EfficientDet ve RTDETRv2#
computer vision projeleri için en uygun mimariyi seçmek, sinir ağlarının farklı dünyasında yol almayı gerektirir. Bu kılavuz, iki farklı yaklaşım arasında ayrıntılı bir teknik karşılaştırma sunar: Son derece ölçeklenebilir bir Evrişimli Sinir Ağı (CNN) ailesi olan EfficientDet ve son teknoloji ürünü gerçek zamanlı bir Transformer modeli olan RTDETRv2. Çeşitli donanım ortamlarındaki yapısal farklarını, eğitim metodolojilerini ve dağıtım uygunluğunu değerlendiriyoruz.
Eski verimlilik ile modern Transformer yetenekleri arasındaki ödünleşimleri anlayarak bilinçli kararlar alabilirsin. Dahası, yeni Ultralytics YOLO26 gibi modern alternatiflerin eşsiz hız, doğruluk ve kullanım kolaylığı sunarak bu boşluğu nasıl kapattığını keşfedeceğiz.
EfficientDet'i Anlamak#
EfficientDet, model ölçeklendirmeye ilkeli bir yaklaşım getirerek object detection 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 Repository
- Docs: EfficientDet Documentation
Mimari ve Temel Kavramlar#
EfficientDet temelinde, omurga olarak EfficientNet'i kullanır ve Bi-directional Feature Pyramid Network (BiFPN) yapısını tanıtır. BiFPN, farklı girdi özelliklerinin önemini öğrenmek için eğitilebilir ağırlıklar uygulayarak kolay ve hızlı çok ölçekli özellik füzyonuna olanak tanır. Bu, tüm omurga, özellik ağı ve kutu/sınıf tahmin ağları için çözünürlüğü, derinliği ve genişliği aynı anda tekdüze bir şekilde ölçeklendiren bir bileşik ölçeklendirme yöntemiyle birleştirilir.
Güçlü ve Zayıf Yönler#
EfficientDet'in başlıca gücü, parametre verimliliğidir. Yayınlandığı tarihte, EfficientDet-D0 gibi modeller, önceki YOLO sürümlerine kıyasla daha az parametre ve FLOP ile daha yüksek doğruluk elde etmiştir. Bu durum, katı hesaplama sınırlarına sahip ortamlar için onu oldukça cazip hale getirmiştir.
Ancak EfficientDet, çakışan sınırlayıcı kutuları filtrelemek için işleme sonrası aşamada standart non-maximum suppression (NMS) yöntemine güvenir; bu da gerçek zamanlı hatlarda gecikme darboğazlarına neden olabilir. Ayrıca, eğitim süreci iyi belgelenmiş olsa da, modern araçlarda bulunan oldukça optimize edilmiş geliştirici deneyimlerine kıyasla EfficientDet'te ince ayar yapmak zahmetli olabilir.
EfficientDet hakkında daha fazla bilgi edinin
EfficientDet, ölçeklenebilir ağların önünü açarken, bu modelleri modern NPU'larda çalıştırmak genellikle kapsamlı manuel optimizasyon gerektirir. Kolaylaştırılmış dağıtımlar için daha yeni Ultralytics models 1 tıklamayla dışarı aktarma işlevi sunar.
RTDETRv2'yi Keşfetmek#
RTDETRv2, paradigmayı geleneksel çapa tabanlı CNN'lerden uzaklaştırarak Transformer tabanlı mimarilerin evrimini temsil eder.
- 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 Documentation
Transformer'lardaki Gelişmeler#
RTDETRv2, Gerçek Zamanlı Algılama Transformer (RT-DETR) temelini geliştirir. Küresel dikkat mekanizmalarından yararlanarak modelin, standart evrişimlerin yerelleştirilmiş kısıtlamaları olmaksızın karmaşık sahnelerin bağlamını anlamasını sağlar. En önemli mimari avantajı, doğal olarak NMS içermeyen tasarımıdır. Nesneleri doğrudan giriş görüntüsünden tahmin ederek, NMS son işlemine duyulan sezgisel ayar gereksinimini ortadan kaldırır ve çıkarım işlem hattını basitleştirir.
Güçlü ve Zayıf Yönler#
RTDETRv2, üst üste binen nesnelerin geleneksel CNN'lerin kafasını karıştırdığı yüksek yoğunluklu ortamlarda üstündür. COCO gibi karmaşık kıyaslama veri kümelerinde son derece doğrudur.
Doğruluğuna rağmen, Transformer modelleri doğal olarak önemli ölçüde bellek gerektirir. Eğitim verimliliği oldukça düşüktür; CNN'lere kıyasla yakınsama için çok daha fazla devre (epoch) ve daha yüksek CUDA bellek alanı gerektirir. Bu durum RTDETRv2'yi kısıtlı bulut bütçeleriyle çalışan geliştiriciler veya hızlı prototiplemeye ihtiyaç duyanlar için daha az ideal hale getirir.
RTDETRv2 hakkında daha fazla bilgi edin
RTDETRv2 gibi Transformer modellerini eğitmek genellikle üst düzey GPU'lar gerektirir. Bellek Yetersizliği (OOM) hatalarıyla karşılaşırsan, eğitim sırasında Ultralytics YOLO serisi gibi bellek gereksinimleri daha düşük olan modelleri kullanmayı düşün.
Performans Kıyaslama Karşılaştırması#
Ham performance metrics değerlerini anlamak model seçimi için hayati önem taşır. Aşağıdaki tablo, EfficientDet ile RTDETRv2 arasındaki karşılaştırmayı çeşitli boyutlarda göstermektedir.
| Model | boyut (piksel) | mAPval 50-95 | Hız CPU ONNX (ms) | Hız T4 TensorRT10 (ms) | parametreler (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 Durumları ve Öneriler#
EfficientDet ve RT-DETR arasında seçim yapmak, özel proje gereksinimlerine, dağıtım kısıtlamalarına ve ekosistem tercihlerine bağlıdır.
Ne Zaman EfficientDet Seçilmeli#
EfficientDet şu durumlar için güçlü bir tercihtir:
- Google Cloud ve TPU İşlem Hatları: EfficientDet'in yerel optimizasyona sahip olduğu Google Cloud Vision API'leri veya TPU altyapısıyla derinlemesine entegre edilmiş sistemler.
- Bileşik Ölçekleme Araştırmaları: Dengeli ağ derinliği, genişliği ve çözünürlük ölçeklemenin etkilerini incelemeye odaklanan akademik kıyaslamalar.
- TFLite ile Mobil Dağıtım: Özellikle Android veya gömülü Linux cihazlar için TensorFlow Lite dışa aktarımı gerektiren projeler.
RT-DETR Ne Zaman Seçilmeli#
RT-DETR şunlar için önerilir:
- Transformer Tabanlı Algılama Araştırması: NMS olmadan uçtan uca nesne algılama için dikkat mekanizmalarını ve transformer mimarilerini keşfeden projeler.
- Esnek Gecikmeli Yüksek Doğruluklu Senaryolar: Algılama doğruluğunun en önemli öncelik olduğu ve biraz daha yüksek çıkarım gecikmesinin kabul edilebilir olduğu uygulamalar.
- Büyük Nesne Algılama: Transformer'ların küresel dikkat mekanizmasının doğal bir avantaj sağladığı, ağırlıklı olarak orta-büyük nesnelerin olduğu sahneler.
Ultralytics (YOLO26) Ne Zaman Seçilmeli#
Çoğu yeni proje için Ultralytics YOLO26, performans ve geliştirici deneyiminin en iyi kombinasyonunu sunar:
- NMS-Free Uç Dağıtımı: Non-Maximum Suppression işlem sonrası karmaşıklığı olmadan tutarlı, düşük gecikmeli çıkarım gerektiren uygulamalar.
- Sadece CPU Ortamları: YOLO26'nın %43'e kadar daha hızlı CPU çıkarımının belirleyici bir avantaj sağladığı, özel GPU hızlandırması olmayan cihazlar.
- Küçük Nesne Tespiti: ProgLoss ve STAL'ın çok küçük nesneler üzerindeki doğruluğu önemli ölçüde artırdığı havadan drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolar.
Ultralytics Avantajı: YOLO26 ile Tanışın#
EfficientDet ve RTDETRv2 bilgisayarlı görü tarihindeki yerlerini sağlamlaştırırken, modern üretim ortamları hız, doğruluk ve olağanüstü bir geliştirici deneyimi arasında mükemmel bir denge talep eder. Kısa süre önce piyasaya sürülen Ultralytics YOLO26, bu farklı mimarilerin en iyi yönlerini bir araya getiriyor.
YOLO26, Ultralytics markasının bilinen sadeleştirilmiş ekosistemini çığır açan iç mekaniklerle birleştirerek öne çıkıyor.
Neden Rakiplere Göre YOLO26'yı Seçmelisin?#
- Uçtan Uca NMS-Free Tasarım: RTDETRv2 gibi Transformer'lardan ilham alan YOLO26, yerel olarak uçtan uca bir yapıdadır. NMS sonrası işlemi ortadan kaldırarak, saf Transformer'ların devasa parametre şişkinliği olmadan daha hızlı ve daha basit dağıtım hatlarını garanti eder.
- MuSGD Optimizer: Büyük dil modeli eğitimi yeniliklerinden (Moonshot AI'ın Kimi K2'si gibi) ilham alan YOLO26, SGD ve Muon'un hibrit bir yapısını kullanır. Bu, RTDETRv2'nin gerektirdiği uzun süreli programlara kıyasla benzeri görülmemiş bir eğitim kararlılığı ve önemli ölçüde daha hızlı yakınsama oranları sağlar.
- Edge için Optimize Edildi: %43'e varan daha hızlı CPU çıkarımı ile YOLO26, edge AI için üretilmiştir. Cep telefonları ve akıllı kameralar gibi kısıtlı donanımlarda ağır Transformer modellerinden rahatlıkla daha iyi performans gösterir.
- DFL Kaldırıldı: Dağılım Odak Kaybının (Distribution Focal Loss) kaldırılması model grafiğini basitleştirerek sorunsuz TensorRT ve ONNX dışa aktarımlarını kolaylaştırır.
- ProgLoss + STAL: Bu gelişmiş kayıp fonksiyonları, hava görüntüleri ve robotikte yaygın bir darboğazı çözen küçük nesne tanımada kayda değer iyileştirmeler sağlar.
- Öncelikli olarak tespte odaklanan RTDETRv2'nin aksine YOLO26; poz için RLE ve OBB için özel açı kaybı gibi görev odaklı iyileştirmelerle instance segmentation, pose estimation, image classification ve oriented bounding boxes (OBB) özelliklerini yerel olarak destekler.
Ultralytics Platform sayesinde veri kümelerini yönetebilir, bulutta YOLO26 veya YOLO11 gibi modelleri eğitebilir ve esnek API'ler aracılığıyla bunları sorunsuz bir şekilde dağıtabilirsin.
Ultralytics ile Kod Basitliği#
Bakımı titizlikle yapılan Ultralytics Python API modeli eğitmeyi ve çıkarım yapmayı son derece kolaylaştırır. Geliştiriciler minimum kalıp kodla kolayca model kıyaslaması (benchmark) yapabilir veya eğitim betiklerini başlatabilir.
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 büyük beğeni toplayan Ultralytics YOLOv8, Ultralytics ekosisteminin uzun vadeli güvenilirliğini gösteren kararlı ve güçlü bir seçenek olmaya devam ediyor. Karmaşık real-time tracking algoritmaları veya basit kusur tespiti çalıştırıyor ol, YOLO26'ya yükseltme yapmak sisteminin geleceğe hazır, son derece doğru ve bellek açısından verimli olmasını sağlar.