EfficientDet ve RTDETRv2#

Bilgisayarlı görü projeleri için en uygun mimariyi seçmek, farklı sinir ağlarının yer aldığı geniş bir alanda yol bulmayı gerektirir. Bu kılavuz, iki farklı yaklaşımın ayrıntılı teknik karşılaştırmasını ele alıyor: 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 ortamlarına uygunluklarını değerlendiriyoruz.

Eski nesil verimlilik ile modern Transformer özellikleri arasındaki ödünleşimleri anlayan geliştiriciler, bilinçli kararlar verebilir. Ayrıca yeni Ultralytics YOLO26 gibi modern seçeneklerin bu farkı nasıl kapatarak benzersiz hız, doğruluk ve kullanım kolaylığı sunduğunu inceleyeceğiz.

EfficientDet'i Anlamak#

EfficientDet, model ölçeklendirme konusunda sistematik bir yaklaşım sunarak nesne algılamada 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, temelinde EfficientNet'i omurga olarak kullanır ve Çift Yönlü Özellik Piramit Ağını (BiFPN) sunar. BiFPN, farklı girdi özelliklerinin önemini öğrenmek için öğrenilebilir ağırlıklar uygulayarak çok ölçekli özelliklerin kolay ve hızlı biçimde birleştirilmesini sağlar. Buna; omurga, özellik ağı ve kutu/sınıf tahmin ağlarının tümünde çözünürlüğü, derinliği ve genişliği aynı anda ve tutarlı biçimde ölçeklendiren bir bileşik ölçeklendirme yöntemi eşlik eder.

Güçlü Yönler ve Sınırlamalar#

EfficientDet'in başlıca gücü parametre verimliliğidir. Piyasaya çıktığı dönemde EfficientDet-D0 gibi modeller, önceki YOLO sürümlerine kıyasla daha az parametre ve FLOP ile daha yüksek doğruluk elde ediyordu. Bu özellik, hesaplama kaynakları katı biçimde kısıtlı ortamlar için modeli oldukça cazip hâle getirdi.

Ancak EfficientDet, örtüşen sınırlayıcı kutuları filtrelemek için son işlem sırasında standart maksimum olmayan bastırmaya (NMS) dayanır; bu da gerçek zamanlı işlem hatlarında gecikme darboğazları oluşturabilir. Ayrıca eğitim süreci iyi belgelenmiş olsa da EfficientDet'i ince ayardan geçirmek, modern araçların son derece optimize edilmiş geliştirici deneyimlerine kıyasla zahmetli olabilir.

EfficientDet hakkında daha fazla bilgi edin

RTDETRv2'yi İnceleme#

RTDETRv2, Transformer tabanlı mimarilerin gelişimini temsil eder ve geleneksel çapa tabanlı CNN'lerden uzaklaşan bir yaklaşım getirir.

• Yazarlar: Wenyu Lv, Yian Zhao, Qinyao Chang, Kui Huang, Guanzhong Wang ve Yi Liu
• Kurum: 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 kısıtlarına takılmadan karmaşık sahne bağlamlarını anlamasını sağlar. Mimarisinin en önemli avantajı, yerel olarak NMS gerektirmeyen tasarımıdır. Nesneleri doğrudan girdi görüntüsünden tahmin ederek çıkarım işlem hattını basitleştirir ve NMS son işleminin gerektirdiği sezgisel ayarları ortadan kaldırır.

Güçlü ve Zayıf Yönler#

RTDETRv2, örtüşen nesnelerin geleneksel CNN'leri şaşırttığı yoğun sahnelerde öne çıkar. COCO gibi karmaşık kıyaslama veri kümelerinde yüksek doğruluk sunar.

Doğruluğuna rağmen Transformer modelleri doğal olarak önemli miktarda bellek gerektirir. Eğitim verimliliği belirgin biçimde düşüktür; CNN'lere kıyasla yakınsama için çok daha fazla epok ve daha yüksek CUDA bellek kapasitesi gerekir. Bu nedenle RTDETRv2, kısıtlı bulut bütçeleriyle çalışan veya hızlı prototipleme ihtiyacı olan geliştiriciler için daha az uygundur.

RTDETRv2 hakkında daha fazla bilgi edin

Performans Kıyaslama Karşılaştırması#

Ham performans ölçümlerini anlamak, model seçimi için çok önemlidir. Aşağıdaki tablo, farklı boyutlardaki EfficientDet ve RTDETRv2 modellerini karşılaştırıyor.

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 yerel optimizasyona sahip olduğu, Google Cloud Vision API'leriyle veya TPU altyapısıyla sıkı biçimde bütünleşik 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 çoğu için Ultralytics YOLO26, performans ve geliştirici deneyiminin en iyi bileşimini sunar:

• NMS Olmadan Uç Dağıtımı: Maksimum Olmayan Bastırma son işleminin karmaşıklığı olmadan tutarlı ve düşük gecikmeli çıkarım gerektiren uygulamalar.
• Yalnızca CPU Kullanılan Ortamlar: YOLO26'nın CPU'da %43'e varan daha hızlı çıkarımının belirleyici bir avantaj sağladığı, özel GPU hızlandırması bulunmayan cihazlar.
• 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 sağlamlaştırmış olsa da modern üretim ortamları hız, doğruluk ve olağanüstü bir geliştirici deneyimi arasında kusursuz denge gerektirir. Yakın zamanda yayımlanan Ultralytics YOLO26, bu farklı mimarilerin en iyi özelliklerini bir araya getiriyor.

YOLO26, Ultralytics ekosisteminin bilinen akıcı yapısını çığır açan iç mekanizmalarla birleştirerek öne çıkar.

Rakipleri Yerine Neden YOLO26'yı Seçmelisin?#

• Uçtan Uca, NMS Gerektirmeyen Tasarım: RTDETRv2 gibi Transformer'lardan esinlenen YOLO26, isteğe bağlı uçtan uca bir başlık (nms=False) sunar ve NMS son işlemini ortadan kaldırır; saf Transformer'ların büyük parametre yükü olmadan daha hızlı ve basit dağıtım işlem hatları sağlar.
• MuSGD Optimizatörü: Büyük dil modeli eğitimindeki yeniliklerden (Moonshot AI'ın Kimi K2'si gibi) esinlenen YOLO26, SGD ile Muon'un birleşimini kullanır. Bu, RTDETRv2'nin gerektirdiği uzun eğitim programlarına kıyasla benzeri görülmemiş bir eğitim kararlılığı ve çok daha hızlı yakınsama sağlar.
• Uçta kullanım için optimize edildi: %43'e kadar daha hızlı CPU çıkarımı sunan YOLO26, uç AI için geliştirildi. Mobil telefonlar 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 TensorRT ve ONNX biçimlerine sorunsuz dışa aktarımı kolaylaştırır.
• ProgLoss + STAL: Bu gelişmiş kayıp fonksiyonları, küçük nesneleri tanımada kayda değer iyileşmeler sağlar ve hava görüntüleme ile robotikte sık karşılaşılan bir darboğazı çözer.
• 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.

Ultralytics ile Kod Yazmanın Kolaylığı#

İyi bakımı yapılan Ultralytics Python API, model eğitimini ve çıkarımını son derece kolaylaştırır. Geliştiriciler, çok az ek kodla modelleri kolayca kıyaslayabilir veya eğitim betiklerini çalıştırabilir.

from ultralytics import YOLO

# En yeni 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 büyük beğeni toplayan Ultralytics YOLOv8, Ultralytics ekosisteminin uzun vadeli güvenilirliğini ortaya koyan, kararlı ve güçlü bir seçenek olmaya devam ediyor. İster karmaşık gerçek zamanlı takip algoritmaları ister basit kusur tespiti çalıştırıyor ol, YOLO26'ya geçmek sisteminin geleceğe hazır, son derece isabetli ve bellek açısından verimli olmasını sağlar.