EfficientDet ve YOLO11: Kapsamlı Bir Teknik Karşılaştırma
Optimal sinir ağı mimarisini seçmek, başarılı herhangi bir bilgisayar görüşü uygulamasının temelidir. Bu kapsamlı rehber, Google'ın EfficientDet'i ile Ultralytics YOLO11 arasında derinlemesine bir teknik karşılaştırma sunarak, mimari farklılıklarını, performans metriklerini ve ideal dağıtım senaryolarını analiz etmektedir.
Kenar yapay zeka cihazlarında milisaniye gecikme süresini hedefliyor olun veya bulut tabanlı çıkarım için ölçeklenebilir doğruluk gerektiriyor olun, bu modellerin inceliklerini anlamak çok önemlidir.
Model Profilleri ve Teknik Detaylar
Her mimarinin soyunu ve temel tasarım felsefesini anlamak, gerçek dünya nesne detect görevlerindeki performanslarını bağlamsallaştırmaya yardımcı olur.
EfficientDet
Google Brain'deki araştırmacılar tarafından geliştirilen EfficientDet, yeni BiFPN (Çift Yönlü Özellik Piramidi Ağı) ile birlikte nesne detect ağlarını ölçeklendirmeye yönelik ilkeli bir yaklaşım sunmuştur.
- Yazarlar: Mingxing Tan, Ruoming Pang ve Quoc V. Le
- Kuruluş:Google
- Tarih: 2019-11-20
- Arxiv:https://arxiv.org/abs/1911.09070
- GitHub:https://github.com/google/automl/tree/master/efficientdet
- Belgeler:https://github.com/google/automl/tree/master/efficientdet#readme
EfficientDet hakkında daha fazla bilgi edinin
YOLO11
YOLO11, Ultralytics ekosisteminde önemli bir evrimi temsil etmekte olup, gerçek zamanlı performans, parametre verimliliği ve çok görevli öğrenmenin sınırlarını zorlamaktadır.
- Yazarlar: Glenn Jocher ve Jing Qiu
- Kuruluş:Ultralytics
- Tarih: 2024-09-27
- GitHub:https://github.com/ultralytics/ultralytics
- Belgeler:https://docs.ultralytics.com/models/YOLO11/
YOLO11 hakkında daha fazla bilgi edinin
Mimari Karşılaştırma
Bu iki model arasındaki mimari farklılıklar, yıllar içindeki tasarım stratejilerindeki ayrışmayı vurgulamaktadır.
EfficientDet, EfficientNet backbone'unu kullanır ve yukarıdan aşağıya ve aşağıdan yukarıya çok ölçekli özellik füzyonuna olanak tanıyan BiFPN'i tanıtır. Tüm backbone, özellik ağı ve kutu/sınıf tahmin ağları için çözünürlüğü, derinliği ve genişliği eş zamanlı olarak ölçeklendiren bileşik bir ölçekleme yöntemi kullanır. Ortalama Hassasiyet (mAP)'i maksimize etmek için oldukça etkili olsa da, BiFPN'deki karmaşık yönlendirme, çıkarım sırasında bellek bant genişliğini bazen darboğaza sokabilir.
YOLO11 ise optimize edilmiş bir C2f modülü ve gelişmiş bir anchor-free detect başlığı kullanır. Bu akıcı yaklaşım, özellik çıkarımı sırasında ek yükü en aza indirir. Ultralytics, YOLO11'i GPU donanım kullanımını maksimize etmek üzere tasarlamış olup, eski mimarilere veya ağır transformer modellerine kıyasla hem eğitim hem de çıkarım sırasında önemli ölçüde daha düşük bellek gereksinimleri sağlar.
Çoklu Görev Çok Yönlülüğü
EfficientDet kesinlikle bir nesne detect'örü iken, YOLO11 aşırı çok yönlülük sunar. Tek bir YOLO11 mimarisi, Örnek Segmentasyon, Görüntü Sınıflandırma, Poz Tahmini ve Yönlendirilmiş Sınırlayıcı Kutuları (OBB)'nı doğal olarak destekler.
Performans Kıyaslamaları
Aşağıdaki tablo, her iki model ailesinin COCO veri kümesi üzerindeki çeşitli ölçeklerdeki performansını karşılaştırmaktadır.
| Model | boyut (piksel) | mAPval 50-95 | Hız CPU ONNX (ms) | Hız T4 TensorRT10 (ms) | parametreler (M) | FLOP'lar (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 |
| YOLO11n | 640 | 39.5 | 56.1 | 1.5 | 2.6 | 6.5 |
| YOLO11s | 640 | 47.0 | 90.0 | 2.5 | 9.4 | 21.5 |
| YOLO11m | 640 | 51.5 | 183.2 | 4.7 | 20.1 | 68.0 |
| YOLO11l | 640 | 53.4 | 238.6 | 6.2 | 25.3 | 86.9 |
| YOLO11x | 640 | 54.7 | 462.8 | 11.3 | 56.9 | 194.9 |
Dengeli Analiz: Güçlü Yönler ve Zayıf Yönler
GPU Hızlandırma: YOLO11, GPU ortamlarında üstündür. Örneğin, YOLO11m, TensorRT kullanarak bir T4 GPU'da 4.7ms gibi şaşırtıcı bir hızda %51.5 mAP sunar. Karşılaştırılabilir doğruluk elde etmek için EfficientDet-d5, 67.86ms sürer—bu, 14 kattan daha yavaştır. Bu, Ultralytics modellerinin gerçek zamanlı uygulamalar için üstün performans dengesini vurgular.
CPU Ortamları: EfficientDet, ONNX kullanarak daha küçük varyantlarında (d0 ve d1 gibi) oldukça optimize edilmiş CPU çıkarım hızları sergiler. Ancak, d7 gibi daha büyük varyantlarda büyük GPU gecikme cezaları olmaksızın doğruluğu kötü ölçeklenir.
Eğitim Metodolojisi ve Ekosistem
Geliştirici deneyimi, genellikle modelin teorik yetenekleri kadar kritiktir. Ultralytics ekosistemi işte bu noktada öne çıkıyor.
EfficientDet, büyük ölçüde eski TensorFlow ekosistemine ve karmaşık AutoML kütüphanelerine dayanır. Özel bir eğitim hattı kurmak, dik öğrenme eğrileri, karmaşık bağımlılık yönetimi ve anchor'lar ile loss functions manuel yapılandırmasını içerir.
Aksine, Ultralytics benzersiz bir kullanım kolaylığı sunar. İyi yönetilen bir PyTorch ekosistemi tarafından desteklenen bir YOLO modeli eğitmek yalnızca birkaç satır kod gerektirir. Çerçeve, hiperparametre ayarını, gelişmiş veri artırımlarını ve kutudan çıktığı haliyle optimal öğrenme oranı planlamasını otomatik olarak yönetir.
Kod Örneği: Ultralytics ile Başlarken
Bu sağlam, üretime hazır kod parçacığı, Python API'si içinde eğitimin ve çıkarımın ne kadar basit olduğunu gösterir.
from ultralytics import YOLO
# Load a pre-trained YOLO11 small model
model = YOLO("yolo11s.pt")
# Train the model on your custom dataset with automated hyperparameter tuning
train_results = model.train(data="coco8.yaml", epochs=50, imgsz=640, device=0)
# Perform fast inference on an image
results = model.predict("https://ultralytics.com/images/bus.jpg")
results[0].show()
İdeal Kullanım Senaryoları
EfficientDet Ne Zaman Kullanılmalı: EfficientDet, TensorFlow hatlarına derinden bağlı araştırma ortamları veya d0 gibi erken mimarilerin yeterli performans gösterdiği belirli CPU kısıtlamaları için geçerli bir seçenek olmaya devam etmektedir.
YOLO11 Ne Zaman Kullanılmalı: YOLO11, modern kurumsal dağıtımlar için kesin bir tercihtir. Olağanüstü hızı, onu otonom araçlar, gerçek zamanlı spor analizi ve yüksek verimli üretim hatası tespiti için mükemmel kılar. Ayrıca, daha düşük bellek kullanımı, NVIDIA Jetson gibi kaynak kısıtlı donanımlarda esnek dağıtıma olanak tanır.
Geleceğe Bakış: YOLO26 Yükseltmesi
YOLO11 olağanüstü yetenekli olsa da, yeni projelere başlayan geliştiriciler, kanıtlanmış YOLOv8 veya yeni çıkan YOLO26 gibi diğer Ultralytics mimarilerini değerlendirmelidir. 2026 yılının başlarında piyasaya sürülen YOLO26, YOLO11'in temelini alarak birçok çığır açan yenilik sunar:
- Uçtan Uca NMS'siz Tasarım: YOLOv10 mirası üzerine inşa edilen YOLO26, işlem sonrası aşamada Non-Maximum Suppression (NMS)'i tamamen ortadan kaldırarak gecikmeyi azaltır ve dağıtım hatlarını basitleştirir.
- MuSGD Optimizatörü: Standart SGD'yi Muon ile harmanlayan (büyük dil modeli eğitiminden esinlenilmiştir) hibrit bir optimizatör olup, eğitim kararlılığını önemli ölçüde artırır.
- %43'e Kadar Daha Hızlı CPU Çıkarımı: Belirli optimizasyonlar, YOLO26'yı ayrık GPU'ları olmayan kenar cihazlarda inanılmaz derecede güçlü kılar.
- ProgLoss + STAL: Küçük nesne tespitini önemli ölçüde iyileştiren, hava görüntüleme ve robotik için kritik öneme sahip gelişmiş loss functions.
Vizyon mimarilerinin daha geniş yelpazesini, RT-DETR gibi transformatör tabanlı dedektörler de dahil olmak üzere, kapsamlı Ultralytics Belgelerimizde keşfedin.