EfficientDet - YOLO11 Karşılaştırması: Detaylı Teknik Bir İnceleme
Bu sayfa, Google'ın EfficientDet'i ile Ultralytics YOLO11 arasında ayrıntılı bir teknik karşılaştırma sunmaktadır; bu iki model de önde gelen nesne algılama modelidir. Bilgisayarlı görü ihtiyaçlarınız için en uygun modeli seçmenize yardımcı olmak amacıyla mimarilerini, performans kıyaslamalarını ve farklı uygulamalara uygunluklarını analiz ediyoruz. Her iki model de verimli ve doğru nesne algılamayı amaçlarken, farklı araştırma hatlarından (Google ve Ultralytics) kaynaklanmaktadır ve farklı mimari felsefeler kullanmaktadır.
EfficientDet
EfficientDet, Google Brain'deki araştırmacılar tarafından geliştirilen bir nesne algılama modeli ailesidir. 2019'da tanıtılan bu model, güçlü bir backbone'u yeni bir özellik birleştirme mekanizması ve benzersiz bir ölçeklendirme yöntemiyle birleştirerek verimlilik için yeni bir standart belirledi.
Teknik Detaylar:
- 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
Mimari ve Temel Özellikler
EfficientDet'in mimarisi üç temel bileşen üzerine kurulmuştur:
- EfficientNet Backbone: Özellik çıkarımı için, yüksek verimli EfficientNet'i backbone olarak kullanır.
- BiFPN (Çift Yönlü Özellik Piramidi Ağı): Basit ve hızlı çok ölçekli özellik kaynaştırmasına olanak tanıyan yeni, ağırlıklı bir özellik piramidi ağıdır. Farklı girdi özelliklerinin önemini anlamak için öğrenilebilir ağırlıklar ekler ve hem yukarıdan aşağıya hem de aşağıdan yukarıya bağlantıları uygular.
- Bileşik Ölçeklendirme: Model derinliğinin, genişliğinin ve çözünürlüğünün tek bir bileşik katsayı kullanılarak birlikte ölçeklendirildiği önemli bir yenilik. Bu, model ailesinin (D0'dan D7'ye) çok çeşitli kaynak kısıtlamaları arasında verimli bir şekilde ölçeklenmesini sağlar.
Güçlü Yönler
- Yüksek Verimlilik: EfficientDet modelleri, düşük parametre ve FLOP sayılarıyla ünlüdür ve hesaplama bütçeleri için güçlü doğruluk sağlar.
- Ölçeklenebilirlik: Bileşik ölçeklendirme yöntemi, modeli yukarı veya aşağı ölçeklendirmek için net bir yol sağlayarak, mobil cihazlardan veri merkezlerine kadar çeşitli donanım profillerine uyarlanabilir hale getirir.
- Güçlü Akademik Kıyaslama: Yayınlandığında son teknoloji bir modeldi ve verimlilik odaklı araştırmalar için güçlü bir temel olmaya devam ediyor.
Zayıflıklar
- Daha Yavaş GPU Çıkarımı: FLOP verimliliğine rağmen, EfficientDet'in GPU'lar üzerindeki gerçek dünya çıkarım gecikmesi, özellikle paralel işleme donanımı için tasarlanmış YOLO11 gibi modellere kıyasla daha yavaş olabilir.
- Sınırlı Çok Yönlülük: EfficientDet öncelikle bir nesne tespit aracıdır. Ultralytics gibi modern çerçevelere entegre edilmiş olan örnek segmentasyonu, poz tahmini veya sınıflandırma gibi diğer görevler için yerel desteği yoktur.
- Daha Az Bakımı Yapılan Ekosistem: Resmi depo, Ultralytics ekosistemi kadar aktif olarak geliştirilmemektedir. Bu, kullanılabilirlik, topluluk desteği ve en son araçlar ve dağıtım platformlarıyla entegrasyon konusunda zorluklara yol açabilir.
EfficientDet hakkında daha fazla bilgi edinin
Ultralytics YOLO11
Ultralytics YOLO11, Ultralytics tarafından geliştirilen YOLO (You Only Look Once) serisindeki en son gelişmedir. YOLOv8 gibi önceki modellerin başarısı üzerine inşa edilmiş olup, benzersiz kullanım kolaylığı ve çok yönlülük sunarken hem doğruluk hem de gerçek zamanlı performansın sınırlarını zorlamaya odaklanmaktadır.
Teknik Detaylar:
- Yazarlar: Glenn Jocher, Jing Qiu
- Kuruluş: Ultralytics
- Tarih: 2024-09-27
- GitHub: https://github.com/ultralytics/ultralytics
- Belgeler: https://docs.ultralytics.com/models/yolo11/
Mimari ve Temel Özellikler
YOLO11, hız ve hassasiyet için optimize edilmiş, tek aşamalı, bağlantısız (anchor-free) dedektör mimarisi kullanır. Tasarımı, iyileştirilmiş özellik çıkarma katmanlarına ve parametre sayısını ve hesaplama yükünü azaltan, ancak doğruluktan ödün vermeyen, akıcı bir ağ yapısına sahiptir. Bu, NVIDIA Jetson gibi uç cihazlardan güçlü bulut sunucularına kadar çeşitli donanımlarda olağanüstü performans sağlar.
YOLO11'in önemli bir avantajı, kapsamlı Ultralytics ekosistemi içindeki entegrasyonudur. Bu, geliştiricilere şunları sağlar:
- Kullanım Kolaylığı: Basit ve sezgisel bir Python API'si ve CLI, eğitimi, doğrulamayı ve çıkarımı kolaylaştırır.
- Çok Yönlülük: YOLO11, tek bir birleşik çerçeve içinde nesne algılama, örnek segmentasyonu, görüntü sınıflandırma, poz tahmini ve yönlendirilmiş sınırlayıcı kutuları (OBB) destekleyen çoklu görev modelidir.
- İyi Yönetilen Ekosistem: Model, aktif geliştirme, geniş ve destekleyici bir açık kaynak topluluğu, sık güncellemeler ve uçtan uca MLOps için Ultralytics HUB gibi araçlarla sorunsuz entegrasyondan yararlanır.
- Eğitim ve Bellek Verimliliği: YOLO11, verimli eğitim için tasarlanmıştır ve genellikle alternatiflerden daha az CUDA belleği gerektirir ve daha hızlı yakınsar. COCO gibi veri kümelerinde hazırda bulunan önceden eğitilmiş ağırlıklarla birlikte gelir.
Güçlü Yönler
- Son Teknoloji Performans: Özellikle GPU'larda yüksek mAP skorları ve hızlı çıkarım hızları arasında mükemmel bir denge sağlar.
- Dağıtım Esnekliği: Maksimum performans için ONNX ve TensorRT gibi formatlara kolay aktarım ile çok çeşitli donanımlar için optimize edilmiştir.
- Kullanıcı Dostu Çerçeve: Kapsamlı dokümantasyon, eğitimler ve güçlü bir topluluk tarafından desteklenerek hem yeni başlayanlar hem de uzmanlar için giriş engelini azaltır.
- Çoklu Görev Desteği: Tek bir YOLO11 modeli, çeşitli görüntü işleme görevleri için eğitilebilir, bu da geliştirme karmaşıklığını ve süresini azaltır.
Zayıflıklar
- CPU Performansı Değiş Tokuşları: GPU'lar için yüksek düzeyde optimize edilmiş olsa da, daha büyük YOLO11 modelleri, yalnızca CPU olan ortamlarda en küçük EfficientDet varyantlarına kıyasla daha yavaş olabilir.
- Küçük Nesne Tespiti: Diğer tek aşamalı dedektörler gibi, bazen yoğun sahnelerde aşırı küçük veya yoğun şekilde tıkanmış nesneleri tespit etmekte zorlanabilir, ancak her sürümde sürekli iyileştirmeler yapılmaktadır.
YOLO11 hakkında daha fazla bilgi edinin
Performans ve Kıyaslamalar
COCO val2017 veri kümesi üzerindeki performans karşılaştırması, EfficientDet ve YOLO11'in farklı tasarım felsefelerini vurgular. EfficientDet, özellikle daha küçük modelleriyle teorik verimlilikte (parametre/FLOP başına mAP) öne çıkar. Ancak, özellikle GPU'lar üzerinde pratik dağıtım söz konusu olduğunda, YOLO11 çıkarım hızında açık bir avantaj gösterir.
Örneğin, YOLO11s, EfficientDet-d3'e (47,5) kıyasla karşılaştırılabilir bir mAP (47,0) elde eder, ancak bir T4 GPU'da 2,9 kat daha hızlı çıkarım hızıyla. En büyük model olan YOLO11x, tüm EfficientDet modellerini doğrulukta (54,7 mAP) aşarken, orta ölçekli EfficientDet modellerinden bile GPU'da önemli ölçüde daha hızlı kalır. Bu, gerçek zamanlı çıkarımın kritik olduğu uygulamalar için YOLO11'i üstün bir seçim haline getirir.
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 |
İdeal Kullanım Senaryoları
EfficientDet
EfficientDet, hesaplama kaynaklarının birincil darboğaz olduğu ve GPU optimizasyonunun daha az kritik olduğu senaryolar için en uygunudur.
- Akademik Araştırma: Model verimliliğine ve mimari tasarımına odaklanan çalışmalar için mükemmeldir.
- CPU Yoğun Uygulamalar: Daha küçük varyantlar (D0-D2), özel GPU'lar olmadan ortamlarda iyi performans gösterebilir.
- Maliyet Duyarlı Bulut Dağıtımı: Faturalandırmanın doğrudan FLOP'lara veya CPU kullanımına bağlı olduğu durumlar.
YOLO11
YOLO11, yüksek doğruluk, hız ve geliştirme verimliliği gerektiren çok çeşitli gerçek dünya uygulamalarında mükemmeldir.
- Otonom Sistemler: Düşük gecikmeli algılama ile robotik ve kendi kendine giden arabalara güç verme.
- Güvenlik ve Gözetim: Güvenlik sistemleri ve kamu güvenliği için gerçek zamanlı izlemeyi etkinleştirme.
- Endüstriyel Otomasyon: Üretim hatlarında yüksek hızlı kalite kontrolü ve kusur tespiti için kullanılır.
- Perakende Analitiği: Envanter yönetimi ve müşteri davranış analizi gibi uygulamaları yönlendirme.
Sonuç
EfficientDet, model verimliliğinin sınırlarını zorlayan çığır açan bir mimaridir. Ölçeklenebilir tasarımı, özellikle kaynak kısıtlı ortamlar için alana değerli bir katkı olmaya devam etmektedir.
Ancak, son teknoloji, çok yönlü ve kullanıcı dostu bir çözüm arayan geliştiriciler ve araştırmacılar için Ultralytics YOLO11 açık bir seçimdir. Özellikle modern donanımlarda, doğruluk ve gerçek dünya hızının üstün bir kombinasyonunu sunar. YOLO11'in temel avantajları sadece performansında değil, onu çevreleyen sağlam ekosistemde yatmaktadır. Kolaylaştırılmış API, kapsamlı belgelendirme, çoklu görev yetenekleri ve aktif topluluk desteği, geliştirme ve dağıtım yaşam döngüsünü önemli ölçüde hızlandırarak, onu günümüzün çok çeşitli bilgisayarlı görü zorlukları için en pratik ve güçlü seçenek haline getirmektedir.
Diğer Modelleri İnceleyin
Daha fazla inceleme için, diğer son teknoloji modellerle yapılan bu karşılaştırmaları göz önünde bulundurun:
- YOLO11 - YOLOv10 Karşılaştırması
- YOLO11 - YOLOv9 Karşılaştırması
- YOLO11 - RT-DETR Karşılaştırması
- EfficientDet - YOLOv8 Karşılaştırması
- EfficientDet - YOLOX Karşılaştırması