Başla

EfficientDet ve RTDETRv2

Bilgisayarlı görü projeleri için en uygun mimariyi seçmek, çok çeşitli sinir ağları arasından karar vermeyi gerektirir. Bu kılavuz iki farklı yaklaşımı karşılaştırıyor: ölçeklenebilir bir Evrişimli Sinir Ağı (CNN) ailesi olan EfficientDet ve gerçek zamanlı bir Transformer dedektörü olan RTDETRv2. Yapısal farklılıkları, eğitim yöntemlerini ve çeşitli donanım ortamlarındaki dağıtım uygunluklarını değerlendiriyor.

Eski CNN verimliliği ile modern Transformer yetenekleri arasındaki ödünleşimleri anlamak, geliştiricilerin bilinçli kararlar vermesine yardımcı olur. Kılavuz ayrıca Ultralytics YOLO26 modelinin hızlı, doğru ve kullanımı kolay modellerle bu boşluğu nasıl kapattığını açıklıyor.

EfficientDet'i Anlamak#

EfficientDet, model ölçeklendirmeye ilkeli bir yaklaşım getirerek nesne tespitini ileriye taşıdı.

Mimari ve Temel Kavramlar#

EfficientDet'in temelinde EfficientNet'i omurga olarak kullanmak ve Çift Yönlü Özellik Piramidi Ağı'nı (BiFPN) devreye almak bulunur. BiFPN, farklı giriş özelliklerinin önemini öğrenmek amacıyla öğrenilebilir ağırlıklar uygulayarak hızlı, çok ölçekli özellik birleştirmeyi mümkün kılar. Buna, omurga, özellik ağı ve kutu/sınıf tahmin ağlarının tümü için çözünürlüğü, derinliği ve genişliği aynı anda tutarlı biçimde ölçeklendiren bir bileşik ölçeklendirme yöntemi eşlik eder.

Güçlü Yönler ve Sınırlamalar#

EfficientDet'in başlıca gücü parametre verimliliğidir. Yayımlandığı dönemde EfficientDet-D0 gibi modeller, önceki YOLO sürümlerine kıyasla daha az parametre ve FLOPs ile daha yüksek doğruluğa ulaşıyordu. Bu özellik, hesaplama kaynaklarının kesin biçimde kısıtlı olduğu ortamlarda modeli cazip kılıyordu.

Ancak EfficientDet, çakışan sınırlayıcı kutuları filtrelemek için son işlemede standart Maksimum Olmayan Bastırma (NMS) kullanır; bu da gerçek zamanlı işlem hatlarında gecikme darboğazlarına yol açabilir. Eğitim süreci iyi belgelenmiş olsa da EfficientDet'i ince ayarlamak, modern araçların yalın geliştirici deneyimine kıyasla zahmetli olabilir.

EfficientDet hakkında daha fazla bilgi edin

Eski Sürümler için Destek

EfficientDet ölçeklenebilir ağların önünü açmış olsa da bu modelleri modern NPU'lara dağıtmak çoğu zaman kapsamlı elle optimizasyon gerektirir. Daha kolay dağıtım için yeni Ultralytics modelleri tek tıklamayla dışa aktarma işlevi sunar.

RTDETRv2'yi İnceleme#

RTDETRv2, Transformer tabanlı dedektörlerin gelişimini temsil eder ve geleneksel çapa tabanlı CNN'lerden uzaklaşır.

Transformer'lardaki Gelişmeler#

RTDETRv2, Gerçek Zamanlı Algılama Transformer'ı (RT-DETR) temel çizgisini esas alır. Küresel dikkat mekanizmaları kullanarak modelin standart evrişimlerin yerel kısıtları olmadan karmaşık sahne bağlamlarını anlamasını sağlar. En önemli mimari avantajı, yerel olarak NMS gerektirmeyen tasarımıdır. Nesneleri doğrudan giriş görüntüsünden tahmin ederek çıkarım işlem hattını basitleştirir ve NMS son işlemesinde gereken sezgisel ayarları ortadan kaldırır.

Güçlü ve Zayıf Yönler#

RTDETRv2, çakışan nesnelerin geleneksel CNN'lerin kafasını karıştırdığı yüksek yoğunluklu ortamlarda iyi performans gösterir. COCO gibi karmaşık kıyaslama veri kümelerinde yüksek doğruluk sunar.

Doğruluğuna rağmen Transformer modelleri önemli miktarda bellek gerektirir. Eğitim verimliliği belirgin biçimde daha düşüktür; CNN'lere kıyasla yakınsamak için çok daha fazla epoch ve daha yüksek CUDA bellek ayak izi gerekir. Bu durum RTDETRv2'yi, bulut bütçeleri kısıtlı olan veya hızlı prototiplemeye ihtiyaç duyan geliştiriciler için daha az uygun kılar.

RTDETRv2 hakkında daha fazla bilgi edin

Transformer Bellek Kısıtları

RTDETRv2 gibi Transformer modellerini eğitmek genellikle üst düzey GPU'lar gerektirir. Bellek yetersiz (OOM) hatalarıyla karşılaşırsan eğitim sırasında daha az bellek gerektiren Ultralytics YOLO serisi gibi modelleri kullanmayı düşün.

Performans Kıyaslama Karşılaştırması#

Model seçimi için ham performans ölçütlerini anlamak çok önemlidir. Aşağıdaki tabloda EfficientDet ve RTDETRv2 çeşitli boyutlarda karşılaştırılıyor.

Modelboyut
(piksel)
mAPval50-95Hız
CPU ONNX
(ms)
Hız
T4 TensorRT10
(ms)
parametre
(M)
FLOPs
(B)
EfficientDet-d051234.6-3.923.92.54
EfficientDet-d164040.5-7.316.66.1
EfficientDet-d276843.0-10.928.111.0
EfficientDet-d389647.5-19.5912.024.9
EfficientDet-d4102449.7-33.5520.755.2
EfficientDet-d5128051.5-67.8633.7130.0
EfficientDet-d6128052.6-89.2951.9226.0
EfficientDet-d7153653.7-128.0751.9325.0
RTDETRv2-s64048.1-5.032060
RTDETRv2-m64051.9-7.5136100
RTDETRv2-l64053.4-9.7642136
RTDETRv2-x64054.3-15.0376259

Kullanım Alanları ve Öneriler#

EfficientDet ile RT-DETR arasındaki seçim, projenin özel gereksinimlerine, dağıtım kısıtlarına ve ekosistem tercihlerine bağlıdır.

EfficientDet Ne Zaman Seçilmeli#

EfficientDet şu durumlarda iyi bir seçenektir:

  • Google Cloud ve TPU İşlem Hatları: EfficientDet'in referans uygulamasının TPU eğitimini desteklediği Google Cloud TPU altyapısındaki TensorFlow tabanlı sistemler.
  • Bileşik Ölçekleme Araştırmaları: Dengeli ağ derinliği, genişliği ve çözünürlüğü ölçeklemenin etkilerini incelemeye odaklanan akademik karşılaştırmalar.
  • LiteRT ile Mobil Dağıtım: Android veya gömülü Linux cihazlarına dağıtım için özellikle LiteRT (eski adıyla TensorFlow Lite) biçimine dışa aktarma gerektiren projeler.

RT-DETR Ne Zaman Seçilmeli?#

RT-DETR şu durumlarda önerilir:

  • Transformer Tabanlı Tespit Araştırmaları: NMS kullanmadan uçtan uca nesne tespiti için dikkat mekanizmalarını ve Transformer mimarilerini inceleyen projeler.
  • Gecikme Esnekliğinin Olduğu Yüksek Doğruluk Gerektiren Senaryolar: Tespit doğruluğunun en önemli öncelik olduğu ve biraz daha yüksek çıkarım gecikmesinin kabul edilebildiği uygulamalar.
  • Büyük Nesne Tespiti: Transformer'ların genel dikkat mekanizmasının doğal bir avantaj sağladığı, çoğunlukla orta ve büyük nesneler içeren sahneler.

Ultralytics'i (YOLO26) Ne Zaman Seçmeli#

Yeni projelerin çoğunda Ultralytics YOLO26, performans ile geliştirici deneyiminin en iyi birleşimini sunar:

  • NMS Olmadan Uç Dağıtımı: Maksimum Olmayan Bastırma son işleminin karmaşıklığı olmadan tutarlı ve düşük gecikmeli çıkarım gerektiren uygulamalar.
  • Yalnızca CPU Kullanılan Ortamlar: Özel GPU hızlandırması olmayan cihazlarda YOLO26n'in YOLO11n'e kıyasla CPU'da %43'e varan hızlı çıkarım sunması belirgin bir avantaj sağlar.
  • Küçük Nesne Algılama: ProgLoss ve STAL'ın çok küçük nesnelerde doğruluğu önemli ölçüde artırdığı havadan drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolar.

Ultralytics'in Avantajı: YOLO26 ile Tanış#

EfficientDet ve RTDETRv2 bilgisayarlı görü tarihindeki yerlerini almış olsa da modern üretim ortamları hız, doğruluk ve güçlü bir geliştirici deneyimi arasında denge gerektiriyor. Yakın zamanda yayımlanan Ultralytics YOLO26, bu farklı mimarilerin en iyi yönlerini bir araya getiriyor.

YOLO26, Ultralytics'i tanınır kılan yalın ekosistemi çeşitli mimari iyileştirmelerle birleştirerek öne çıkar.

Rakipleri Yerine Neden YOLO26'yı Seçmelisin?#

  • Uçtan Uca, NMS Gerektirmeyen Tasarım: RTDETRv2 gibi Transformer'lara benzer biçimde YOLO26, NMS son işlemesini ortadan kaldıran bir uçtan uca başlık (nms=False) sunar; böylece saf Transformer'ların yüksek parametre sayıları olmadan daha hızlı ve basit dağıtım işlem hatları oluşturur.
  • MuSGD Optimize Edici: Büyük dil modeli eğitim tekniklerinden (Moonshot AI'nin Kimi K2'sinin arkasındaki teknikler gibi) esinlenen YOLO26, SGD ve Muon'un birleşimini kullanır. Bu, RTDETRv2'nin gerektirdiği uzun eğitim programlarına kıyasla kararlı eğitim ve daha hızlı yakınsama sağlar.
  • Uç İçin Optimize Edildi: YOLO26n, YOLO11n'den CPU'da %43'e kadar daha hızlı çıkarım sunar; bu nedenle YOLO26, uç yapay zekâ için geliştirilmiştir. Cep telefonları ve akıllı kameralar gibi kaynakları kısıtlı donanımlarda ağır Transformer modellerinden daha iyi performans gösterir.
  • DFL'nin Kaldırılması: Distribution Focal Loss'un kaldırılması model grafiğini basitleştirerek TensorRT ve ONNX dışa aktarımlarını kolaylaştırır.
  • ProgLoss + STAL: Aşamalı kayıp ve küçük hedef duyarlı etiket ataması, hava görüntüleri ve robotikte sık karşılaşılan bir darboğazı gidererek küçük nesne tanımada kayda değer iyileştirmeler sağlar.
  • Çok yönlülük: Öncelikli olarak tespit görevine odaklanan RTDETRv2'nin aksine YOLO26, örnek segmentasyonunu, görüntü sınıflandırmasını, poz tahminini ve yönlendirilmiş sınırlayıcı kutuları (OBB) yerel olarak destekler; poz için RLE ve OBB için özel açı kaybı gibi göreve özgü iyileştirmeler sunar.
Entegre Ekosistem

Ultralytics Platform'dan yararlanarak veri kümelerini yönetebilir, YOLO26 veya YOLO11 gibi modelleri bulutta eğitebilir ve esnek API'ler aracılığıyla dağıtabilirsin.

Ultralytics ile Kod Yazmanın Kolaylığı#

Bakımı iyi yapılan Ultralytics Python API'si, model eğitimini ve çıkarımını kolaylaştırır. Geliştiriciler, çok az standart kodla modelleri kolayca kıyaslayabilir veya eğitim betiklerini çalıştırabilir.

from ultralytics import YOLO

# YOLO26 modelini yükle
model = YOLO("yolo26n.pt")

# Modeli özel veri kümenle eğit
results = model.train(data="coco8.yaml", epochs=50, imgsz=640)

# Bir test görüntüsü üzerinde çıkarım yap
predictions = model.predict("image.jpg")

Eski altyapıları yönetenler için yaygın kullanılan Ultralytics YOLOv8, Ultralytics ekosisteminin uzun vadeli güvenilirliğini yansıtan kararlı bir seçenek olmaya devam ediyor. İster karmaşık gerçek zamanlı izleme algoritmaları ister basit kusur tespiti kullanıyor ol, YOLO26'ya geçiş sistemini doğru, bellek açısından verimli ve güncel tutar.

Katkıda Bulunanlar

Yorumlar

Bir soru sor, sonuçlarını paylaş veya başka birine yardım et.