İçeriğe geç

EfficientDet - YOLOv8 Karşılaştırması: Teknik Bir İnceleme

Doğru nesne algılama modelini seçmek, doğruluk, hız ve hesaplama maliyetini dengeleyen kritik bir karardır. Bu sayfa, Google tarafından geliştirilen EfficientDet ve Ultralytics'in son teknoloji ürünü bir modeli olan Ultralytics YOLOv8 olmak üzere iki etkili mimari arasında ayrıntılı bir teknik karşılaştırma sunmaktadır. EfficientDet, parametre ve hesaplama verimliliği ile bilinirken, YOLOv8 kapsamlı, kullanıcı dostu bir ekosistem içinde gerçek zamanlı hız, yüksek doğruluk ve benzersiz çok yönlülüğün üstün bir kombinasyonunu sunmada mükemmeldir.

EfficientDet: Ölçeklenebilir ve Verimli Mimari

Yazarlar: Mingxing Tan, Ruoming Pang ve Quoc V. Le
Kuruluş: Google
Tarih: 2019-11-20
Arşiv: 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

EfficientDet, Google Brain ekibi tarafından öncelikle yüksek verimli ve ölçeklenebilir bir nesne tespit cihazları ailesi oluşturmaya odaklanarak tanıtıldı. Temel yenilikleri, mimarisi ve ölçekleme metodolojisinde yatmaktadır.

Mimari ve Temel Özellikler

EfficientDet'in tasarımı iki ana bileşen etrafında şekillenmiştir:

  1. BiFPN (Çift Yönlü Özellik Piramidi Ağı): Geleneksel yukarıdan aşağıya FPN'lerin aksine, BiFPN, farklı girdi özelliklerinin önemini anlamak için öğrenilebilir ağırlıklar ekleyerek ve hem yukarıdan aşağıya hem de aşağıdan yukarıya bağlantıları uygulayarak kolay ve hızlı çok ölçekli özellik kaynaştırmasına olanak tanır.
  2. Bileşik Ölçeklendirme: EfficientDet, backbone, özellik ağı ve kutu/sınıf tahmin ağlarının derinliğini, genişliğini ve çözünürlüğünü düzgün bir şekilde ölçeklendirmek için tek bir bileşik katsayı kullanır. Bu, tüm model genelinde kaynakların dengeli bir şekilde tahsis edilmesini sağlar.

Mimari, doğruluk ve FLOP verimliliği için zaten optimize edilmiş olan EfficientNet'i backbone olarak kullanır. Bu kombinasyon, çeşitli hesaplama bütçelerine göre uyarlanabilen bir model ailesi (D0'dan D7'ye) ile sonuçlanır.

Güçlü Yönler

  • Yüksek Verimlilik: EfficientDet modelleri, parametre sayısını ve FLOP'ları en aza indirecek şekilde tasarlanmıştır, bu da onları belirli bir doğruluk seviyesi için hesaplama kaynakları açısından oldukça verimli kılar.
  • Ölçeklenebilirlik: Bileşik ölçeklendirme yöntemi, modeli yukarı veya aşağı ölçeklendirmek için net bir yol sağlayarak, geliştiricilerin kendi özel donanım kısıtlamalarına uyan bir varyant seçmelerine olanak tanır.
  • Güçlü Doğruluk: Özellikle benzer parametre sayılarına sahip modellere karşı değerlendirildiğinde rekabetçi mAP puanları elde eder.

Zayıflıklar

  • Çıkarım Hızı: FLOP açısından verimli olmasına rağmen, EfficientDet genellikle özellikle GPU donanımında YOLOv8 gibi modellere kıyasla daha yüksek çıkarım gecikmesine sahiptir. Bu, onu gerçek gerçek zamanlı çıkarım gerektiren uygulamalar için daha az uygun hale getirebilir.
  • Sınırlı Çok Yönlülük: EfficientDet öncelikle nesne tespiti için tasarlanmıştır. YOLOv8 çerçevesine özgü olan segmentasyon veya poz tahmini gibi diğer görme görevleri için yerleşik desteği yoktur.
  • Ekosistem ve Kullanılabilirlik: Orijinal uygulama TensorFlow'dadır ve PyTorch portları mevcut olsa da, Ultralytics ekosistemiyle aynı düzeyde entegre araçlara, dokümantasyona ve aktif topluluk desteğine sahip değildir.

EfficientDet hakkında daha fazla bilgi edinin

Ultralytics YOLOv8: Hız ve Çok Yönlülükte Son Teknoloji

Yazarlar: Glenn Jocher, Ayush Chaurasia ve Jing Qiu
Kuruluş: Ultralytics
Tarih: 2023-01-10
GitHub: https://github.com/ultralytics/ultralytics
Belgeler: https://docs.ultralytics.com/models/yolov8/

Ultralytics YOLOv8, hızlı, doğru ve inanılmaz derecede kullanımı kolay bir model sunmak için yıllarca süren araştırma ve geliştirme üzerine inşa edilmiş, büyük başarı yakalamış YOLO serisindeki en son yinelemedir. Hem performans hem de çerçeve tasarımında önemli bir sıçramayı temsil etmektedir.

Mimari ve Temel Özellikler

YOLOv8, yeni bir ankrajsız algılama head'i ve C2f olarak bilinen yeni bir CSP tabanlı backbone dahil olmak üzere çeşitli mimari iyileştirmeler sunar. Bu değişiklikler, yüksek doğruluğu korurken ve daha hızlı çıkarımı sağlarken parametre sayısını azaltır. Model, çeşitli bilgisayar görüşü görevleri için sıfırdan kapsamlı bir platform olacak şekilde tasarlanmıştır.

Güçlü Yönler

  • Olağanüstü Performans Dengesi: YOLOv8, hız ve doğruluk arasında olağanüstü bir denge sağlayarak performanstan ödün veremeyen gerçek zamanlı uygulamalar için en iyi seçimdir. Aşağıdaki tabloda gösterildiği gibi, YOLOv8 modelleri GPU'larda sürekli olarak daha düşük gecikme süresi sağlar.
  • Rakipsiz Çok Yönlülük: Tek görevli modellerin aksine, YOLOv8, tek ve birleşik bir mimari içinde nesne algılama, örnek segmentasyonu, görüntü sınıflandırması, poz tahmini ve nesne takibi'ni yerel olarak destekleyen çok görevli bir çerçevedir.
  • Kullanım Kolaylığı: YOLOv8, kolaylaştırılmış bir Python API ve CLI, kapsamlı belgeler ve basit bir kullanıcı deneyimi içeren sağlam Ultralytics ekosistemi tarafından desteklenmektedir.
  • İyi Yönetilen Ekosistem: Kullanıcılar, aktif geliştirme, güçlü bir açık kaynak topluluğu, sık güncellemeler ve kodsuz eğitim ve dağıtım için Ultralytics HUB gibi araçlarla sorunsuz entegrasyondan yararlanır.
  • Eğitim Verimliliği: YOLOv8, COCO gibi veri kümelerinde verimli eğitim süreçlerine, kolayca erişilebilen önceden eğitilmiş ağırlıklara sahiptir ve tipik olarak daha karmaşık mimarilerden daha az CUDA belleği gerektirir.
  • Dağıtım Esnekliği: Çerçeve, ONNX ve TensorRT gibi çeşitli formatlara aktarım için yüksek düzeyde optimize edilmiştir ve uç cihazlardan bulut sunucularına kadar çeşitli donanımlarda dağıtımı kolaylaştırır.

Zayıflıklar

  • FLOP'lar ve Gecikme Süresi: YOLOv8 pratikte inanılmaz derecede hızlı olsa da, benzer bir mAP seviyesinde bir EfficientDet modelinden daha yüksek FLOP'lara sahip olabilir. Ancak, mimarisi modern GPU donanımı için daha iyi optimize edilmiştir ve bu da daha düşük gerçek dünya gecikmesine neden olur.

YOLOv8 hakkında daha fazla bilgi edinin

Performans Analizi: Doğruluk - Hız Karşılaştırması

EfficientDet ve YOLOv8 arasındaki temel fark, performans metrikleri analiz edilirken netleşir. EfficientDet, FLOP başına doğruluğu optimize etmek için tasarlanırken, YOLOv8 pratik donanımda yüksek verim ve düşük gecikme için optimize edilmiştir.

Model boyut
(piksel)
mAPval
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

Tablodan şu sonuçları çıkarabiliriz:

  • Doğruluk: YOLOv8x, en büyük EfficientDet-d7 modelini az farkla geçerek 53.9'luk en yüksek mAP'ye ulaşır.
  • Hız: YOLOv8 modelleri, GPU'da (T4 TensorRT10) önemli ölçüde daha hızlıdır ve YOLOv8n, EfficientDet-d0'dan 2,5 kat daha hızlıdır. Bu hız avantajı tüm model boyutlarında geçerlidir ve YOLOv8'i gerçek zamanlı uygulamalar için net bir kazanan yapar.
  • Verimlilik: EfficientDet, daha küçük modelleri için FLOP'lar ve CPU hızı konusunda üstündür. Örneğin, EfficientDet-d0 en düşük FLOP'lara ve en hızlı CPU çıkarım süresine sahiptir. Ancak, YOLOv8n daha az parametreye sahip olduğundan çok hafiftir.

Sonuç: Hangi Modeli Seçmelisiniz?

EfficientDet, özellikle hesaplama kaynaklarının (FLOP'lar) ve model boyutunun en kritik kısıtlamalar olduğu uygulamalar için güçlü ve ilgili bir mimari olmaya devam ediyor. Ölçeklenebilir tasarımı, sınırlı işlem gücüne sahip cihazlarda doğruluk ve verimliliği dengelemenin harika bir yolunu sunar.

Ancak, modern bilgisayarlı görü uygulamalarının büyük çoğunluğu için Ultralytics YOLOv8 üstün seçimdir. Daha iyi bir genel paket sunar: en son teknoloji doğruluğu, inanılmaz derecede hızlı çıkarım hızları ve benzersiz çok yönlülük. Tek, kullanımı kolay bir çerçeve içinde nesne tespiti, segmentasyon, poz ve daha fazlasını işleme yeteneği, geliştirmeyi ve dağıtımı önemli ölçüde basitleştirir. İyi yönetilen ekosistem, kapsamlı dokümantasyon ve aktif topluluk, herhangi bir projeyi konseptten üretime hızlandıran bir destek düzeyi sağlar.

Sağlam, yüksek performanslı ve geleceğe yönelik bir çözüm arayan geliştiriciler için YOLOv8 açık tavsiyedir. Performansta mutlak en son teknolojiyi arayanlar için, YOLO11 gibi daha yeni Ultralytics modelleri sınırları daha da zorlar.

Diğer Modelleri İnceleyin

Araştırmanıza devam etmek için, EfficientDet, YOLOv8 ve diğer önde gelen mimarileri içeren diğer model karşılaştırmalarını keşfetmeyi düşünün:



📅 1 yıl önce oluşturuldu ✏️ 1 ay önce güncellendi

Yorumlar