EfficientDet vs. YOLOv6.0: Kapsamlı Bir Teknik Karşılaştırma

Bilgisayarla görmenin gelişen ortamında, doğru nesne algılama mimarisini seçmek başarılı bir dağıtım için kritik öneme sahiptir. Bu karşılaştırma, Googleın araştırma odaklı modeli EfficientDet ile Meituan'ın endüstriyel sınıf dedektörü YOLOv6.0 arasındaki teknik farkları incelemektedir. EfficientDet, bileşik ölçeklendirme gibi çığır açan verimlilik kavramlarını ortaya koyarken, YOLOv6.0 özellikle düşük gecikmeli endüstriyel uygulamalar için tasarlandı ve akademik kıyaslamalardan gerçek dünya verimine geçişi vurguladı.

Performans Metriklerinin Karşılaştırılması

COCO veri seti üzerinde yapılan aşağıdaki kıyaslamalar mimari verimlilik ve çıkarım gecikmesi arasındaki dengeyi göstermektedir. YOLOv6.0, yeniden parametrelendirme tekniklerinden yararlanarak GPU donanımında üstün hız gösterirken, EfficientDet daha yüksek hesaplama maliyetlerinde rekabetçi doğruluğu korur.

Model	boyut ^(piksel)	mAP^val 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

YOLOv6.0n	640	37.5	-	1.17	4.7	11.4
YOLOv6.0s	640	45.0	-	2.66	18.5	45.3
YOLOv6.0m	640	50.0	-	5.28	34.9	85.8
YOLOv6.0l	640	52.8	-	8.95	59.6	150.7

EfficientDet: Ölçeklenebilir Verimlilik

EfficientDet, ağ derinliğini, genişliğini ve çözünürlüğünü sistematik olarak optimize ederek model tasarımında bir paradigma değişimini temsil etti. EfficientNet backbone üzerine inşa edilen bu model, Çift Yönlü Özellik Piramidi Ağı'nı (BiFPN) tanıtarak çok ölçekli özelliklerin kolayca birleştirilmesine olanak sağlamıştır.

Yazarlar: Mingxing Tan, Ruoming Pang ve Quoc V. Le
Organizasyon: Google
Tarih: 2019-11-20
Arxiv: https://arxiv.org/abs/1911.09070
GitHub: https:google
Dokümanlar: https:google

Mimari Yenilikler

EfficientDet'in çekirdeği, bilginin hem yukarıdan aşağıya hem de aşağıdan yukarıya akmasına izin veren ve farklı ölçeklerdeki özellikleri tekrar tekrar birleştiren BiFPN'dir. Bu, eski dedektörlerde sıklıkla kullanılan daha basit Özellik Piramidi Ağları (FPN) ile tezat oluşturmaktadır. Ayrıca EfficientDet, tek bir bileşik katsayı $\phi$ kullanarak backbone, BiFPN ve sınıf/kutu ağlarını eşit şekilde ölçeklendiren bir yöntem olan Bileşik Ölçeklendirme kullanır. Bu yapılandırılmış yaklaşım, kaynakların modelin boyutları arasında dengelenmesini sağlar ve genellikle manuel olarak tasarlanmış mimarilerde bulunan darboğazları önler.

Güçlü ve Zayıf Yönler

EfficientDet, parametre verimliliğinde üstünlük sağlayarak yüksek mAP YOLOv3 gibi çağdaşlarına göre nispeten daha az parametre ile. Model boyutunun (depolama) bir kısıtlama olduğu ancak gecikmenin tartışılabilir olduğu görüntü sınıflandırma ve algılama görevleri için özellikle etkilidir. Bununla birlikte, BiFPN katmanındaki karmaşık düzensiz bağlantılar ve derinlemesine ayrılabilir konvolüsyonların kapsamlı kullanımı standart GPU'larda verimsiz olabilir, bu da daha düşük FLOP sayılarına rağmen daha yüksek çıkarım gecik mesine yol açar.

FLOP'lara karşı Gecikme

EfficientDet düşük FLOP'lara (Kayan Nokta İşlemleri) sahip olsa da, bu her zaman GPU'larda daha yüksek hız anlamına gelmez. Derinlemesine ayrılabilir konvolüsyonlarının bellek erişim maliyetleri, YOLO modellerinde kullanılan standart konvolüsyonlara kıyasla performansı darboğaza sokabilir.

EfficientDet hakkında daha fazla bilgi edinin

YOLOv6.0: Endüstriyel Hız

YOLOv6.0, tamamen akademik ölçütlerden uzaklaşarak gerçek dünya verimine odaklanır ve özellikle endüstriyel ortamlarda bulunan donanım kısıtlamaları için optimizasyon yapar.

Yazarlar: Chuyi Li, Lulu Li, Yifei Geng, Hongliang Jiang, Meng Cheng, Bo Zhang, Zaidan Ke, Xiaoming Xu ve Xiangxiang Chu
Kuruluş: Meituan
Tarih: 2023-01-13
Arşiv: https://arxiv.org/abs/2301.05586
GitHub: https:YOLOv6
Dokümanlar: https:ultralytics

Mimari ve Tasarım

YOLOv6.0, eğitim zamanı ve çıkarım zamanı mimarilerini ayırmak için yeniden parametrelendirmeyi (RepVGG tarzı) kullanan bir EfficientRep Backbone kullanır. Eğitim sırasında, model daha iyi gradyan akışı için karmaşık çok dallı bloklar kullanır; çıkarım sırasında, bunlar tek bir 3$ \times 3$ konvolüsyona katlanarak maksimize edilir GPU hesaplama yoğunluğu. Sürüm 3.0 ayrıca Quantization-Aware Training (QAT) ve self-distillation gibi gelişmiş stratejileri de entegre ederek modelin uç cihazlarda dağıtım için INT8 hassasiyetine nicelleştirildiğinde bile doğruluğunu korumasını sağladı.

İdeal Kullanım Senaryoları

Donanım dostu tasarımı sayesinde YOLOv6.0 aşağıdakiler için idealdir:

Yüksek Hızlı Üretim: Çıkarım hızının tartışılmaz olduğu hızlı hareket eden konveyör bantlarında kusurların tespit edilmesi.
Perakende Otomasyonu: Düşük gecikmeli nesne tanıma gerektiren kasiyersiz ödeme sistemlerine güç sağlar.
Akıllı Şehir Analitiği: Trafik analizi veya güvenlik sistemleri için çoklu video akışlarının işlenmesi.

YOLOv6.0 hakkında daha fazla bilgi edinin

Karşılaştırmalı Analiz

Bu iki model arasındaki tasarım felsefesi farklılığı, dağıtım donanımına bağlı olarak farklı avantajlar yaratır.

Doğruluk ve Hız

Tabloda gösterildiği gibi, YOLOv6.0l, EfficientDet-d6 (52,6) ile benzer bir mAP (52,8) elde etmekte ancak T4 GPU 'da neredeyse 10 kat daha hızlı çalışmaktadır (8,95 ms'ye karşı 89,29 ms). Bu büyük fark, YOLOv6'nın yoğun konvolüsyonlarına kıyasla yüksek verimli donanımlarda derinlemesine konvolüsyonların verimsizliğini vurgulamaktadır. EfficientDet, en büyük D7 varyantı ile mutlak doğrulukta küçük bir avantajı koruyor, ancak gerçek zamanlı çıkarımı yasaklayan bir gecikme maliyetiyle.

Eğitim ve Çok Yönlülük

EfficientDet, verimli eğitim için büyük ölçüde TensorFlow ekosistemine ve TPU hızlandırmasına dayanır. Buna karşılık, YOLOv6 PyTorch ekosistemine uyum sağlayarak genel araştırmacılar için daha erişilebilir hale gelir. Bununla birlikte, her iki model de öncelikle nesne algılama için tasarlanmıştır. Örnek segmentasyonu veya poz tahmini gerektiren projeler için kullanıcıların genellikle harici çatallar veya alternatif mimariler araması gerekir.

Ultralytics Avantajı

YOLOv6.0 ve EfficientDet ise yetenekli modellerdir, Ultralytics YOLO11 bilgisayarla görmede bir sonraki evrimi temsil ediyor ve her iki öncülün sınırlamalarını birleşik, kullanıcı merkezli bir çerçeve aracılığıyla ele alıyor.

Neden Ultralytics YOLO11'i Seçmelisiniz?

Kullanım Kolaylığı ve Ekosistem: Araştırma modellerinin parçalanmış depolarının aksine, Ultralytics sorunsuz bir deneyim sunar. Tutarlı bir Python API 'si, modelleri yalnızca birkaç satır kodla eğitmenize, doğrulamanıza ve dağıtmanıza olanak tanır.
Eşsiz Çok Yönlülük: YOLO11 sınırlayıcı kutularla sınırlı değildir. Yerel olarak destekler Görüntü Sınıflandırma, Örnek Segmentasyonu, Poz Tahminive Yönlendirilmiş Sınırlayıcı Kutular (OBB)Bu da onu karmaşık yapay zeka işlem hatları için tek noktadan çözüm haline getiriyor.
Eğitim Verimliliği: Ultralytics modelleri bellek gereksinimleri için optimize edilmiştir, genellikle daha hızlı yakınsar ve dönüştürücü ağırlıklı veya eski mimarilere göre daha az VRAM kullanır. Bu erişilebilirlik, devasa bilgi işlem kümeleri olmayanlar için üst düzey yapay zeka geliştirmeyi demokratikleştirir.
Bakımlı Ekosistem: Aktif bir topluluk ve sık güncellemelerle desteklenen Ultralytics ekosistemi, veri açıklama, günlük kaydı ve dağıtım araçlarına kolay entegrasyonlarla projelerinizin geleceğe dönük kalmasını sağlar.

Kolaylaştırılmış Geliştirme

Ultralytics ile Nesne Algılama'dan Örnek Segmentasyonu'na geçmek, model adını değiştirmek kadar basittir (örn, yolo11n.pt için yolo11n-seg.pt). Bu esneklik, yeni görevler için EfficientDet gibi farklı mimarileri uyarlamaya kıyasla geliştirme süresini büyük ölçüde azaltır.

Kod Örneği

Karmaşık araştırma kod tabanlarına kıyasla Ultralytics API'sinin basitliğini deneyimleyin:

from ultralytics import YOLO

# Load a pre-trained YOLO11 model
model = YOLO("yolo11n.pt")

# Train the model on your custom dataset
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Run inference on an image
results = model.predict("https://ultralytics.com/images/bus.jpg")

YOLO11 hakkında daha fazla bilgi edinin

Sonuç

EfficientDet, doğruluğun tek ölçüt olduğu akademik araştırmalar veya çevrimdışı işleme için ideal olan model ölçeklendirme teorisinde bir dönüm noktası olmaya devam etmektedir. YOLOv6.0, desteklenen donanımlarda mükemmel hız sunarak endüstriyel uç yapay zeka için sınırları zorluyor.

Ancak, son teknoloji performansı geliştirici üretkenliği ile dengeleyen bütünsel bir çözüm için, Ultralytics YOLO11 önerilen seçimdir. Çeşitli görüntü görevlerinin entegrasyonu, daha düşük bellek alanı ve sağlam destek sistemi, geliştiricilerin prototipten üretime güvenle geçmesini sağlar.

Diğer Modelleri İnceleyin

Daha fazlasını keşfetmek istiyorsanız, belgelerimizdeki bu ilgili karşılaştırmaları göz önünde bulundurun: