EfficientDet - YOLOv6-3.0 Karşılaştırması: Kapsamlı Teknik Bir Karşılaştırma

Bilgisayarlı görü alanının gelişen yapısında, doğru nesne algılama mimarisini seçmek başarılı dağıtım için kritik öneme sahiptir. Bu karşılaştırma, Google'dan araştırma odaklı bir model olan EfficientDet ve Meituan'dan endüstriyel sınıf bir detector olan YOLOv6-3.0 arasındaki teknik farklılıkları inceliyor. EfficientDet, bileşik ölçekleme gibi çığır açan verimlilik kavramlarını tanıtırken, YOLOv6-3.0 özellikle düşük gecikmeli endüstriyel uygulamalar için tasarlanmıştır ve akademik kıyaslamalardan gerçek dünya verimliliğine geçişi vurgulamaktadır.

Performans Metrikleri Karşılaştırması

Aşağıdaki COCO veri setindeki kıyaslamalar, mimari verimlilik ve çıkarım gecikmesi arasındaki ödünleşimi göstermektedir. YOLOv6-3.0, 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

YOLOv6-3.0n	640	37.5	-	1.17	4.7	11.4
YOLOv6-3.0s	640	45.0	-	2.66	18.5	45.3
YOLOv6-3.0m	640	50.0	-	5.28	34.9	85.8
YOLOv6-3.0l	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 değişikliğini temsil etti. EfficientNet backbone üzerine inşa edilen bu model, kolay çok ölçekli özellik kaynaştırmasına olanak tanıyan Çift Yönlü Özellik Piramit Ağı'nı (BiFPN) tanıttı.

Yazarlar: Mingxing Tan, Ruoming Pang ve Quoc V. Le
Kuruluş: Google
Tarih: 20.11.2019
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 Yenilikler

EfficientDet'in özü, bilginin hem yukarıdan aşağıya hem de aşağıdan yukarıya akmasına izin veren ve farklı ölçeklerdeki özellikleri tekrar tekrar kaynaştıran BiFPN'dir. Bu, genellikle daha eski dedektörlerde kullanılan daha basit Özellik Piramidi Ağları (FPN) ile çelişmektedir. Ek olarak, EfficientDet, backbone, BiFPN ve sınıf/kutu ağlarını tek bir bileşik katsayı $\phi$ kullanarak eşit olarak ölçeklendiren bir yöntem olan Bileşik Ölçekleme kullanır. Bu yapılandırılmış yaklaşım, kaynakların modelin boyutları arasında dengelenmesini sağlayarak, genellikle manuel olarak tasarlanmış mimarilerde bulunan darboğazlardan kaçınır.

Güçlü ve Zayıf Yönler

EfficientDet, parametre verimliliğinde öne çıkar ve YOLOv3 gibi çağdaşlarına kıyasla nispeten daha az parametre ile yüksek mAP elde eder. Model boyutunun (depolama) bir kısıtlama olduğu ancak gecikmenin müzakere edilebilir olduğu görüntü sınıflandırma ve detect görevleri için özellikle etkilidir. Bununla birlikte, BiFPN katmanındaki karmaşık düzensiz bağlantılar ve derinlemesine ayrılabilir evrişimlerin yoğun kullanımı, standart GPU'larda verimsiz olabilir ve daha düşük FLOP sayılarına rağmen daha yüksek çıkarım gecikmesine yol açabilir.

Gecikme - FLOP'lar

EfficientDet'in düşük FLOP'ları (Kayan Nokta İşlemleri) olmasına rağmen, bu her zaman GPU'larda daha yüksek hız anlamına gelmez. Derinlemesine ayrılabilir evrişimlerinin bellek erişim maliyetleri, YOLO modellerinde kullanılan standart evrişimlere kıyasla performansı darboğaz yapabilir.

EfficientDet hakkında daha fazla bilgi edinin

YOLOv6-3.0: Endüstriyel Hız

YOLOv6-3.0, özellikle endüstriyel ortamlarda bulunan donanım kısıtlamaları için optimize ederek, tamamen akademik ölçütlerden uzaklaşıp gerçek dünya verimine odaklanır.

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://github.com/meituan/YOLOv6
Belgeler: https://docs.ultralytics.com/models/yolov6/

Mimari ve Tasarım

YOLOv6-3.0, eğitim zamanı ve çıkarım zamanı mimarilerini ayırmak için yeniden parametrelendirme (RepVGG stili) kullanan bir EfficientRep Backbone kullanır. Eğitim sırasında model, daha iyi gradyan akışı için karmaşık çok dallı bloklar kullanır; çıkarım sırasında bunlar, GPU işlem yoğunluğunu en üst düzeye çıkararak tekli $3 \times 3$ kıvrımlara katlanır. Sürüm 3.0 ayrıca, modelin uç cihazlarda dağıtım için INT8 hassasiyetine nicelleştirildiğinde bile doğruluğu korumasını sağlayan Nicemleme Farkındalıklı Eğitim (QAT) ve kendi kendine damıtma gibi gelişmiş stratejileri de entegre etmiştir.

İdeal Kullanım Senaryoları

Donanım dostu tasarımı sayesinde YOLOv6-3.0 şunlar için idealdir:

Yüksek Hızlı Üretim: Çıkarım hızının pazarlık konusu olmadığı hızlı hareket eden konveyör bantlarında kusurları detect etmek.
Perakende Otomasyonu: Düşük gecikmeli nesne tanıma gerektiren kasiyersiz ödeme sistemlerine güç verme.
Akıllı Şehir Analitiği: Trafik analizi veya güvenlik sistemleri için birden fazla video akışını işleme.

YOLOv6-3.0 hakkında daha fazla bilgi edinin

Karşılaştırmalı Analiz

Bu iki model arasındaki tasarım felsefesindeki ayrım, dağıtım donanımına bağlı olarak belirgin avantajlar yaratır.

Doğruluk - Hız Karşılaştırması

Aşağıdaki tabloda gösterildiği gibi, YOLOv6-3.0l, EfficientDet-d6'ya (52.6) kıyasla karşılaştırılabilir bir mAP (52.8) elde ediyor, ancak bir T4 GPU'da neredeyse 10 kat daha hızlı çalışıyor (8.95ms'ye karşı 89.29ms). Bu büyük fark, yüksek verimli donanımlarda derinlemesine evrişimlerin YOLOv6'nın yoğun evrişimlerine kıyasla verimsizliğini vurguluyor. EfficientDet, en büyük D7 varyantıyla mutlak doğrulukta hafif bir avantaja sahip, ancak gerçek zamanlı çıkarımı engelleyen bir gecikme maliyetiyle.

Eğitim ve Çok Yönlülük

EfficientDet, verimli eğitim için TensorFlow ekosistemine ve TPU hızlandırmasına büyük ölçüde güvenir. Buna karşılık, YOLOv6, genel araştırmacılar için daha erişilebilir hale getiren PyTorch ekosistemine uyar. Ancak, her iki model de öncelikle nesne detect için tasarlanmıştır. Örnek segmentasyon veya poz tahmini gerektiren projeler için kullanıcıların genellikle harici çatallara veya alternatif mimarilere bakmaları gerekir.

Ultralytics'in 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 parçalı depolarının aksine, Ultralytics sorunsuz bir deneyim sunar. Tutarlı bir Python API, modelleri yalnızca birkaç satır kodla eğitmenize, doğrulamanıza ve dağıtmanıza olanak tanır.
Rakipsiz Çok Yönlülük: YOLO11, sınırlayıcı kutularla sınırlı değildir. Doğal olarak Görüntü Sınıflandırması, Örnek Segmentasyonu, Poz Tahmini ve Yönlendirilmiş Sınırlayıcı Kutuları (OBB) destekleyerek karmaşık yapay zeka işlem hatları için tek duraklı bir çözüm haline gelir.
Eğitim Verimliliği: Ultralytics modelleri bellek gereksinimleri için optimize edilmiştir, genellikle transformatör ağırlıklı veya eski mimarilerden daha hızlı yakınsar ve daha az VRAM kullanır. Bu erişilebilirlik, büyük işlem kümeleri olmayanlar için üst düzey AI geliştirmeyi demokratikleştirir.
İyi Yönetilen Ekosistem: Aktif bir topluluk ve sık güncellemelerle desteklenen Ultralytics ekosistemi, projelerinizin geleceğe dönük kalmasını sağlar ve veri açıklama, günlük kaydı ve dağıtım için araçlara kolay entegrasyonlar sunar.

Kolaylaştırılmış Geliştirme

Ultralytics ile Nesne Tespiti'nden Örnek Bölütleme'ye geçmek, model adını değiştirmek kadar basittir (örneğin, yolo11n.pt için yolo11n-seg.pt). Bu esneklik, EfficientDet gibi farklı mimarileri yeni görevlere uyarlamaya kıyasla geliştirme süresini önemli ölçüde azaltır.

Kod Örneği

Ultralytics API'sinin karmaşık araştırma kod tabanlarına kıyasla 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 araştırma veya çevrimdışı işleme için ideal olan model ölçeklendirme teorisinde bir dönüm noktası olmaya devam ediyor. YOLOv6-3.0, desteklenen donanımlarda mükemmel hız sunarak endüstriyel uç yapay zeka için çıtayı yükseltiyor.

Ancak, en son teknoloji performansını geliştirici verimliliğiyle dengeleyen bütünsel bir çözüm için Ultralytics YOLO11 önerilen seçimdir. Çeşitli görme görevlerinin entegrasyonu, daha düşük bellek ayak izi ve sağlam destek sistemi, geliştiricilerin prototipten üretime güvenle geçmelerini sağlar.

Diğer Modelleri İnceleyin

Daha fazla keşfetmekle ilgileniyorsanız, belgelerimizdeki bu ilgili karşılaştırmaları göz önünde bulundurun: