EfficientDet vs YOLOv7: Kapsamlı Bir Teknik Karşılaştırma

Bilgisayarla görmenin hızla gelişen ortamında, doğru nesne algılama mimarisini seçmek proje başarısı için çok önemlidir. Bu analiz, verimliliğe odaklanan ölçeklenebilir bir mimari olan EfficientDet ile YOLOv7GPU donanımında hız ve doğruluk için tasarlanmış gerçek zamanlı bir dedektör. Her iki model de kendi sürümlerinde son teknoloji performansı temsil ederken, teknik nüanslarını anlamak geliştiricilerin modern dağıtımlar için bilinçli kararlar almasına yardımcı olur.

Performans Ölçütleri ve Analizi

Aşağıdaki tabloda Ortalama Ortalama HassasiyetmAP), farklı donanımlarda çıkarım hızı ve hesaplama karmaşıklığı (Parametreler ve FLOP'lar) dahil olmak üzere temel performans ölçümlerinin ayrıntılı bir karşılaştırması sunulmaktadır.

Temel Çıkarımlar

• Verimlilik ve Gecikme: EfficientDet, bileşik ölçeklendirmesi sayesinde dikkate değer parametre verimliliği (düşük model boyutu) elde eder. Ancak, GPU donanımında (T4 TensorRT), YOLOv7 üstün gecikme süresi göstermektedir. Örneğin, YOLOv7l sadece 6,84 ms gecikmeyle %51,4 mAP elde ederken, EfficientDet-d5 %51,5'lik benzer bir mAP için 67,86 ms gerektirir.
• Mimari Etkisi: EfficientDet'te kullanılan derinlemesine ayrılabilir konvolüsyonlar FLOP'ları en aza indirir, ancak GPU'larda YOLOv7'deki yoğun konvolüsyonlara kıyasla daha az optimize edilebilir ve bu da gözlemlenen hız farklılıklarına yol açar.

EfficientDet'e Genel Bakış

EfficientDet, doğruluğu ve verimliliği aynı anda optimize eden ölçeklenebilir bir mimari önererek 2019'da bir paradigma değişikliği getirmiştir. EfficientNet backbone üzerine inşa edilmiş ve BiFPN'i (Çift Yönlü Özellik Piramidi Ağı) tanıtmıştır.

EfficientDet Detayları: 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

Mimaride Öne Çıkanlar

EfficientDet'in temel yeniliği, kolay ve hızlı çok ölçekli özellik füzyonuna olanak tanıyan BiFPN'dir. Geleneksel FPN'lerin aksine BiFPN, farklı girdi özelliklerinin önemini öğrenmek için ağırlıklı özellik füzyonu kullanır. Çözünürlüğü, derinliği ve genişliği eşit şekilde ölçeklendiren Bileşik Ölçeklendirme ile birlikte EfficientDet, çeşitli kaynak kısıtlamalarına hitap eden bir model ailesi (D0 ila D7) sunar.

EfficientDet hakkında daha fazla bilgi edinin

YOLOv7 Genel Bakış

2022'de piyasaya sürülen YOLOv7, çıkarım hızı için eğitim sürecini ve mimariyi optimize etmeye odaklanarak gerçek zamanlı nesne tespitinin sınırlarını zorladı. Çıkarım maliyetini artırmadan doğruluğu artıran birkaç "Bag-of-Freebies" sunar.

YOLOv7 Ayrıntılar: Yazarlar: Chien-Yao Wang, Alexey Bochkovskiy ve Hong-Yuan Mark Liao
Organizasyon: Bilgi Bilimleri Enstitüsü, Academia Sinica, Tayvan
Tarih: 2022-07-06
Arxiv: https://arxiv.org/abs/2207.02696
GitHub: https://github.com/WongKinYiu/yolov7

Mimaride Öne Çıkanlar

YOLOv7 , ağın daha çeşitli özellikleri öğrenmesini sağlamak için en kısa ve en uzun gradyan yollarını kontrol eden E-ELAN'ı (Genişletilmiş Verimli Katman Toplama Ağı) kullanır. Ayrıca, birleştirme tabanlı modeller için model ölçeklendirmesi kullanarak farklı boyutlarda optimum yapıyı korumasını sağlar. Mimari, düşük FLOP sayılarına rağmen yüksek bellek erişim maliyetlerine sahip işlemlerden kaçınarak GPU verimliliği için özel olarak ayarlanmıştır.

YOLOv7 hakkında daha fazla bilgi edinin

İdeal Kullanım Senaryoları

Bu mimariler arasında seçim yapmak büyük ölçüde dağıtım donanımına ve özel uygulama gereksinimlerine bağlıdır.

EfficientDet Ne Zaman Seçilmeli

EfficientDet, CPU ortamlar veya bellek bant genişliği ve depolamanın kesinlikle sınırlı olduğu uç cihazlar için idealdir. Düşük parametre sayısı onu aşağıdakiler için uygun hale getirir:

• Mobil Uygulamalar: Uygulama boyutunun (APK boyutu) kritik bir kısıtlama olduğu iOS uygulamaları.
• Gömülü Sistemler: CPU üzerinde çalışan Raspberry Pi (eski nesiller) gibi cihazlar.
• Akademik Araştırma: Bileşik ölçekleme ve özellik füzyonu tekniklerinin etkilerinin incelenmesi.

YOLOv7 Ne Zaman Seçilmeli

YOLOv7 , düşük gecikme süresinin tartışılmaz olduğu yüksek performanslı GPU ortamlarında mükemmeldir. Aşağıdakiler için tercih edilen seçimdir:

• Gerçek Zamanlı Gözetim: Uç sunucularda aynı anda birden fazla video akışının işlenmesi.
• Otonom Sürüş: Milisaniyelik gecikmenin güvenliği etkileyebileceği yerler.
• Robotik: Dinamik ortamlarda hızlı nesne algılama ve etkileşim için.

Neden Ultralytics YOLO Modellerini Seçmelisiniz?

EfficientDet ve YOLOv7 bilgisayarla görmeye önemli katkılar sağlamaya devam ederken, Ultralytics ekosistemi de YOLOv8 ve son teknoloji YOLO11-geliştiriciler ve araştırmacılar için belirgin avantajlar sunar.

Kullanım Kolaylığı ve Ekosistem

Eski modeller genellikle karmaşık kurulum adımları, belirli CUDA sürümleri veya parçalanmış kod tabanları gerektirir. Buna karşılık, Ultralytics birleşik, kolaylaştırılmış bir kullanıcı deneyimine odaklanır. Basit bir pip install ultralyticskullanıcılar sağlam bir Python API'sine ve CLI komutları eğitim, doğrulama ve konuşlandırmayı standartlaştırır. Bu Bakımlı Ekosistem sık güncellemeler, geniş donanım desteği ve aşağıdaki gibi araçlarla entegrasyon sağlar Ultralytics HUB kesintisiz MLOps için.

Performans Dengesi ve Bellek Verimliliği

Ultralytics modelleri, optimum Performans Dengesini sağlamak üzere tasarlanmıştır. Olağanüstü çıkarım hızlarını korurken son teknoloji doğruluk sunarlar, bu da onları uç dağıtımdan bulut API'lerine kadar çeşitli senaryolar için uygun hale getirir. Ayrıca, Ultralytics YOLO modellerinin eğitimi için Bellek Gereksinimleri, transformatör tabanlı mimariler veya eski ConvNet'ler için olanlardan genellikle daha düşüktür ve tüketici sınıfı GPU'larda verimli eğitime izin verir.

Çok Yönlülük ve Eğitim Verimliliği

Birçok özel dedektörün aksine, Ultralytics modelleri çok yönlüdür. Tek bir çerçeve destekler:

• Nesne Algılama
• Örnek Segmentasyonu
• Görüntü Sınıflandırması
• Poz Tahmini
• Yönlendirilmiş Nesne Algılama (OBB)

Bu Çok Yönlülük, optimize edilmiş veri yükleyicileri ve kolayca bulunabilen önceden eğitilmiş ağırlıklar sayesinde Eğitim Verimliliğiile birleştiğinde COCO-Yapay zeka çözümleri için pazara sunma süresini önemli ölçüde azaltır.

Örnek: Modern Bir YOLO Modeli Çalıştırmak

Aşağıda, modern bir Ultralytics modelinin çıkarım için ne kadar kolay kullanılabileceğine dair bir örnek yer almaktadır; bu, eski mimariler için sıklıkla gerekli olan kazan plakası ile tam bir tezat oluşturmaktadır.

from ultralytics import YOLO

# Load the latest YOLO11 model (pre-trained on COCO)
model = YOLO("yolo11n.pt")

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

# Process results
for result in results:
    result.save()  # Save the annotated image to disk
    print(f"Detected {len(result.boxes)} objects.")

YOLO11 hakkında daha fazla bilgi edinin

Sonuç

EfficientDet ve YOLOv7 , bilgisayarla görme tarihinde iki farklı felsefeyi temsil etmektedir: biri teorik verimlilik (FLOPs/Params), diğeri ise pratik donanım gecikmesi için optimizasyon yapmaktadır. EfficientDet, parametre kısıtlamalı CPU uygulamaları için güçlü bir referans olmaya devam ederken, YOLOv7 yüksek hızlı GPU iş yüklerine iyi hizmet vermektedir.

Bununla birlikte, her iki dünyanın da en iyisini arayan geliştiriciler için - hız, doğruluk ve sorunsuz bir geliştirme deneyimi - aşağıdaki gibi Ultralytics modelleri YOLO11 üstün bir seçimdir. Modern bilgisayarla görme uygulamalarının zorlu taleplerini karşılayan bir performans sunarken, karmaşık eğitim ve dağıtım sürecini basitleştirirler.

Diğer Model Karşılaştırmaları

Özel ihtiyaçlarınıza en uygun modeli bulmak için daha fazla teknik karşılaştırmayı keşfedin:

• EfficientDet - YOLOv8 karşılaştırması
• YOLOv7 vs YOLOv8
• EfficientDet - YOLOv5 Karşılaştırması
• YOLOv6 vs YOLOv7
• RT-DETR vs YOLOv7
• YOLOX - EfficientDet Karşılaştırması

Yorumlar