PP-YOLOE+ ve EfficientDet#
Doğru mimariyi seçmek, sağlam bilgisayarlı görü uygulamaları geliştirmede kritik bir adımdır. Bu teknik kılavuz, iyi bilinen iki nesne algılama modeli arasındaki ödünleşimleri inceler: PP-YOLOE+ ve EfficientDet. Mimarilerini ayrıntılı olarak ele alacak, performans metriklerini analiz edecek ve ideal dağıtım senaryolarını inceleyeceğiz.
Her iki model de bu alana önemli katkılarda bulunmuş olsa da Ultralytics YOLO26 gibi modern alternatiflerin çok daha üstün bellek verimliliği, daha hızlı çıkarım ve son derece yalın bir geliştirici deneyimi sunduğunu da ele alacağız.
Mimariye Genel Bakış: PP-YOLOE+#
PP-YOLOE+, PaddlePaddle ekosistemi içinde sunucu tarafı GPU'larda performansı optimize etmek üzere özel olarak geliştirilmiş, özgün PP-YOLO'nun evrimleşmiş bir sürümüdür. Temel mimariye çeşitli iyileştirmeler getirir ve çapa gerektirmeyen bir paradigmayı temel alır.
- Yazarlar: PaddlePaddle Authors
- Kuruluş: Baidu
- Tarih: 2022-04-02
- Arxiv: 2203.16250
- Belgeler: PaddleDetection README
PP-YOLOE+ hakkında daha fazla bilgi edin
PP-YOLOE+; CSPRepResNet omurgası, Efficient Task-aligned başlık (ET-head) içerir ve sınıflandırma için varifocal loss'a, sınırlayıcı kutu regresyonu içinse distribution focal loss'a büyük ölçüde dayanır. Çapasız algılayıcı tasarımına geçiş, son işleme hattını yalınlaştırarak piyasaya sürüldüğü dönemde modeli son derece rekabetçi hâle getirmiştir.
Baidu'nun PaddlePaddle framework'üne zaten büyük ölçüde yatırım yapmış ekipler, PP-YOLOE+'yı örnek segmentasyonu gibi görevler için genellikle daha kolay benimser; ancak model, daha yeni araçlarda görülen geniş çoklu framework desteğinden yoksundur.
Mimariye Genel Bakış: EfficientDet#
EfficientDet, nesne algılama konusunda tamamen farklı bir yaklaşım benimser ve büyük ölçüde sinir ağı araması ile bileşik ölçekleme ilkelerine dayanır.
- Yazarlar: Mingxing Tan, Ruoming Pang ve Quoc V. Le
- Kuruluş: Google
- Tarih: 2019-11-20
- Arxiv: 1911.09070
- Belgeler: Brain AutoML README
EfficientDet hakkında daha fazla bilgi edin
EfficientDet'in temel taşı, Çift Yönlü Özellik Piramidi Ağı'dır (BiFPN). Geleneksel FPN'lerin aksine BiFPN, farklı giriş özelliklerinin önemini öğrenmek üzere öğrenilebilir ağırlıklar ekleyerek çok ölçekli özellik füzyonunu kolay ve hızlı hâle getirir. EfficientNet omurgası ile birlikte EfficientDet, ağ genişliğini, derinliğini ve çözünürlüğünü aynı anda sistematik olarak ölçeklendirir.
FLOPs açısından teorik olarak son derece verimli olsa da EfficientDet modelleri, karmaşık bellek erişim düzenleri nedeniyle teorik verimliliği uç cihazlarda gerçek dünya hızına dönüştürmekte bazen zorlanabilir; bu durum, YOLO tabanlı modellerin daha düşük bellek gereksinimleriyle keskin bir tezat oluşturur.
Performans Analizi ve Karşılaştırmalı Testler#
Aşağıdaki tablo, standart COCO gibi veri kümelerindeki temel metrikleri karşılaştırır. Ortalama Kesinlik (mAP) değerini çıkarım hızıyla karşılaştırmak, Pareto sınırının net bir görünümünü sunar.
| Model | boyut (piksel) | mAPval 50-95 | Hız CPU ONNX (ms) | Hız T4 TensorRT10 (ms) | parametre (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| PP-YOLOE+t | 640 | 39.9 | - | 2.84 | 4.85 | 19.15 |
| PP-YOLOE+s | 640 | 43.7 | - | 2.62 | 7.93 | 17.36 |
| PP-YOLOE+m | 640 | 49.8 | - | 5.56 | 23.43 | 49.91 |
| PP-YOLOE+l | 640 | 52.9 | - | 8.36 | 52.2 | 110.07 |
| PP-YOLOE+x | 640 | 54.7 | - | 14.3 | 98.42 | 206.59 |
| 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 |
Görüldüğü üzere PP-YOLOE+, üst düzey GPU'larda ham mAP açısından genellikle daha iyi ölçeklenirken EfficientDet parametre sayısını en aza indirmeye çalışır. Ancak her ikisi de en son teknoloji uç AI uygulamalarının gerektirdiği modern gerçek zamanlı yeteneklerin gerisinde kalır.
Kullanım Alanları ve Öneriler#
PP-YOLOE+ ile EfficientDet arasında seçim yapmak, özel proje gereksinimlerine, dağıtım kısıtlamalarına ve ekosistem tercihlerine bağlıdır.
PP-YOLOE+ Ne Zaman Seçilmeli#
PP-YOLOE+ şu durumlar için güçlü bir tercihtir:
- PaddlePaddle Ekosistemi Entegrasyonu: Mevcut altyapısı Baidu'nun PaddlePaddle çerçevesi ve araçları üzerine kurulmuş kuruluşlar.
- Paddle Lite Uç Dağıtımı: Özellikle Paddle Lite veya Paddle çıkarım motoru için yüksek düzeyde optimize edilmiş çıkarım çekirdeklerine sahip donanımlara dağıtım.
- Yüksek Doğruluklu Sunucu Tarafı Algılama: Çerçeve bağımlılığının sorun olmadığı güçlü GPU sunucularında en yüksek algılama doğruluğuna öncelik veren senaryolar.
EfficientDet Ne Zaman Seçilmeli?#
EfficientDet şu durumlarda önerilir:
- Google Cloud ve TPU İş Akışları: EfficientDet'in yerel optimizasyona sahip olduğu, Google Cloud Vision API'leriyle veya TPU altyapısıyla derinlemesine entegre sistemler.
- Bileşik Ölçekleme Araştırması: Dengeli ağ derinliği, genişliği ve çözünürlük ölçeklemesinin etkilerini incelemeye odaklanan akademik kıyaslamalar.
- TFLite ile Mobil Dağıtım: Android veya gömülü Linux cihazları için özel olarak TensorFlow Lite dışa aktarması gerektiren projeler.
Ultralytics (YOLO26) Ne Zaman Seçilmeli?#
Yeni projelerin çoğu için Ultralytics YOLO26, performans ve geliştirici deneyiminin en iyi birleşimini sunar:
- NMS'siz Uç Dağıtımı: Maksimum Olmayan Bastırma son işleme karmaşıklığı olmadan tutarlı ve düşük gecikmeli çıkarım gerektiren uygulamalar.
- Yalnızca CPU Kullanılan Ortamlar: Özel GPU hızlandırması olmayan ve YOLO26'nın %43'e varan daha hızlı CPU çıkarımının belirleyici bir avantaj sağladığı cihazlar.
- Küçük Nesne Algılama: ProgLoss ve STAL'ın küçük nesnelerde doğruluğu önemli ölçüde artırdığı hava drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolar.
Modern Alternatif: Ultralytics YOLO26#
PP-YOLOE+ ve EfficientDet önemli tarihsel dönüm noktalarını temsil etse de en son teknoloji doğruluk, daha düşük bellek kullanımı ve yalın bir kullanıcı deneyimi arayan geliştiriciler Ultralytics YOLO26 modelini tercih etmelidir.
YOLO26, nesne algılamada büyük bir ilerlemeyi temsil eder ve çeşitli kritik yenilikler sunar:
- Uçtan Uca NMS'siz Tasarım: YOLOv10 ile elde edilen ilerlemeler üzerine inşa edilen YOLO26, çıkarım sırasında Maksimum Olmayan Bastırma'yı (NMS) yerel olarak ortadan kaldırır. Bu, gecikmeyi önemli ölçüde azaltır ve karmaşık son işleme darboğazlarını ortadan kaldırır.
- MuSGD Optimize Edicisi: LLM eğitimindeki yeniliklerden ilham alan YOLO26, hibrit SGD ve Muon optimize edicisini kullanır. Bu, eğitim kararlılığını büyük ölçüde artırır ve yakınsama süresini azaltır.
- Üstün Hız: YOLO26, YOLO11 gibi eski nesillere kıyasla %43'e kadar daha hızlı CPU çıkarımı sunar; bu da onu pille çalışan veya yalnızca CPU kullanan uç cihazlar için mutlak anlamda en iyi seçenek hâline getirir.
- Gelişmiş Kayıp Fonksiyonları: ProgLoss ve STAL entegrasyonu, drone analitiği ve robotik gibi görevler için kritik önem taşıyan küçük nesne tanımayı büyük ölçüde iyileştirir.
Yalnızca algılamaya odaklanan EfficientDet'in aksine YOLO26, aynı bakımı iyi yapılan ekosistem içinde yerel olarak poz tahmini, görüntü sınıflandırma ve yönlendirilmiş sınırlayıcı kutuları (OBB) destekler.
Kullanım Kolaylığı ve Ekosistem Entegrasyonu#
EfficientDet gibi eski modellerin en büyük dezavantajlarından biri, eğitim hatlarının ve otomatik makine öğrenimi kurulumlarının karmaşıklığıdır. Buna karşılık Ultralytics Platformu eşsiz bir geliştirici deneyimi sunar.
Ultralytics ile bir modeli dağıtmak yalnızca birkaç satır kod alır; bu, eski framework'lerin gerektirdiği ayrıntılı yapılandırmalarla belirgin 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")Başka alternatifleri inceleyenler için RT-DETR gibi mimariler veya eski nesil YOLOv8 de Ultralytics ekosistemi içinde kullanılabilir; böylece modelleri sorunsuz bir şekilde değiştirebilir ve test edebilirsin.
Sonuç#
PP-YOLOE+, Paddle ekosistemi içindeki belirli sunucu dağıtımları için güçlü bir seçenek olmaya devam eder ve EfficientDet, otomatik mimari tasarımı konusunda ilgi çekici bir çalışma olmayı sürdürür. Ancak gerçek zamanlı çıkarım, kolay dağıtım ve minimum bellek gereksinimi talep eden modern uygulamalar için Ultralytics YOLO26, en ikna edici performans dengesini sunar. Yerel NMS'siz tasarımı ve ışık hızındaki CPU performansı, onu AI altyapını geleceğe hazır hâle getirmek için kesin tercih yapar.