EfficientDet - YOLOv8 Karşılaştırması: Nesne Algılama Devlerinin Teknik Bir Karşılaştırması

Bilgisayar görüşü alanındaki hızlı gelişmelerde, doğru mimariyi seçmek proje başarısı için çok önemlidir. Bu analiz, Google'ın parametre verimliliğine odaklanan bir araştırma kilometre taşı olan EfficientDet ile Ultralytics'in gerçek zamanlı uygulamalar ve kullanım kolaylığı için tasarlanmış son teknoloji modeli olan YOLOv8 olmak üzere iki etkili modeli karşılaştırmaktadır.

EfficientDet, model ölçeklendirme konusunda çığır açan kavramlar sunarken, YOLOv8 ve en son teknolojiye sahip YOLO11 gibi daha yeni mimariler, hız, doğruluk ve dağıtım çok yönlülüğü için standartları yeniden tanımladı.

Performans Metrikleri: Hız, Doğruluk ve Verimlilik

Üretim için bir model seçerken, geliştiriciler çıkarım gecikmesi ve algılama hassasiyeti arasındaki ödünleşimleri tartmalıdır. Aşağıdaki tablo, COCO veri kümesi üzerindeki performans metriklerinin doğrudan bir karşılaştırmasını sunmaktadır.

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

YOLOv8n	640	37.3	80.4	1.47	3.2	8.7
YOLOv8s	640	44.9	128.4	2.66	11.2	28.6
YOLOv8m	640	50.2	234.7	5.86	25.9	78.9
YOLOv8l	640	52.9	375.2	9.06	43.7	165.2
YOLOv8x	640	53.9	479.1	14.37	68.2	257.8

Verileri Analiz Etme

Metrikler, tasarım felsefesinde belirgin bir farklılığa işaret ediyor. EfficientDet, tarihsel olarak teorik verimlilikle ilişkili olan FLOP'ları (Kayan Nokta İşlemleri) en aza indirir. Ancak, özellikle GPU'larda pratik gerçek zamanlı çıkarım senaryolarında YOLOv8 önemli bir avantaj göstermektedir.

GPU Gecikme Süresi: YOLOv8n, biraz daha yüksek FLOP'lara sahip olmasına rağmen, TensorRT ile bir T4 GPU'da EfficientDet-d0'dan yaklaşık 2,6 kat daha hızlıdır. Bunun nedeni, YOLOv8'in mimarisinin donanım paralelliği için optimize edilmiş olması, EfficientDet'in derinlemesine ayrılabilir evrişimlerinin ise hızlandırıcılarda bellek sınırlı olabilmesidir.
Ölçekte Doğruluk: Üst uçta, YOLOv8x, 14.37 ms'lik bir çıkarım hızıyla 53.9'luk üstün bir mAP elde eder ve benzer doğruluk için 128.07 ms'de geride kalan EfficientDet-d7'yi önemli ölçüde geride bırakır.
Model Boyutu: YOLOv8n, en küçük EfficientDet'ten (3,9M) daha az parametre (3,2M) gerektirir ve bu da onu mobil uygulamalar için depolama açısından oldukça verimli kılar.

Verimlilik - Gecikme Süresi Karşılaştırması

Düşük FLOP sayısı her zaman hızlı yürütme anlamına gelmez. EfficientDet, teorik hesaplama maliyeti için oldukça optimize edilmiştir, ancak YOLOv8, modern GPU'ların (NVIDIA T4/A100 gibi) paralel işleme yeteneklerini daha etkili bir şekilde kullanarak daha düşük gerçek dünya gecikmesi sağlar.

Mimari ve Tasarım Felsefesi

Mimari nüansları anlamak, yukarıda gözlemlenen performans farklılıklarını açıklar.

EfficientDet Detayları

Yazarlar: Mingxing Tan, Ruoming Pang ve Quoc V. Le
Kuruluş:Google
Tarih: Kasım 2019
Makale:EfficientDet: Ölçeklenebilir ve Verimli Nesne Tespiti
Depo:Google AutoML

EfficientDet, ağ çözünürlüğünü, derinliğini ve genişliğini düzgün bir şekilde ölçeklendiren Bileşik Ölçeklendirme ilkesi üzerine inşa edilmiştir. Bir EfficientNet backbone'u kullanır ve BiFPN (Çift Yönlü Özellik Piramidi Ağı)'yi tanıtır. BiFPN, ağırlıklı özellik birleştirmeye olanak tanır ve hangi özelliklerin en önemli olduğunu öğrenir. Bu, yüksek parametre verimliliği sağlarken, BiFPN'nin karmaşık düzensiz bağlantıları, düzenli bellek erişim düzenlerini tercih eden donanımlarda yürütülmesi açısından hesaplama açısından maliyetli olabilir.

EfficientDet hakkında daha fazla bilgi edinin

YOLOv8 Detayları

Yazarlar: Glenn Jocher, Ayush Chaurasia ve Jing Qiu
Kuruluş:Ultralytics
Tarih: Ocak 2023
Depo:Ultralytics GitHub

YOLOv8, manuel anchor kutusu hesaplama ihtiyacını ortadan kaldırarak eğitim sürecini basitleştiren anchor-free bir algılama mekanizmasına geçişi temsil eder. Önceki sürümlere kıyasla gradyan akışını ve özellik zenginliğini iyileştiren C2f modülleriyle değiştirilmiş bir CSPDarknet backbone'una sahiptir. Başlık, sınıflandırma ve regresyon görevlerini bağımsız olarak işleyen ayrık bir yapı kullanır ve dinamik etiket ataması için Task Aligned Assign kullanır. Bu mimari, GPU donanımında verimi en üst düzeye çıkarmak için özel olarak tasarlanmıştır.

YOLOv8 hakkında daha fazla bilgi edinin

Ultralytics'in Avantajı

EfficientDet dikkate değer bir akademik başarı olsa da, YOLOv8 ve YOLO11 çevreleyen Ultralytics ekosistemi, ürün teslimi ve MLOps'a odaklanan geliştiriciler için somut faydalar sunar.

1. Kullanım ve Uygulama Kolaylığı

EfficientDet'i uygulamak genellikle TensorFlow ekosistemi içindeki karmaşık yapılandırma dosyalarında ve bağımlılıklarda gezinmeyi gerektirir. Buna karşılık, Ultralytics modelleri geliştirici deneyimine öncelik verir. Bir model, sadece birkaç satır Python koduyla yüklenebilir, eğitilebilir ve dağıtılabilir.

from ultralytics import YOLO

# Load a pre-trained YOLOv8 model
model = YOLO("yolov8n.pt")

# Train on a custom dataset with a single command
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

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

2. Görevler Arasında Çok Yönlülük

EfficientDet öncelikle bir nesne detect mimarisidir. Ultralytics YOLOv8, basit sınırlayıcı kutuların çok ötesine geçer. Aynı çerçeve içinde kullanıcılar şunları yapabilir:

Örnek Bölütleme: Piksel düzeyinde nesne maskeleme.
Poz Tahmini: İskelet takibi için kilit nokta tespiti.
Görüntü Sınıflandırması: Tam görüntü kategorizasyonu.
Yönlendirilmiş Sınırlayıcı Kutular (OBB): Döndürülmüş nesneler için tespit (örn. hava görüntüleri).

3. Eğitim ve Bellek Verimliliği

Modern Transformatörleri veya karmaşık çok ölçekli mimarileri eğitmek kaynak yoğun olabilir. Ultralytics YOLO modelleri, bellek verimlilikleriyle ünlüdür.

Daha Düşük VRAM Kullanımı: Verimli C2f modülleri ve optimize edilmiş kayıp fonksiyonları, YOLOv8'in diğer modellerin Bellek Dışı (OOM) hatalarıyla karşılaşabileceği tüketici sınıfı GPU'larda eğitilmesine olanak tanır.
Hızlı Yakınsama: Mozaik gibi gelişmiş artırma teknikleri, yüksek doğruluğa ulaşmak için gereken dönem sayısını azaltarak öğrenmeyi hızlandırır.

Entegre Ekosistem

Ultralytics modelleri, deney takibi için Weights & Biases, Comet ve ClearML'in yanı sıra veri kümesi yönetimi için Roboflow gibi araçlarla sorunsuz bir şekilde entegre olur.

Gerçek Dünya Uygulamaları

Bu modeller arasındaki seçim genellikle belirli ortamlarda dağıtımın fizibilitesini belirler.

EfficientDet Kullanım Alanları: Yüksek parametre verimliliği, FLOP'ların zorunlu kısıtlama olduğu, ancak gecikmenin YOLOv8n'den daha yüksek olabileceği, kesinlikle CPU ile sınırlı eski sistemlerde veya ölçekleme yasaları üzerine yapılan akademik araştırmalar için ilginçtir.
YOLOv8 Kullanım Alanları:
- Otonom Sistemler: NVIDIA Jetson gibi Edge AI cihazlarındaki yüksek FPS (Saniyedeki Kare Sayısı), YOLOv8'i dronlar ve robotik için ideal hale getirir.
- Üretim: Milisaniyelerin önemli olduğu montaj hatlarında gerçek zamanlı kusur tespiti için kullanılır.
- Akıllı Perakende: Nesne Sayma ve izleme gibi yetenekler, mağaza düzenleri ve sıra yönetimi için gelişmiş analizler sağlar.

Sonuç

EfficientDet, akıllı ölçeklendirmenin kompakt modeller üretebileceğini kanıtlayarak Derin Öğrenme alanına önemli bir katkı olmaya devam ediyor. Ancak, günümüzdeki pratik uygulamaların büyük çoğunluğu için Ultralytics YOLOv8 (ve daha yeni YOLO11), üstün bir çözüm sunmaktadır.

Modern donanımlarda son derece hızlı çıkarım hızları, kapsamlı bir Python SDK'sı ve birden fazla görüntü işleme görevini yönetebilme özelliği sayesinde Ultralytics modelleri, geliştiriciler için önerilen seçimdir. İster bir güvenlik alarm sistemi kuruyor ister uydu görüntülerini analiz ediyor olun, Ultralytics ekosistemi projenizi konseptten üretime verimli bir şekilde taşıyacak araçları sağlar.

Diğer Modelleri İnceleyin

Nesne algılama seçeneklerine daha geniş bir perspektiften bakmak için, bu karşılaştırmaları gözden geçirin: