İçeriğe geç

EfficientDet - YOLO11 Karşılaştırması: Verimlilik ve Gerçek Zamanlı Performansı Dengeleme

Nesne tespiti alanı, yalnızca doğru olmakla kalmayıp aynı zamanda gerçek dünya uygulamaları için yeterince verimli olan modellere duyulan ihtiyaçla hızla gelişmiştir. Bu evrimdeki iki önemli kilometre taşı Google'ın EfficientDet'i ve Ultralytics YOLO11'dir. Her iki mimari de hız ve doğruluk arasındaki dengeyi optimize etmeyi amaçlarken, soruna farklı tasarım felsefeleriyle yaklaşır ve farklı birincil kullanım durumlarını hedefler.

EfficientDet, parametre verimliliğine ve teorik hesaplama maliyetlerine (FLOP'lar) yoğun bir şekilde odaklanarak model boyutlarını ölçeklendirmek için sistematik bir yöntem sunarak alanda devrim yarattı. Buna karşılık, YOLO11, modern donanımda pratik çıkarım hızına, görevler genelinde çok yönlülüğe ve geliştirici merkezli bir deneyime öncelik veren gerçek zamanlı bilgisayar görüşünün en son noktasını temsil ediyor. Bu kapsamlı karşılaştırma, projeniz için doğru aracı seçmenize yardımcı olmak için teknik özelliklerini, mimari yeniliklerini ve performans kıyaslamalarını derinlemesine inceliyor.

Google'ın EfficientDet'i

EfficientDet, Google Brain ekibi tarafından geliştirilen bir nesne detect modelleri ailesidir. 2019'un sonlarında piyasaya sürülen bu model, genellikle büyük backbonelar veya optimize edilmemiş özellik birleştirme ağlarına dayanan önceki son teknoloji detect sistemlerinin verimsizliğini gidermek için tasarlanmıştır.

Teknik Detaylar:

Mimari ve Temel Yenilikler

EfficientDet'in başarısı, verimliliği en üst düzeye çıkarmak için birlikte çalışan iki ana mimari katkıda yatmaktadır:

  1. BiFPN (Çift Yönlü Özellik Piramidi Ağı): Geleneksel Özellik Piramidi Ağları (FPN), farklı ölçeklerdeki özellikleri yukarıdan aşağıya doğru birleştirir. EfficientDet, bilgilerin hem yukarıdan aşağıya hem de aşağıdan yukarıya doğru akmasına izin veren BiFPN'yi tanıttı. Ayrıca, her bir girdi özelliğinin önemini öğrenen ağırlıklı bir özellik birleştirme mekanizması kullanarak ağın daha bilgilendirici sinyallere öncelik vermesini sağlar.
  2. Bileşik Ölçeklendirme: EfficientNet'ten ilham alan bu yöntem, backbone, özellik ağı ve tahmin ağlarının çözünürlüğünü, derinliğini ve genişliğini düzgün bir şekilde ölçeklendirerek bir model ailesi (D0'dan D7'ye) oluşturur. Bu, model büyüdükçe çeşitli bileşenleri arasında bir denge kurmasını, FLOP'ları ve parametre sayısını optimize etmesini sağlar.

EfficientNet Backbone

EfficientDet, EfficientNet'i, Google tarafından da geliştirilen bir sınıflandırma ağı olan backbone olarak kullanır. EfficientNet, hesaplamayı azaltmak için derinlemesine ayrılabilir evrişimlerden yoğun bir şekilde yararlanarak en verimli ağ yapısını bulmak için Sinirsel Mimari Arama (NAS) kullanılarak optimize edildi.

Güçlü ve Zayıf Yönler

EfficientDet, rakiplerinin çoğundan önemli ölçüde daha az parametreyle rekabetçi mAPval puanları elde ederek yüksek parametre verimliliği ile ünlüdür. Ölçeklenebilir yapısı, araştırmacıların teorik hesaplama bütçelerine tam olarak uyan bir model boyutu seçmelerine olanak tanır.

Ancak, teorik verimlilik her zaman pratik hıza dönüşmez. Derinlemesine ayrılabilir evrişimlerin yaygın kullanımı ve BiFPN'nin karmaşık bağlantısı, daha düşük GPU kullanımına yol açabilir. Sonuç olarak, GPU'lardaki çıkarım gecikmesi, genellikle YOLO serisi gibi paralel işlem için optimize edilmiş modellere kıyasla daha yüksektir. Ek olarak, EfficientDet kesinlikle bir nesne dedektörüdür ve aynı kod tabanında örnek segmentasyonu veya poz tahmini gibi diğer bilgisayarlı görme görevleri için yerel desteği yoktur.

İdeal Kullanım Senaryoları

  • CPU'larda Uç Yapay Zeka: Belleğin zorlu bir kısıtlama olduğu ve GPU hızlandırmasının kullanılamadığı cihazlar.
  • Akademik Araştırma: Sinir ağı verimliliği ve ölçekleme yasalarına odaklanan çalışmalar.
  • Düşük Güçlü Uygulamalar: Ham gecikmeden daha çok pil tüketimini (FLOP'lara bağlı) en aza indirmenin kritik olduğu senaryolar.

EfficientDet hakkında daha fazla bilgi edinin

Ultralytics YOLO11

Ultralytics YOLO11, beğenilen YOLO (You Only Look Once) serisindeki en son yinelemedir. Geliştiricilerin beklediği ışık hızında çıkarım hızlarını korurken doğruluğun sınırlarını zorlayan mimari iyileştirmeler sunarak gerçek zamanlı performans mirası üzerine inşa edilmiştir.

Teknik Detaylar:

Mimari ve Özellikler

YOLO11, manuel anchor kutusu yapılandırmasına olan ihtiyacı ortadan kaldıran ve eğitim sürecini basitleştiren, son teknoloji ürünü anchor'suz bir detect başlığı kullanır. Backbone ve neck mimarileri, özellik çıkarma yeteneklerini geliştirmek, küçük nesne tespiti ve karmaşık sahneler gibi zorlu görevlerde performansı artırmak için optimize edilmiştir.

EfficientDet'in öncelikli olarak FLOP azaltmaya odaklanmasının aksine, YOLO11 donanım farkındalıklı verimlilik için tasarlanmıştır. Bu, katmanlarının ve işlemlerinin GPU'lar ve NPU hızlandırıcılarında verimi en üst düzeye çıkarmak için seçildiği anlamına gelir.

Serbest Bırakılan Çok Yönlülük

Tek bir YOLO11 model mimarisi, çok çeşitli görme görevlerini destekler. Aynı çerçeve içinde Nesne Tespiti, Örnek Segmentasyonu, Görüntü Sınıflandırması, Poz Tahmini ve Yönlendirilmiş Sınırlayıcı Kutu (OBB) tespiti gerçekleştirebilirsiniz.

Güçlü ve Zayıf Yönler

YOLO11'in temel gücü, olağanüstü hız-doğruluk dengesidir. Gecikmenin çok küçük bir bölümünde çalışırken daha büyük modellere rakip olan veya onları yenen son teknoloji doğruluğu sunar. Bu, onu gerçek zamanlı çıkarım uygulamaları için ideal kılar. Ayrıca, Ultralytics ekosistemi, birleşik bir API ile kullanım kolaylığı sağlayarak eğitim ve dağıtımı sorunsuz hale getirir.

Dikkate alınması gereken bir nokta, en küçük YOLO11 varyantlarının inanılmaz derecede hızlı olmasına rağmen, akademide bulunan en büyük, hesaplama açısından ağır modellere kıyasla küçük bir doğruluk payından ödün verebilmesidir. Ancak, pratik dağıtım için bu ödünleşme neredeyse her zaman olumludur.

İdeal Kullanım Senaryoları

YOLO11 hakkında daha fazla bilgi edinin

Performans Karşılaştırması

EfficientDet ve YOLO11 karşılaştırıldığında, en çarpıcı fark çıkarım hızında, özellikle GPU donanımında yatmaktadır. EfficientDet modelleri (D0-D7) iyi parametre verimliliği gösterse de, karmaşık işlemleri (BiFPN gibi) paralel işleme yeteneklerini tam olarak kullanmalarını engellemektedir.

Aşağıdaki tabloda gösterildiği gibi, YOLO11n, önemli ölçüde daha hızlıyken EfficientDet-d0'dan (34.6) daha yüksek bir mAP (39.5) elde ediyor. Daha da etkileyici bir şekilde, YOLO11m, çok daha ağır olan EfficientDet-d5'in (51.5 mAP) doğruluğuyla eşleşiyor, ancak bir T4 GPU'da yaklaşık 14 kat daha hızlı çalışıyor (4.7 ms'ye karşı 67.86 ms). Bu muazzam hız avantajı, YOLO11'in yüksek çözünürlüklü video akışlarını gerçek zamanlı olarak işlemesini sağlıyor; bu, daha üst düzey EfficientDet modelleri için zorlu bir başarıdır.

Modelboyut
(piksel)		mAPval
50-95		Hız
CPU ONNX
(ms)		Hız
T4 TensorRT10
(ms)		parametreler
(M)		FLOP'lar
(B)
EfficientDet-d064034.610.23.923.92.54
EfficientDet-d164040.513.57.316.66.1
EfficientDet-d264043.017.710.928.111.0
EfficientDet-d364047.528.019.5912.024.9
EfficientDet-d464049.742.833.5520.755.2
EfficientDet-d564051.572.567.8633.7130.0
EfficientDet-d664052.692.889.2951.9226.0
EfficientDet-d764053.7122.0128.0751.9325.0
YOLO11n64039.556.11.52.66.5
YOLO11s64047.090.02.59.421.5
YOLO11m64051.5183.24.720.168.0
YOLO11l64053.4238.66.225.386.9
YOLO11x64054.7462.811.356.9194.9

Ultralytics'in Avantajı

Teknik metrikler çok önemli olsa da, geliştirici deneyimi ve ekosistem desteği de proje başarısı için aynı derecede önemlidir. Ultralytics, tüm MLOps yaşam döngüsünü basitleştiren kapsamlı bir araç paketi sağlayarak, araştırma odaklı EfficientDet deposuna göre belirgin avantajlar sunar.

  • Kullanım Kolaylığı: Ultralytics Python API ve CLI'ı basitlik için tasarlanmıştır. Yalnızca birkaç satır kodla son teknoloji bir modeli yükleyebilir, eğitebilir ve dağıtabilirsiniz; oysa EfficientDet genellikle TensorFlow'da karmaşık yapılandırma dosyaları ve bağımlılık yönetimi gerektirir.
  • İyi Yönetilen Ekosistem: Ultralytics modelleri, aktif bir topluluk ve sık güncellemelerle desteklenmektedir. GitHub deposundan kapsamlı dokümantasyona kadar, geliştiriciler zengin kaynaklara, eğitimlere ve destek kanallarına erişebilir.
  • Eğitim Verimliliği: YOLO11, hızlı yakınsama için optimize edilmiştir. Eğitim süresini azaltan verimli veri yükleme ve artırma stratejilerini destekler. Ayrıca, eski mimarilere veya transformatör tabanlı modellere kıyasla daha düşük bellek gereksinimleri, CUDA belleği tükenmeden tüketici sınıfı GPU'larda eğitime olanak tanır.
  • Dağıtım Esnekliği: Çerçeve, modelleri ONNX, TensorRT, CoreML ve OpenVINO dahil olmak üzere çeşitli formatlara aktarmayı yerel olarak destekler. Bu, YOLO11 modelinizin bulut sunucularından Raspberry Pi gibi uç cihazlara kadar her yerde dağıtılabileceğini garanti eder.

YOLO11 ile Uygulamalı Çalışma

Ultralytics API'sinin basitliğini deneyimleyin. Aşağıdaki örnek, önceden eğitilmiş bir YOLO11 modelinin nasıl yükleneceğini ve bir görüntü üzerinde çıkarım çalıştırmanın nasıl yapılacağını gösterir:

from ultralytics import YOLO

# Load a pre-trained YOLO11n model
model = YOLO("yolo11n.pt")

# Run inference on an image source
results = model("path/to/image.jpg")

# Display the results
results[0].show()

Sonuç

Hem EfficientDet hem de YOLO11, bilgisayar görüşünde dönüm noktası niteliğinde başarılardır. EfficientDet, ölçeklenebilir mimari tasarımı için değerli bir referans olmaya devam ediyor ve teorik FLOP'ların birincil kısıtlama olduğu niş uygulamalar için uygundur.

Ancak, modern bilgisayarlı görü uygulamalarının büyük çoğunluğu için Ultralytics YOLO11 üstün bir seçimdir. Mimarisi, özellikle çoğu üretim ortamında kullanılan GPU donanımında, doğruluk ve hızın çok daha iyi bir dengesini sunar. Çok yönlü bir çoklu görev çerçevesi, sağlam ekosistem ve eşsiz kullanım kolaylığı ile birleştiğinde, YOLO11 geliştiricilerin güvenle yüksek performanslı yapay zeka çözümleri oluşturmasını ve dağıtmasını sağlar.

Diğer Karşılaştırmaları İnceleyin

Nesne algılama modellerinin genel görünümünü daha iyi anlamak için, bu ek karşılaştırmaları keşfetmeyi düşünebilirsiniz:


Yorumlar