Link to this sectionPP-YOLOE+ ile EfficientDet karşılaştırması#

Doğru mimariyi seçmek, sağlam bilgisayarlı görü uygulamaları oluşturmada kritik bir adımdır. Bu teknik rehber, iyi bilinen iki nesne algılama modeli olan PP-YOLOE+ ve EfficientDet arasındaki ödünleşimleri inceliyor. Mimarilerini parçalarına ayıracak, performans metriklerini analiz edecek ve ideal dağıtım senaryolarını keşfedeceğiz.

Her iki model de alana önemli katkılarda bulunmuş olsa da, Ultralytics YOLO26 gibi modern alternatiflerin nasıl çok daha üstün bellek verimliliği, daha hızlı çıkarım ve oldukça akıcı bir geliştirici deneyimi sunduğunu da tartışacağız.

Link to this sectionMimari Genel Bakış: PP-YOLOE+#

PP-YOLOE+, özellikle PaddlePaddle ekosistemindeki sunucu tarafı GPU'larda performansı optimize etmek için oluşturulmuş, orijinal PP-YOLO'nun gelişmiş bir sürümüdür. Temel mimariye, çapraz bağsız (anchor-free) bir paradigmaya odaklanan çeşitli iyileştirmeler getirir.

• Yazarlar: PaddlePaddle Yazarları
• Organizasyon: Baidu
• Tarih: 02.04.2022
• Arxiv: 2203.16250
• Dokümanlar: PaddleDetection README

PP-YOLOE+ hakkında daha fazla bilgi edin

PP-YOLOE+, bir CSPRepResNet omurgasına ve verimli görev hizalı bir başlığa (ET-head) sahiptir; sınıflandırma için yoğun bir şekilde varifocal loss ve sınırlayıcı kutu regresyonu için distribution focal loss kullanır. Çapraz bağsız dedektör tasarımına geçişi, işleme sonrası hattını sadeleştirmeye yardımcı olmuş ve piyasaya sürüldüğü dönemde onu oldukça rekabetçi kılmıştır.

Link to this sectionMimari Genel Bakış: EfficientDet#

EfficientDet, sinir ağı mimarisi aramasına ve bileşik ölçeklendirme prensiplerine büyük ölçüde güvenerek nesne algılama konusunda radikal bir şekilde farklı bir yaklaşım benimser.

• Yazarlar: Mingxing Tan, Ruoming Pang ve Quoc V. Le
• Organizasyon: Google
• Tarih: 2019-11-20
• Arxiv: 1911.09070
• Dokümanlar: Brain AutoML README

EfficientDet hakkında daha fazla bilgi edinin

EfficientDet'in temel taşı, Çift Yönlü Özellik Piramidi Ağıdır (BiFPN). Geleneksel FPN'lerin aksine BiFPN, farklı girdi özelliklerinin önemini öğrenmek için öğrenilebilir ağırlıklar sunarak kolay ve hızlı çok ölçekli özellik füzyonuna olanak tanır. EfficientNet omurgası ile birleştirilen EfficientDet, ağ genişliğini, derinliğini ve çözünürlüğünü aynı anda sistematik olarak ölçeklendirir.

Teorik olarak FLOP açısından oldukça verimli olsa da, EfficientDet modelleri karmaşık bellek erişim desenleri nedeniyle gerçek dünya hızına ulaşmakta bazen zorlanabilir; bu durum, YOLO tabanlı modellerin daha düşük bellek gereksinimleriyle keskin bir tezat oluşturur.

Link to this sectionPerformans Analizi ve Kıyaslamalar#

Aşağıdaki tablo, COCO gibi standart veri kümeleri üzerindeki temel metrikleri karşılaştırmaktadır. Ortalama Kesinlik (mAP) değerini çıkarım hızıyla kıyaslamak, Pareto sınırının net bir resmini sunar.

Görüldüğü üzere, PP-YOLOE+ üst düzey GPU'larda ham mAP açısından genellikle daha iyi ölçeklenirken, EfficientDet parametreleri en aza indirmeye çalışır. Ancak her ikisi de en son teknoloji uç yapay zeka için gereken modern gerçek zamanlı yeteneklerin gerisinde kalmaktadır.

Link to this sectionKullanım Durumları ve Öneriler#

PP-YOLOE+ ile EfficientDet arasında seçim yapmak, özel proje gereksinimlerine, dağıtım kısıtlamalarına ve ekosistem tercihlerine bağlıdır.

Link to this sectionPP-YOLOE+ Ne Zaman Seçilmeli#

PP-YOLOE+ şu durumlar için güçlü bir tercihtir:

• PaddlePaddle Ekosistem Entegrasyonu: Baidu'nun PaddlePaddle çerçevesi ve araçları üzerine kurulu mevcut altyapıya sahip organizasyonlar.
• Paddle Lite Uç Birim Dağıtımı: Özellikle Paddle Lite veya Paddle çıkarım motoru için optimize edilmiş çıkarım çekirdeklerine sahip donanımlara dağıtım yapmak.
• Yüksek Doğruluklu Sunucu Tarafı Algılama: Çerçeve bağımlılığının sorun olmadığı güçlü GPU sunucularında maksimum algılama doğruluğunu önceliklendiren senaryolar.

Link to this sectionNe Zaman EfficientDet Seçilmeli#

EfficientDet şunlar için önerilir:

• Google Cloud ve TPU İşlem Hatları: EfficientDet'in yerel optimizasyona sahip olduğu Google Cloud Vision API'leri veya TPU altyapısıyla derinlemesine entegre edilmiş sistemler.
• Bileşik Ölçekleme Araştırmaları: Dengeli ağ derinliği, genişliği ve çözünürlük ölçeklemenin etkilerini incelemeye odaklanan akademik kıyaslamalar.
• TFLite ile Mobil Dağıtım: Android veya gömülü Linux cihazlar için özel olarak TensorFlow Lite dışa aktarma gerektiren projeler.

Link to this sectionUltralytics (YOLO26) Ne Zaman Seçilmeli#

Çoğu yeni proje için, Ultralytics YOLO26 performans ve geliştirici deneyiminin en iyi kombinasyonunu sunar:

• NMS-Free Uç Dağıtımı: Non-Maximum Suppression işlem sonrası karmaşıklığı olmadan tutarlı, düşük gecikmeli çıkarım gerektiren uygulamalar.
• Sadece CPU Ortamları: YOLO26'nın %43'e kadar daha hızlı CPU çıkarımının belirleyici bir avantaj sağladığı, özel GPU hızlandırması olmayan cihazlar.
• Küçük Nesne Algılama: ProgLoss ve STAL'ın küçük nesneler üzerindeki doğruluğu önemli ölçüde artırdığı hava drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolar.

Link to this sectionModern Alternatif: Ultralytics YOLO26#

PP-YOLOE+ ve EfficientDet önemli tarihi dönüm noktalarını temsil etse de, en son teknoloji doğruluğu, daha düşük bellek tüketimi ve akıcı bir kullanıcı deneyimi arayan geliştiriciler Ultralytics YOLO26 modeline bakmalıdır.

YOLO26, nesne algılamada devasa bir ileri atılımı temsil eder ve birkaç kritik yenilik sunar:

• Uçtan Uca NMS'siz Tasarım: YOLOv10 başarılarının üzerine inşa edilen YOLO26, çıkarım sırasında Non-Maximum Suppression (NMS) ihtiyacını yerel olarak ortadan kaldırır. Bu, gecikmeyi önemli ölçüde düşürür ve karmaşık işleme sonrası darboğazlarını kaldırır.
• MuSGD Optimize Edici: LLM eğitim yeniliklerinden ilham alan YOLO26, hibrit bir SGD ve Muon optimize edici kullanır. Bu, eğitim kararlılığını büyük ölçüde artırır ve yakınsama süresini azaltır.
• Aşırı Hız: YOLO26, YOLO11 gibi eski nesillere kıyasla %43'e kadar daha hızlı CPU çıkarımı sunarak, pille çalışan veya sadece CPU kullanan uç cihazlar için kesinlikle en iyi seçenek haline gelir.
• Gelişmiş Kayıp Fonksiyonları: ProgLoss ve STAL entegrasyonu, drone analitiği ve robotik gibi görevler için kritik öneme sahip olan küçük nesne tanımayı büyük ölçüde iyileştirir.

Link to this sectionKullanım Kolaylığı ve Ekosistem Entegrasyonu#

EfficientDet gibi eski modellerin en büyük dezavantajlarından biri, eğitim süreçlerinin karmaşıklığı ve otomatik makine öğrenimi kurulumlarıdır. Buna karşılık, Ultralytics Platform rakipsiz bir geliştirici deneyimi sunar.

Ultralytics ile bir model dağıtmak sadece birkaç satır kod alır ve eski çerçevelerin gerektirdiği ayrıntılı konfigürasyonlarla keskin bir tezat oluşturur.

from ultralytics import YOLO

# Load a pretrained YOLO26 model
model = YOLO("yolo26s.pt")

# Train the model on the COCO8 dataset
results = model.train(data="coco8.yaml", epochs=100)

# Run inference on a test image natively without NMS overhead
predictions = model("https://ultralytics.com/images/bus.jpg")

Diğer alternatifleri keşfedenler için, RT-DETR veya eski YOLOv8 gibi mimariler de Ultralytics ekosistemi içinde mevcuttur, bu da sorunsuz bir şekilde geçiş yapmaya ve test etmeye olanak tanır.

Link to this sectionSonuç#

PP-YOLOE+, Paddle ekosistemindeki belirli sunucu dağıtımları için güçlü bir seçenek olmaya devam ediyor ve EfficientDet, otomatik mimari tasarımı üzerine ilginç bir çalışma olmayı sürdürüyor. Ancak gerçek zamanlı çıkarım, dağıtım kolaylığı ve minimum bellek gereksinimi talep eden modern uygulamalar için Ultralytics YOLO26 en ikna edici performans dengesini sağlar. NMS'den bağımsız yerel tasarımı ve ışık hızındaki CPU performansı, onu yapay zeka altyapını geleceğe hazırlamak için kesin tercih haline getirir.