'i dağıtırken hedef donanımını dikkatle göz önünde bulundur. d0 mobil cihazlar için uygunken d7'ye ölçeklemek önemli miktarda GPU belleği ve hesaplama gücü gerektirir.
PP-YOLOE+: PaddlePaddle'ın Sınırlarını Zorluyor#
Önceki modellerinin başarısı üzerine inşa edilen PP-YOLOE+, yüksek doğruluk sunmak ve yüksek iş hacimli sunucu dağıtımları için optimize edilmek üzere Baidu'daki PaddlePaddle ekibi tarafından tasarlandı.
- Yazarlar: PaddlePaddle yazarları
- Kurum: Baidu
- Tarih: 2022-04-02
- arXiv: 2203.16250
- GitHub: PaddlePaddle/PaddleDetection
- Belgeler: PP-YOLOE+ Yapılandırması
PP-YOLOE+ hakkında daha fazla bilgi edin
PP-YOLOE+, çıkarım gecikmesini artırmadan özellik çıkarımını iyileştirmek için Aşamalar Arası Kısmi ağları yeniden parametrelendirme teknikleriyle birleştiren bir CSPRepResNet omurgası içerir. ET başlığı (Verimli Görev Hizalı başlık), sınıflandırma ve konum belirleme görevleri arasındaki hizalamayı önemli ölçüde iyileştirir. Ayrıca, eğitim sürecini yalınlaştıran ve farklı veri kümelerinde genellemeyi artıran dinamik etiket ataması (TAL) ile bağlantısız bir tasarım kullanır.
Performans Ölçütleri ve Kıyaslamalar#
Gerçek zamanlı çıkarım için model seçerken Ortalama Hassasiyet (mAP) ile hesaplama hızı arasındaki dengeyi değerlendirmek çok önemlidir. Aşağıdaki tabloda iki model ailesinin temel performans ölçütleri özetlenmiştir.
| Model | boyut (piksel) | mAPval50-95 | Hız CPU ONNX (ms) | Hız T4 TensorRT10 (ms) | parametre (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| EfficientDet-d0 | 512 | 34.6 | - | 3.92 | 3.9 | 2.54 |
| EfficientDet-d1 | 640 | 40.5 | - | 7.31 | 6.6 | 6.1 |
| EfficientDet-d2 | 768 | 43.0 | - | 10.92 | 8.1 | 11.0 |
| EfficientDet-d3 | 896 | 47.5 | - | 19.59 | 12.0 | 24.9 |
| EfficientDet-d4 | 1024 | 49.7 | - | 33.55 | 20.7 | 55.2 |
| EfficientDet-d5 | 1280 | 51.5 | - | 67.86 | 33.7 | 130.0 |
| EfficientDet-d6 | 1280 | 52.6 | - | 89.29 | 51.9 | 226.0 |
| EfficientDet-d7 | 1536 | 53.7 | - | 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 |
Görüldüğü gibi PP-YOLOE+, özellikle daha büyük sürümlerinde (l ve x), eşdeğer parametre sayılarında genellikle daha yüksek doğruluk zirvelerine ulaşır. GPU iş hacmi için optimize edilmiştir ve bu nedenle sunucularda yığın işleme dağıtımları için güçlü bir adaydır. Buna karşılık küçük EfficientDet modellerinin parametre ve FLOP sayıları çok düşüktür; bu, belleğin ciddi biçimde kısıtlı olduğu ortamlarda avantaj sağlayabilir.
Uygun Kullanım Alanları ve Dağıtım Stratejileri#
Bu mimariler arasındaki seçim çoğu zaman mevcut teknoloji yığınına ve dağıtım donanımına bağlıdır.
EfficientDet'i ne zaman seçmelisin:
- AutoML İş Akışları: Google ekosistemini yoğun biçimde kullanıyor ve otomatik mimari arama özelliklerinden yararlanıyorsan.
- Kaynakları Kısıtlı Uç Cihazlar: Alt seviye modeller (d0, d1) az sayıda parametreye sahiptir (3.9M ve 6.6M); bu nedenle model boyutunun katı bir kısıt olduğu cihazlar için uygundur.
PP-YOLOE+'ı ne zaman seçmelisin:
- Üst Düzey GPU Sunucuları: Akıllı şehir gözetimi için yüzlerce eşzamanlı video akışını işlemek gibi, NVIDIA donanımında en yüksek iş hacmini gerektiren senaryolar.
- PaddlePaddle Ekosistemi: Geliştirme ekibin Baidu'nun derin öğrenme çerçevesini zaten kullanıyorsa PP-YOLOE+'ı entegre etmek kolaydır.
Ultralytics'in Avantajı: YOLO26 ile Tanış#
EfficientDet ve PP-YOLOE+ yetenekli modeller olsa da modern projeler, yüksek performansı kullanım kolaylığıyla birleştiren çözümlere ihtiyaç duyar. Modern bilgisayarlı görü uygulamaları için önerilen seçenek olan Ultralytics YOLO26 bu noktada öne çıkar.
Ocak 2026'da yayımlanan YOLO26, yerel Uçtan Uca NMS'siz Tasarım sunar. Eski modellerde kalıcı bir darboğaz olan Maksimum Olmayan Bastırma (NMS) son işleme adımını isteğe bağlı olarak atlayarak (nms=False), YOLO26 dağıtımı kolaylaştırır ve çıkarım gecikmesindeki dalgalanmaları azaltır.
YOLO26, uç dağıtımlar için de optimize edilmiştir. Distribution Focal Loss (DFL) bileşeninin kaldırılması, ONNX ve TensorRT gibi biçimlere dışa aktarma sürecini basitleştirir; YOLO26n ise YOLO11n'e kıyasla %43'e kadar daha hızlı CPU çıkarımı sunar. Bu özellikleriyle pille çalışan IoT cihazları için güçlü bir seçenektir.
YOLO26, SGD ve Muon'un bir melezi olan MuSGD Optimizer'ı bünyesinde barındırır. LLM eğitimindeki ilerlemelerden ilham alan bu optimizer, kararlı eğitim ve hızlı yakınsama sağlayarak GPU hesaplama süresinden tasarruf ettirir.
Geliştiriciler, küçük nesnelerin tanınmasını iyileştiren YOLO26'nın aşamalı kayıp ve küçük hedefleri dikkate alan etiket atama (ProgLoss + STAL) yöntemlerinden de yararlanır. Bu özellikler, hava görüntüleri ve hassas tarım uygulamaları için kritik bir gereksinimdir.
Ultralytics ile Dağıtım#
Ultralytics'in en büyük gücü, birleşik ekosisteminde yatar. Karmaşık, amaca özel eğitim betikleri gerektiren modellerin aksine YOLO26, sadeleştirilmiş bir API sunar. Özel veri kümen üzerinde model eğitmek için yalnızca birkaç satır Python kodu yeterlidir:
from ultralytics import YOLO
# Önceden eğitilmiş bir YOLO26 modelini yükle
model = YOLO("yolo26n.pt")
# Modeli COCO8 veri kümesinde eğit
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# Yeni bir görüntü üzerinde çıkarım yap
predictions = model("https://ultralytics.com/images/bus.jpg")
# Dağıtım için ONNX biçimine aktar
model.export(format="onnx")Standart nesne algılama ya da örnek segmentasyonu ve poz tahmini gibi özel görevler gereksin, YOLO26 bunları çok ölçekli prototipler ve Residual Log-Likelihood Estimation (RLE) ile aynı kullanıcı dostu çerçevede yerel olarak destekler.
Diğer Önemli Modelleri İnceleme#
Belirli kurumsal gereksinimler için mimarileri değerlendiriyorsan, sağlamlığını kanıtlamış ve üretimde test edilmiş bir model olmayı sürdüren önceki nesil Ultralytics YOLO11 modelini de değerlendirebilirsin. Transformer tabanlı mimarilerin tercih edildiği uygulamalar için RT-DETR ilgi çekici bir alternatif sunar; ancak eğitim sırasında genellikle daha verimli YOLO varyantlarından daha fazla CUDA belleği gerektirir.
Sonuç olarak EfficientDet, temellere dayalı ölçekleme sunarken PP-YOLOE+ kendi özel çatısı içinde mükemmel GPU iş hacmi sağlıyor; ancak Ultralytics YOLO26 bugün mevcut en dengeli, çok yönlü ve geliştirici dostu çözümü sunuyor. Yerel uçtan uca mimarisi ve kapsamlı entegrasyon olanakları, YOLO26'yı yeni nesil görsel AI için önerilen temel hâline getiriyor.
Yorumlar
Bir soru sor, sonuçlarını paylaş veya başka birine yardım et.