EfficientDet vs. YOLOv8: Nesne Algılama Devlerinin Teknik Karşılaştırması

Bilgisayarla görmenin hızla gelişen ortamında, doğru mimariyi seçmek proje başarısı için çok önemlidir. Bu analiz iki etkili modeli karşılaştırmaktadır: Google 'ın parametre verimliliğine odaklanan bir araştırma kilometre taşı olan EfficientDet ve YOLOv8Ultralytics 'in gerçek zamanlı uygulamalar ve kullanım kolaylığı için tasarlanmış son teknoloji ürünü bir modeli.

EfficientDet model ölçeklendirmede çığır açan kavramları ortaya koyarken, daha yeni mimariler YOLOv8 ve son teknoloji YOLO11 o zamandan beri hız, doğruluk ve dağıtım çok yönlülüğü için standartları yeniden tanımladı.

Performans Ölçütleri: Hız, Doğruluk ve Verimlilik

Üretim için bir model seçerken, geliştiriciler çıkarım gecikmesi ve tespit hassasiyeti arasındaki dengeyi tartmalıdır. Aşağıdaki tablo, COCO veri kümesindeki performans ölçümlerinin 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

Verilerin Analiz Edilmesi

Ölçümler, tasarım felsefesinde belirgin bir farklılaşmanın altını çizmektedir. EfficientDet, tarihsel olarak teorik verimlilikle ilişkili olan FLOP 'ları (Kayan Nokta İşlemleri) en aza indirir. Bununla birlikte, pratik gerçek zamanlı çıkarım senaryolarında (özellikle YOLOv8 'larda) YOLOv8 önemli bir avantaj göstermektedir.

GPU Gecikmesi: YOLOv8n , T4 GPU 'da EfficientDet-d0'dan yaklaşık 2,6 kat daha hızlıdır. TensorRTbiraz daha yüksek FLOP'lara sahip olmasına rağmen. Bunun nedeni, YOLOv8'in mimarisinin donanım paralelliği için optimize edilmiş olması, EfficientDet'in derinlemesine ayrılabilir konvolüsyonlarının ise hızlandırıcılarda belleğe bağlı olabilmesidir.
Ölçekte Doğruluk: Üst uçta, YOLOv8x üstün bir performansa ulaşır mAP 14,37 ms'lik bir çıkarım hızıyla 53,9'luk bir sonuç elde ederek, benzer doğruluk için 128,07 ms'de kalan EfficientDet-d7'den büyük ölçüde daha iyi performans gösteriyor.
Model Boyutu: YOLOv8n , en küçük EfficientDet'ten (3.9M) daha az parametre (3.2M) gerektirir, bu da mobil uygulamalar için yüksek depolama verimliliği sağlar.

Verimlilik ve Gecikme

Düşük FLOP sayısı her zaman hızlı yürütme anlamına gelmez. EfficientDet teorik hesaplama maliyeti için son derece optimize edilmiştir, ancak YOLOv8 modern GPU'ların ( NVIDIA T4/A100 gibi) paralel işleme yeteneklerinden daha etkili bir şekilde yararlanarak gerçek dünyada daha düşük gecikme süresi sağlar.

Mimarlık ve Tasarım Felsefesi

Mimari nüansların anlaşılması yukarıda gözlemlenen performans farklılıklarını açıklamaktadır.

EfficientDet Detaylar

Yazarlar: Mingxing Tan, Ruoming Pang ve Quoc V. Le
Organizasyon:Google
Tarih Kasım 2019
Kağıt:EfficientDet: Ölçeklenebilir ve Verimli Nesne Algılama
Depo:Google AutoML

EfficientDet, ağ çözünürlüğünü, derinliğini ve genişliğini eşit olarak ölçeklendiren Bileşik Ölçeklendirme ilkesi üzerine inşa edilmiştir. EfficientNet backbone kullanır ve BiFPN 'i (Çift Yönlü Özellik Piramidi Ağı) sunar. BiFPN, hangi özelliklerin en önemli olduğunu öğrenerek ağırlıklı özellik füzyonuna izin verir. Bu, yüksek parametre verimliliği sağlarken, BiFPN'nin karmaşık düzensiz bağlantıları, düzenli bellek erişim modellerini tercih eden donanımlarda çalıştırmak için hesaplama açısından pahalı olabilir.

EfficientDet hakkında daha fazla bilgi edinin

YOLOv8 Ayrıntılar

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

YOLOv8 , manuel çapa kutusu hesaplama ihtiyacını ortadan kaldırarak eğitim sürecini basitleştiren çapasız bir tespit mekanizmasına geçişi temsil etmektedir. Önceki sürümlere kıyasla gradyan akışını ve özellik zenginliğini iyileştiren C2f modülleriyle değiştirilmiş bir CSPDarknet backbone sahiptir. Başlık, sınıflandırma ve regresyon görevlerini bağımsız olarak işleyen ayrıştırılmış bir yapı kullanır ve dinamik etiket ataması için Görev Hizalamalı Atama kullanır. Bu mimari, GPU donanımında verimi en üst düzeye çıkarmak için özel olarak tasarlanmıştır.

YOLOv8 hakkında daha fazla bilgi edinin

Ultralytics Avantajı

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

1. Kullanım ve Uygulama Kolaylığı

EfficientDet'i uygulamak genellikle TensorFlow ekosistemindeki karmaşık yapılandırma dosyalarında ve bağımlılıklarda gezinmeyi gerektirir. Buna karşılık, Ultralytics modelleri geliştirici deneyimine öncelik verir. Bir model sadece birkaç satır Python ile 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 algılama mimarisidir. Ultralytics YOLOv8 basit sınırlayıcı kutuların çok ötesine geçer. Aynı çerçeve içinde kullanıcılar şunları gerçekleştirebilir:

Örnek Segmentasyonu: Piksel düzeyinde nesne maskeleme.
Poz Tahmini: İskelet takibi için anahtar nokta tespiti.
Görüntü Sınıflandırma: Tüm görüntü kategorizasyonu.
Yönlendirilmiş Sınırlayıcı Kutular (OBB): Döndürülmüş nesneler için algılama (örn. hava görüntüleri).

3. Eğitim ve Hafıza Verimliliği

Modern Transformatörleri veya karmaşık çok ölçekli mimarileri eğitmek yoğun kaynak gerektirebilir. Ultralytics YOLO modelleri bellek verimliliği ile ünlüdür.

Daha Düşük VRAM Kullanımı: Verimli C2f modülleri ve optimize edilmiş kayıp fonksiyonları, YOLOv8 'in diğer modellerin Out-Of-Memory (OOM) hatalarıyla karşılaşabileceği tüketici sınıfı GPU'larda eğitim almasına olanak tanır.
Hızlı Yakınsama: Mozaik gibi gelişmiş artırma teknikleri öğrenmeyi hızlandırarak yüksek doğruluğa ulaşmak için gereken epok sayısını azaltır.

Entegre Ekosistem

Ultralytics modelleri aşağıdaki gibi araçlarla sorunsuz bir şekilde entegre olur Weights & Biases, Cometve ClearML deney takibi için ve ayrıca Roboflow veri kümesi yönetimi için.

Gerçek Dünya Uygulamaları

Bu modeller arasındaki seçim genellikle belirli ortamlarda dağıtımın fizibilitesini belirler.

EfficientDet Kullanım Alanları: Yüksek parametre verimliliği, ölçeklendirme yasaları üzerine akademik araştırmalar veya FLOP'ların zor bir kısıtlama olduğu CPU eski sistemler için ilginç kılmaktadır, ancak gecikme süresi yine de YOLOv8n'den daha yüksek olabilir.
YOLOv8 Kullanım Örnekleri:
- Otonom Sistemler: NVIDIA Jetson gibi Edge AI cihazlarındaki yüksek FPS (Saniye Başına Kare Sayısı), YOLOv8 'i dronlar ve robotik için ideal hale getiriyor.
- Üretim: Milisaniyelerin önemli olduğu montaj hatlarında gerçek zamanlı hata tespiti için kullanılır.
- Akıllı Perakende: Nesne Sayma ve izleme gibi özellikler, mağaza düzenleri ve kuyruk yönetimi için gelişmiş analitik sağlar.

Sonuç

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

Modern donanımlarda son derece yüksek çıkarım hızları, kapsamlı bir Python SDK'sı ve birden fazla görüntü görevinin üstesinden gelme becerisinin birleşimi, Ultralytics modellerini geliştiriciler için önerilen seçim haline getirir. 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 bakış açısı için bu karşılaştırmaları göz önünde bulundurun: