EfficientDet ve RTDETRv2#
Bilgisayarlı görü projeleri için en uygun mimariyi seçmek, çeşitli sinir ağı seçenekleri arasında yol almayı gerektirir. Bu kılavuzda iki farklı yaklaşım arasında ayrıntılı bir teknik karşılaştırma sunulmaktadır: son derece ölçeklenebilir bir Evrişimli Sinir Ağı (CNN) ailesi olan EfficientDet ve son teknoloji ürünü gerçek zamanlı bir Transformer modeli olan RTDETRv2. Yapısal farklılıklarını, eğitim yöntemlerini ve çeşitli donanım ortamlarındaki dağıtım uygunluklarını değerlendiriyoruz.
Geliştiriciler, eski nesil verimlilik ile modern Transformer yetenekleri arasındaki ödünleşimleri anlayarak bilinçli kararlar verebilir. Ayrıca, yeni Ultralytics YOLO26 gibi modern alternatiflerin aradaki boşluğu nasıl kapattığını; benzersiz hız, doğruluk ve kullanım kolaylığı sunduğunu inceleyeceğiz.
EfficientDet'i Anlamak#
EfficientDet, model ölçeklendirmeye sistematik bir yaklaşım getirerek nesne algılama alanında devrim yarattı.
- Yazarlar: Mingxing Tan, Ruoming Pang ve Quoc V. Le
- Kuruluş: Google
- Tarih: 20 Kasım 2019
- Arxiv: https://arxiv.org/abs/1911.09070
- GitHub: Google AutoML Deposu
- Belgeler: EfficientDet Belgeleri
Mimari ve Temel Kavramlar#
EfficientDet'in temelinde EfficientNet omurgası bulunur ve Bi-directional Feature Pyramid Network (BiFPN) kullanılır. BiFPN, farklı giriş özelliklerinin önemini öğrenmek için öğrenilebilir ağırlıklar uygulayarak çok ölçekli özelliklerin kolay ve hızlı bir şekilde birleştirilmesini sağlar. Bu yapı, tüm omurga, özellik ağı ve kutu/sınıf tahmin ağlarının çözünürlüğünü, derinliğini ve genişliğini aynı anda ve uniform biçimde ölçeklendiren bileşik bir ölçeklendirme yöntemiyle birleştirilir.
Güçlü Yönler ve Sınırlamalar#
EfficientDet'in başlıca gücü parametre verimliliğinde yatar. Yayınlandığı dönemde EfficientDet-D0 gibi modeller, önceki YOLO sürümlerine kıyasla daha az parametre ve FLOPs ile daha yüksek doğruluk elde etti. Bu da onu katı işlem gücü sınırlamaları bulunan ortamlar için son derece cazip hâle getirdi.
Bununla birlikte EfficientDet, örtüşen sınırlayıcı kutuları filtrelemek için son işleme aşamasında standart maksimum olmayan bastırmaya (NMS) dayanır; bu da gerçek zamanlı işlem hatlarında gecikme darboğazlarına yol açabilir. Ayrıca eğitim süreci iyi belgelenmiş olsa da EfficientDet'i ince ayarlamak, modern araçlarda bulunan kapsamlı biçimde optimize edilmiş geliştirici deneyimlerine kıyasla zahmetli olabilir.
EfficientDet hakkında daha fazla bilgi edin
EfficientDet ölçeklenebilir ağların önünü açmış olsa da bu modelleri modern NPU'larda dağıtmak genellikle kapsamlı manuel optimizasyon gerektirir. Daha sorunsuz dağıtımlar için daha yeni Ultralytics modelleri tek tıklamayla dışa aktarma işlevi sunar.
RTDETRv2'yi İnceleme#
RTDETRv2, Transformer tabanlı mimarilerin gelişimini temsil eder ve paradigmayı geleneksel bağlantı noktası tabanlı CNN'lerden uzaklaştırır.
- Yazarlar: Wenyu Lv, Yian Zhao, Qinyao Chang, Kui Huang, Guanzhong Wang ve Yi Liu
- Kuruluş: Baidu
- Tarih: 2024-07-24
- Arxiv: https://arxiv.org/abs/2407.17140
- GitHub: RT-DETR Deposu
- Belgeler: RTDETRv2 Belgeleri
Transformer'lardaki Gelişmeler#
RTDETRv2, Gerçek Zamanlı Algılama Transformer'ı (RT-DETR) temel modelini geliştirir. Küresel dikkat mekanizmalarından yararlanarak modelin, standart evrişimlerin yerel kısıtlamaları olmadan karmaşık sahne bağlamlarını anlamasını sağlar. Mimarisinin en önemli avantajı, doğal olarak NMS gerektirmeyen tasarımıdır. Nesneleri doğrudan giriş görüntüsünden tahmin ederek çıkarım işlem hattını basitleştirir ve NMS son işlemesinde gereken sezgisel ayarlamalardan kaçınır.
Güçlü ve Zayıf Yönler#
RTDETRv2, örtüşen nesnelerin geleneksel CNN'lerin kafasını karıştırdığı yoğunluğu yüksek ortamlarda başarılıdır. Karmaşık kıyaslama COCO gibi veri kümelerinde yüksek doğruluk sunar.
Doğruluklarına rağmen Transformer modelleri doğal olarak yüksek miktarda bellek gerektirir. Eğitim verimliliği belirgin ölçüde daha düşüktür; CNN'lere kıyasla yakınsamak için önemli ölçüde daha fazla epoch ve daha yüksek CUDA bellek kullanımı gerekir. Bu durum RTDETRv2'yi, sınırlı bulut bütçeleriyle çalışan veya hızlı prototiplemeye ihtiyaç duyan geliştiriciler için daha az ideal hâle getirir.
RTDETRv2 hakkında daha fazla bilgi edin
RTDETRv2 gibi Transformer modellerini eğitmek genellikle üst düzey GPU'lar gerektirir. Bellek Yetersiz (OOM) hatalarıyla karşılaşırsan eğitim sırasında Ultralytics YOLO serisi gibi daha düşük bellek gereksinimlerine sahip modelleri kullanmayı düşün.
Performans Kıyaslama Karşılaştırması#
Ham performans metriklerini anlamak, model seçimi açısından hayati önem taşır. Aşağıdaki tabloda EfficientDet ile RTDETRv2'nin çeşitli boyutlardaki karşılaştırması gösterilmektedir.
| Model | boyut (piksel) | mAPval 50-95 | Hız CPU ONNX (ms) | Hız T4 TensorRT10 (ms) | parametre (M) | FLOPs (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 |
| RTDETRv2-s | 640 | 48.1 | - | 5.03 | 20 | 60 |
| RTDETRv2-m | 640 | 51.9 | - | 7.51 | 36 | 100 |
| RTDETRv2-l | 640 | 53.4 | - | 9.76 | 42 | 136 |
| RTDETRv2-x | 640 | 54.3 | - | 15.03 | 76 | 259 |
Kullanım Alanları ve Öneriler#
EfficientDet ile RT-DETR arasında seçim yapmak, belirli proje gereksinimlerine, dağıtım kısıtlamalarına ve ekosistem tercihlerine bağlıdır.
EfficientDet Ne Zaman Seçilmeli?#
EfficientDet şu durumlar için güçlü bir seçenektir:
- Google Cloud ve TPU İş Akışları: EfficientDet'in yerel optimizasyona sahip olduğu, Google Cloud Vision API'leriyle veya TPU altyapısıyla derinlemesine entegre sistemler.
- Bileşik Ölçekleme Araştırması: Dengeli ağ derinliği, genişliği ve çözünürlük ölçeklemesinin etkilerini incelemeye odaklanan akademik kıyaslamalar.
- TFLite ile Mobil Dağıtım: Android veya gömülü Linux cihazları için özel olarak TensorFlow Lite dışa aktarması gerektiren projeler.
RT-DETR Ne Zaman Seçilmeli?#
RT-DETR şu durumlarda önerilir:
- Transformer Tabanlı Tespit Araştırması: NMS olmadan uçtan uca nesne tespiti için dikkat mekanizmalarını ve Transformer mimarilerini inceleyen projeler.
- Esnek Gecikmeyle Yüksek Doğruluk Gerektiren Senaryolar: Tespit doğruluğunun en yüksek öncelik olduğu ve biraz daha yüksek çıkarım gecikmesinin kabul edilebildiği uygulamalar.
- Büyük Nesne Tespiti: Transformer'ların küresel dikkat mekanizmasının doğal bir avantaj sağladığı, çoğunlukla orta ve büyük nesneler içeren sahneler.
Ultralytics (YOLO26) Ne Zaman Seçilmeli?#
Yeni projelerin çoğu için Ultralytics YOLO26, performans ve geliştirici deneyiminin en iyi birleşimini sunar:
- NMS'siz Uç Dağıtımı: Maksimum Olmayan Bastırma son işleme karmaşıklığı olmadan tutarlı ve düşük gecikmeli çıkarım gerektiren uygulamalar.
- Yalnızca CPU Kullanılan Ortamlar: Özel GPU hızlandırması olmayan ve YOLO26'nın %43'e varan daha hızlı CPU çıkarımının belirleyici bir avantaj sağladığı cihazlar.
- Küçük Nesne Algılama: ProgLoss ve STAL'ın küçük nesnelerde doğruluğu önemli ölçüde artırdığı hava drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolar.
Ultralytics Avantajı: YOLO26 ile Tanışın#
EfficientDet ve RTDETRv2 bilgisayarlı görü tarihinde kendilerine sağlam bir yer edinmiş olsa da modern üretim ortamları hız, doğruluk ve olağanüstü bir geliştirici deneyimi arasında kusursuz bir denge gerektirir. Yakın zamanda yayımlanan Ultralytics YOLO26, bu farklı mimarilerin en iyi yönlerini bir araya getirir.
YOLO26, Ultralytics'in tanındığı yalın ekosistemi çığır açan dahili mekanizmalarla birleştirerek öne çıkar.
YOLO26'i Rakiplerine Tercih Etmenin Nedenleri#
- Uçtan Uca NMS'siz Tasarım: RTDETRv2 gibi Transformer'lardan ilham alan YOLO26, doğal olarak uçtan uca çalışır. NMS son işlemesini ortadan kaldırarak saf Transformer'ların neden olduğu büyük parametre yükü olmadan daha hızlı ve basit dağıtım işlem hatlarını garanti eder.
- MuSGD Optimizasyon Algoritması: Büyük dil modeli eğitimi yeniliklerinden (Moonshot AI'ın Kimi K2'si gibi) ilham alan YOLO26, SGD ile Muon'un hibritini kullanır. Bu yaklaşım, RTDETRv2'nin gerektirdiği uzun eğitim planlarına kıyasla benzeri görülmemiş eğitim kararlılığı ve önemli ölçüde daha hızlı yakınsama oranları sağlar.
- Uçta Çalıştırma için Optimize Edildi: YOLO26, %43'e kadar daha hızlı CPU çıkarımı ile uç AI için geliştirilmiştir. Cep telefonları ve akıllı kameralar gibi kısıtlı donanımlarda ağır Transformer modellerinden kolayca daha iyi performans gösterir.
- DFL'nin Kaldırılması: Distribution Focal Loss'un kaldırılması model grafiğini basitleştirerek sorunsuz TensorRT ve ONNX dışa aktarmalarını kolaylaştırır.
- ProgLoss + STAL: Bu gelişmiş kayıp işlevleri, küçük nesnelerin tanınmasında kayda değer iyileştirmeler sağlayarak hava görüntülerinde ve robotikte yaygın bir darboğazı çözer.
- Çok Yönlülük: Öncelikli olarak algılamaya odaklanan RTDETRv2'nin aksine YOLO26, doğal olarak örnek segmentasyonunu, poz tahminini, görüntü sınıflandırmasını ve yönlendirilmiş sınırlayıcı kutuları (OBB) destekler; ayrıca poz için RLE ve OBB için özel açı kaybı gibi göreve özgü iyileştirmeler sunar.
Ultralytics Platformu'ndan yararlanarak veri kümelerini yönetebilir, YOLO26 veya YOLO11 gibi modelleri bulutta eğitebilir ve esnek API'ler aracılığıyla bunları sorunsuz bir şekilde dağıtabilirsin.
Ultralytics ile Basit Kod Kullanımı#
Bakımı düzenli olarak yapılan Ultralytics Python API, model eğitimini ve çıkarımını son derece kolaylaştırır. Geliştiriciler, minimum standart kodla modelleri kolayca kıyaslayabilir veya eğitim komut dosyalarını çalıştırabilir.
from ultralytics import YOLO
# Load the state-of-the-art YOLO26 model
model = YOLO("yolo26n.pt")
# Train the model on your custom dataset
results = model.train(data="coco8.yaml", epochs=50, imgsz=640)
# Run inference on a test image
predictions = model.predict("image.jpg")Eski altyapıyı yönetenler için çok beğenilen Ultralytics YOLOv8, Ultralytics ekosisteminin uzun vadeli güvenilirliğini gösteren istikrarlı ve güçlü bir seçenek olmaya devam ediyor. İster karmaşık gerçek zamanlı izleme algoritmaları ister basit kusur algılama çalıştırıyor ol, YOLO26'ya yükseltme sisteminin geleceğe hazır, yüksek doğruluklu ve bellek açısından verimli olmasını sağlar.