Başla

EfficientDet ve YOLOv9

Bilgisayarlı görü, sinir ağı tasarımındaki istikrarlı ilerlemelerle şekillendi. Model seçerken hesaplama verimliliği ile algılama doğruluğu arasında doğru dengeyi bulmak kritik önem taşır. Google'ın EfficientDet modeli, ölçeklenebilir mimariler sunarak 2019'da güçlü bir temel oluştururken 2024'te yayımlanan YOLOv9, Programlanabilir Gradyan Bilgisi (PGI) kullanarak nesne algılamayı ileri taşıdı.

Bu kılavuz, bu iki modelin teknik karşılaştırmasını sunar ve üretim ortamları için optimize edilmiş, sağlam ve uçtan uca bir çözüm sağlayan Ultralytics YOLO26 modelini tanıtır.

Model Mimarileri ve Yenilikler#

En uygun kullanım alanlarını belirlemek için EfficientDet ve YOLOv9'un çalışma mekanizmalarını anlamak şarttır.

EfficientDet: Bileşik Ölçekleme ve BiFPN#

Google Research tarafından geliştirilen EfficientDet, sistematik ölçeklendirme ve verimli özellik birleştirmeye odaklanır. Omurgası olarak EfficientNet'i kullanır ve yeni bir özellik ağı mimarisi sunar.

  • Yazarlar: Mingxing Tan, Ruoming Pang ve Quoc V. Le
  • Kuruluş: Google
  • Tarih: 20 Kasım 2019
  • Bağlantılar: arXiv, GitHub

Temel Mimari Özellikler: EfficientDet, hızlı çok ölçekli özellik birleştirmeyi sağlayan Çift Yönlü Özellik Piramidi Ağına (BiFPN) büyük ölçüde dayanır. Bununla birlikte ağın çözünürlüğünü, derinliğini ve genişliğini tutarlı biçimde ölçeklendiren bir bileşik ölçeklendirme yöntemi kullanır. Dönemine göre yüksek doğruluk sunmuş olsa da EfficientDet, eski TensorFlow ortamlarına sıkı sıkıya bağlıdır ve bu durum modern dağıtım işlem hatlarını karmaşıklaştırır.

EfficientDet hakkında daha fazla bilgi edin

YOLOv9: Bilgi Darboğazını Çözme#

Academia Sinica'daki araştırmacılar tarafından geliştirilen YOLOv9, veriler derin sinir ağlarından geçerken ortaya çıkan bilgi kaybını ele alır.

  • Yazarlar: Chien-Yao Wang ve Hong-Yuan Mark Liao
  • Kurum: Academia Sinica Bilgi Bilimi Enstitüsü
  • Tarih: 21 Şubat 2024
  • Bağlantılar: arXiv, GitHub, Belgeler

Temel Mimari Özellikler: YOLOv9, ağ ağırlıklarını güvenilir biçimde güncellerken önemli verilerin korunmasını sağlamak üzere yardımcı denetim sunan Programlanabilir Gradyan Bilgisini (PGI) kullanıma sokar. Ayrıca parametre verimliliğini en üst düzeye çıkarmak için Genelleştirilmiş Verimli Katman Birleştirme Ağını (GELAN) içerir. Bu ilerlemelere rağmen YOLOv9, son işleme sırasında hâlâ gecikmeye yol açan Maksimum Olmayan Bastırma (NMS) gerektirir.

YOLOv9 hakkında daha fazla bilgi edin

Performans Karşılaştırması#

Bu modelleri değerlendirirken performans ölçütlerini deneysel olarak incelemek, donanımın için en iyi dengeyi hangi mimarinin sunduğunu belirlemene yardımcı olur.

Modelboyut
(piksel)
mAPval50-95Hız
CPU ONNX
(ms)
Hız
T4 TensorRT10
(ms)
parametre
(M)
FLOPs
(B)
EfficientDet-d051234.6-3.923.92.54
EfficientDet-d164040.5-7.316.66.1
EfficientDet-d276843.0-10.928.111.0
EfficientDet-d389647.5-19.5912.024.9
EfficientDet-d4102449.7-33.5520.755.2
EfficientDet-d5128051.5-67.8633.7130.0
EfficientDet-d6128052.6-89.2951.9226.0
EfficientDet-d7153653.7-128.0751.9325.0
YOLOv9t64038.3-2.32.07.7
YOLOv9s64046.8-3.547.226.7
YOLOv9m64051.4-6.4320.176.8
YOLOv9c64053.0-7.1625.5102.8
YOLOv9e64055.6-16.7758.1192.5

Eleştirel Analiz#

YOLOv9, benzer doğruluk düzeylerinde çok daha hızlıdır. Örneğin YOLOv9e, 16.77ms TensorRT gecikmesiyle %55.6 mAP değerine ulaşır. EfficientDet-d7'nin mAP değeri daha düşüktür (%53.7) ve gecikmesi çok daha yüksektir (128.07ms); bu nedenle gerçek zamanlı video akışlarına dağıtılması zordur.

Modelleri Üretim Ortamı İçin Dışa Aktarma

Modelini TensorRT veya OpenVINO gibi optimize edilmiş biçimlere aktarmak, ham PyTorch çalıştırmalarına kıyasla çıkarım sürelerini önemli ölçüde azaltır.

Kullanım Alanları ve Öneriler#

EfficientDet ile YOLOv9 arasında seçim yapmak, projene özgü gereksinimlere, dağıtım kısıtlamalarına ve ekosistem tercihlerine bağlıdır.

EfficientDet Ne Zaman Seçilmeli#

EfficientDet şu durumlarda iyi bir seçenektir:

  • Google Cloud ve TPU İşlem Hatları: EfficientDet'in referans uygulamasının TPU eğitimini desteklediği Google Cloud TPU altyapısındaki TensorFlow tabanlı sistemler.
  • Bileşik Ölçekleme Araştırmaları: Dengeli ağ derinliği, genişliği ve çözünürlüğü ölçeklemenin etkilerini incelemeye odaklanan akademik karşılaştırmalar.
  • LiteRT ile Mobil Dağıtım: Android veya gömülü Linux cihazlarına dağıtım için özellikle LiteRT (eski adıyla TensorFlow Lite) biçimine dışa aktarma gerektiren projeler.

YOLOv9'u Ne Zaman Seçmeli?#

YOLOv9 şu durumlarda önerilir:

  • Bilgi Darboğazı Araştırmaları: Programlanabilir Gradyan Bilgisi (PGI) ve Genelleştirilmiş Verimli Katman Toplama Ağı (GELAN) mimarilerini inceleyen akademik projeler.
  • Gradyan Akışı Optimizasyonu Çalışmaları: Eğitim sırasında derin ağ katmanlarındaki bilgi kaybını anlamaya ve azaltmaya odaklanan araştırmalar.
  • Yüksek Doğruluklu Algılama Karşılaştırmaları: YOLOv9'un güçlü COCO karşılaştırma testi performansının mimari karşılaştırmalarda referans noktası olarak gerektiği senaryolar.

Ultralytics'i (YOLO26) Ne Zaman Seçmeli#

Yeni projelerin çoğunda Ultralytics YOLO26, performans ile geliştirici deneyiminin en iyi birleşimini sunar:

  • NMS Olmadan Uç Dağıtımı: Maksimum Olmayan Bastırma son işleminin karmaşıklığı olmadan tutarlı ve düşük gecikmeli çıkarım gerektiren uygulamalar.
  • Yalnızca CPU Kullanılan Ortamlar: Özel GPU hızlandırması olmayan cihazlarda YOLO26n'in YOLO11n'e kıyasla CPU'da %43'e varan hızlı çıkarım sunması belirgin bir avantaj sağlar.
  • Küçük Nesne Algılama: ProgLoss ve STAL'ın çok küçük nesnelerde doğruluğu önemli ölçüde artırdığı havadan drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolar.

Ultralytics Farkı: YOLO26'yı Seçmek#

YOLOv9 ve EfficientDet öncü olsa da modern, üretime hazır bir çatı arayan geliştiriciler Ultralytics YOLO modellerini, özellikle de yeni yayımlanan YOLO26 modelini değerlendirmeli.

Ultralytics Platformu, yerel eğitim betiklerini bulut özellikli bir arayüzle birleştirerek kullanım kolaylığı için tasarlanmıştır. YOLO26, eski mimarileri birçok ticari uygulamada geride bırakan kapsamlı bir yeniden tasarımdır.

YOLO26'nın Teknik Öne Çıkanları#

  • Uçtan Uca NMS'siz Tasarım: YOLO26'nın isteğe bağlı uçtan uca başlığı (nms=False), son işleme darboğazlarını ortadan kaldırır. NMS'yi kaldırarak dağıtım grafikleri birleştirilir ve uç yapay zekâ çiplerinde daha hızlı çalışır.
  • %43'e Kadar Daha Hızlı CPU Çıkarımı: Gömülü cihazlar için optimize edilen YOLO26n, GPU olmadığında CPU ONNX üzerinde YOLO11n'den %43'e kadar daha hızlı çalışır.
  • MuSGD Optimizasyonu: LLM eğitim tekniklerini yapay görüye taşıyan bu hibrit optimizasyon, eğitim süreçlerini kararlı hâle getirir ve modellerin daha az kaynakla daha hızlı yakınsamasını sağlar.
  • Düşük Bellek Gereksinimi: Transformer ağırlıklı mimarilerin veya optimize edilmemiş CNN'lerin aksine YOLO26, eğitim sırasında CUDA bellek tüketimini en aza indirir ve tüketici sınıfı donanımlarda daha büyük toplu iş boyutları kullanmana olanak tanır.
  • ProgLoss + STAL: Aşamalı Kayıp ve küçük hedef farkındalıklı etiket atama, küçük nesneleri algılamada doğruluğu önemli ölçüde artırarak YOLO26'yı hava görüntüleri ve IoT ağları için uygun hâle getirir.
  • DFL'nin Kaldırılması: Sadeleştirilmiş yapısal tasarım, mobil dağıtım biçimlerine sorunsuz dönüşüm sağlar.

Ultralytics ekosistemindeki diğer seçenekler arasında YOLO11 ve YOLOv8 yer alır; bu modeller örnek bölütleme ve poz tahmini gibi çok görevli yetenekler de sunar.

Python SDK ile Basitleştirilmiş Eğitim#

Ultralytics modelleri geliştirici deneyimine öncelik verir. Bir modeli eğitmek yalnızca birkaç satır Python kodu gerektirir.

from ultralytics import YOLO

# Initialize the YOLO26 model
model = YOLO("yolo26n.pt")

# Train with optimized memory usage and built-in augmentations
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Validate the model's performance easily
metrics = model.val()
print(f"Validation mAP: {metrics.box.map}")

Gerçek Dünya Uygulamaları#

Bu mimariler arasındaki seçim büyük ölçüde dağıtım hedefine bağlıdır.

  • Eski Bulut Dağıtımları: EfficientDet, yüksek doğruluğun gerekli olduğu ve katı gerçek zamanlı kısıtların bulunmadığı çevrimdışı, bulut tabanlı toplu işleme için popülerdi.
  • Akademik Araştırma: YOLOv9, CNN tasarımının sınırlarını araştıran ve ağ katmanlarındaki gradyan akışlarını analiz eden araştırmacılar için ilgi çekici bir seçenek olmaya devam ediyor.
  • Uç Bilişim ve IoT: YOLO26, gerçek dünyadaki uç uygulamalar için uygundur. NMS içermeyen işlem hattı ve Yönlendirilmiş Sınırlayıcı Kutu (OBB) yetenekleri, yüksek doğruluk ile hızlı çıkarım hızı arasında iyi bir denge sunarak akıllı şehir trafik analizi, perakende envanter izleme ve drone tabanlı denetim için güçlü bir seçenek olmasını sağlar.
Katkıda Bulunanlar

Yorumlar

Bir soru sor, sonuçlarını paylaş veya başka birine yardım et.