PP-YOLOE+ - EfficientDet karşılaştırması: Nesne Algılama için Teknik Bir Karşılaştırma

Doğru nesne algılama modelini seçmek, bilgisayar görüşü uygulamalarının performansını, ölçeklenebilirliğini ve verimliliğini etkileyen kritik bir karardır. Bu teknik karşılaştırmada, iki öne çıkan mimariyi analiz ediyoruz: Baidu'nun PaddlePaddle ekosisteminden yüksek performanslı, ankraj içermeyen bir detectör olan PP-YOLOE+ ve Google'ın bileşik ölçeklendirme yöntemiyle bilinen ölçeklenebilir mimarisi EfficientDet.

PP-YOLOE+: Hız ve Doğruluk İçin Optimize Edildi

PP-YOLOE+, hassasiyet ve çıkarım hızı arasında optimum bir denge sağlamak için geliştirilmiş, YOLO serisinde önemli bir evrimi temsil eder. Ankrajsız paradigma üzerine inşa edilmiş olup, Görev Hizalama Öğrenimi (TAL) gibi gelişmiş tekniklerden yararlanırken detect hattını basitleştirir.

• Yazarlar: PaddlePaddle Yazarları
• Kuruluş:Baidu
• Tarih: 2022-04-02
• Arxiv:https://arxiv.org/abs/2203.16250
• GitHub:https://github.com/PaddlePaddle/PaddleDetection/
• Belgeler:https://github.com/PaddlePaddle/PaddleDetection/blob/release/2.8.1/configs/ppyoloe/README.md

Temel Mimari Özellikler

PP-YOLOE+, CSPNet'in verimliliğini ResNet'in yeniden parametrelendirme yetenekleriyle birleştiren bir CSPRepResNet backbone'u entegre eder. Bu, modelin aşırı hesaplama maliyetlerine girmeden zengin özellik temsilleri yakalamasını sağlar. Boyun, etkili çok ölçekli özellik kaynaştırması için bir Yol Toplama Ağı (PAN) kullanır ve küçük nesnelerin daha yüksek güvenilirlikle detect edilmesini sağlar.

Öne çıkan bir özellik, Verimli Görev Hizalı Başlık (ET-Head)'tır. Geleneksel birleşik başlıklardan farklı olarak, ET-Head, sınıflandırma ve yerelleştirme görevlerini ayırır ve en iyi bağlantıları temel doğruluk nesneleriyle dinamik olarak hizalamak için TAL'ı kullanır. Bu yaklaşım, yakınsama hızını ve nihai doğruluğu önemli ölçüde artırır.

PP-YOLOE+ hakkında daha fazla bilgi edinin

EfficientDet: Ölçeklenebilir Verimlilik

EfficientDet, doğruluğu ve verimliliği aynı anda optimize etmeye odaklanarak model ölçeklendirmeye yeni bir yaklaşım getirmiştir. EfficientNet backbone üzerine inşa edilmiştir ve ağırlıklı Çift Yönlü Özellik Piramidi Ağı (BiFPN) sunar.

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

Temel Mimari Özellikler

EfficientDet'in temel yeniliği, kolay ve hızlı çok ölçekli özellik kaynaştırmaya olanak tanıyan BiFPN'dir. Özellikleri eşit olarak toplayan önceki FPN'lerin aksine, BiFPN her bir girdi özelliğine ağırlıklar atayarak ağın farklı girdi özelliklerinin önemini öğrenmesini sağlar. Ek olarak, EfficientDet, farklı kaynak kısıtlamalarına göre uyarlanmış bir model ailesi (D0'dan D7'ye) sağlayan tüm backbone, özellik ağı ve kutu/sınıf tahmin ağları için çözünürlüğü, derinliği ve genişliği eşit olarak ölçeklendiren bir bileşik ölçekleme yöntemi kullanır.

EfficientDet hakkında daha fazla bilgi edinin

Performans Analizi: Hız - Doğruluk Karşılaştırması

Bu modelleri değerlendirirken, çıkarım hızı ve ortalama Ortalama Hassasiyet (mAP) arasındaki denge netleşir. EfficientDet piyasaya sürüldüğünde yüksek standartlar belirlemiş olsa da, PP-YOLOE+ gibi daha yeni mimariler, modern GPU'larda üstün performans elde etmek için donanım farkındalıklı tasarımlardan yararlanmıştır.

Veriler, PP-YOLOE+'nın GPU çıkarım gecikmesinde EfficientDet'ten önemli ölçüde daha iyi performans gösterdiğini vurgulamaktadır. Örneğin, PP-YOLOE+l, EfficientDet-d6'dan (52,6) daha yüksek bir mAP (52,9) elde ederken, bir T4 GPU'da 10 kat daha hızlıdır (8,36 ms'ye karşı 89,29 ms). EfficientDet, FLOPs'un birincil kısıtlama olduğu, çok düşük güçlü mobil CPU'lar gibi senaryolarda önemini korur, ancak yüksek verimli sunucu ortamlarında rekabet etmekte zorlanır.

Güçlü ve Zayıf Yönler

Her modelin artılarını ve eksilerini anlamak, belirli bilgisayar görüşü görevleri için doğru aracı seçmeye yardımcı olur.

PP-YOLOE+

• Güçlü Yönler:
  • High Accuracy-Speed Ratio: GPU'larda gerçek zamanlı çıkarım yetenekleriyle en son teknoloji mAP'ı sunar.
  • Çapa Olmayan: Karmaşık çapa kutusu ayarlama ihtiyacını ortadan kaldırarak eğitim kurulumunu basitleştirir.
  • Dinamik Etiket Atama: Sınıflandırma ve yerelleştirme arasında daha iyi uyum için TAL kullanır.
• Zayıflıklar:
  • Ekosistem Özgüllüğü: PaddlePaddle çerçevesi için büyük ölçüde optimize edilmiştir, bu da PyTorch'e alışkın kullanıcılar için bir öğrenme eğrisi sunabilir.
  • Kaynak Yoğunluğu: Daha büyük varyantlar (L ve X) önemli miktarda bellek gerektirir ve bu da katı RAM sınırlarına sahip uç cihazlarda dağıtımı potansiyel olarak sınırlar.

EfficientDet

• Güçlü Yönler:
  • Parametre Verimliliği: Daha eski detect araçlarına kıyasla nispeten daha az parametre ile yüksek doğruluk elde etmek.
  • Ölçeklenebilirlik: Bileşik ölçekleme yöntemi, kullanıcıların mevcut işlem gücüne bağlı olarak model boyutları (d0-d7) arasında kolayca geçiş yapmasını sağlar.
  • BiFPN: Çeşitli ölçeklerdeki nesneleri verimli bir şekilde işleyen yenilikçi özellik birleştirme.
• Zayıflıklar:
  • Yavaş Çıkarım: Düşük FLOP sayılarına rağmen, karmaşık grafik yapısı genellikle özellikle GPU'larda daha yavaş gerçek dünya çıkarım sürelerine yol açar.
  • Eğitim Hızı: Mimarinin karmaşıklığı nedeniyle modern tek aşamalı dedektörlere kıyasla eğitilmesi daha yavaş olabilir.

Gerçek Dünya Kullanım Durumları

Bu modeller, mimari güçlerine bağlı olarak farklı ortamlarda öne çıkar.

• Üretim ve Endüstriyel Otomasyon: PP-YOLOE+, üretimde kalite kontrolü için mükemmel bir seçimdir. Yüksek çıkarım hızı, milisaniyelerin önemli olduğu hızlı hareket eden montaj hatlarında gerçek zamanlı kusur tespiti sağlar.

• Akıllı Perakende ve Envanter: Otomatik ödeme veya raf izleme gibi perakende analitiği için PP-YOLOE+'nin doğruluğu, kalabalık sahnelerde bile ürünlerin doğru bir şekilde tanımlanmasını sağlar.

• Uzaktan Algılama ve Hava Görüntüleme: EfficientDet'in daha yüksek çözünürlüklere (örneğin, D7) ölçeklenebilme özelliği, büyük görüntülerdeki küçük özellikleri detect etmenin işlem hızından daha kritik olduğu yüksek çözünürlüklü uydu veya drone görüntülerini analiz etmek için kullanışlıdır.

• Düşük Güçlü Uç Cihazlar: Toplam FLOP'ların kesin sınır olduğu ve GPU hızlandırmasının kullanılamadığı eski uç yapay zeka donanımı için bazen daha küçük EfficientDet varyantları (D0-D1) tercih edilir.

Ultralytics Avantajı: Neden YOLO11'i Seçmelisiniz?

PP-YOLOE+ ve EfficientDet sağlam çözümler sunarken, Ultralytics YOLO11 modeli çoğu geliştirici ve araştırmacı için üstün bir deneyim sağlar. Modern mimari yeniliklerin en iyilerini kullanıcı merkezli bir ekosistemle birleştirir.

YOLO11 hakkında daha fazla bilgi edinin

Neden YOLO11 Öne Çıkıyor

1. Kullanım Kolaylığı: Ultralytics modelleri, "kutudan çıkar çıkmaz" kullanılabilirliği ile ünlüdür. Basit bir Python API ve sezgisel CLI ile, diğer çerçevelerin gerektirdiği genellikle karmaşık yapılandırma dosyalarının aksine, modelleri dakikalar içinde eğitebilir, doğrulayabilir ve dağıtabilirsiniz.
2. İyi Yönetilen Ekosistem: Ultralytics topluluğu aktif ve büyüyor. Düzenli güncellemeler, PyTorch, ONNX ve CUDA'nın en son sürümleriyle uyumluluğu sağlayarak uzun vadeli projeler için istikrarlı bir temel sağlar.
3. Performans Dengesi: YOLO11, dikkat çekici bir dengeye ulaşır ve genellikle PP-YOLOE+'yi hızda aşarken doğruluğuyla eşleşir veya onu geçer. CPU'lar, GPU'lar ve NPU'lar üzerinde olağanüstü iyi performans gösteren, donanımdan bağımsız olacak şekilde tasarlanmıştır.
4. Bellek Verimliliği: Transformatör tabanlı modellere veya eski mimarilere kıyasla, Ultralytics YOLO modelleri eğitim sırasında daha düşük bellek tüketimi için optimize edilmiştir. Bu, standart donanımda daha büyük yığın boyutlarına ve daha hızlı yakınsamaya olanak tanır.
5. Çok Yönlülük: Öncelikli olarak bir nesne algılayıcısı olan EfficientDet'in aksine, YOLO11 tek bir birleşik çerçeve içinde örnek segmentasyonu, poz tahmini, yönlendirilmiş nesne algılama (OBB) ve sınıflandırma dahil olmak üzere çok çeşitli görevleri destekler.
6. Eğitim Verimliliği: Gelişmiş artırmalar ve optimize edilmiş veri yükleyiciler ile bir YOLO11 modelini eğitmek hızlı ve verimlidir. Kapsamlı önceden eğitilmiş ağırlıklar mevcuttur ve minimum veriyle güçlü transfer öğrenimi sonuçları sağlar.

Örnek: Python'da YOLO11 Çalıştırma

Önceden eğitilmiş bir YOLO11 modelini yüklemek ve çıkarım çalıştırmak için yalnızca birkaç satır kod gerekir ve bu da Ultralytics iş akışının basitliğini gösterir.

from ultralytics import YOLO

# Load a pre-trained YOLO11n model
model = YOLO("yolo11n.pt")

# Run inference on an image
results = model("path/to/image.jpg")

# Display the results
results[0].show()

Sonuç

Hem PP-YOLOE+ hem de EfficientDet, bilgisayar görüşü alanına önemli ölçüde katkıda bulunmuştur. PP-YOLOE+, yüksek GPU verimi gerektiren Baidu ekosistemine derinden entegre olmuş kullanıcılar için güçlü bir rakiptir. EfficientDet, parametre verimliliğinin ve ölçeklenebilir tasarımın klasik bir örneği olmaya devam ediyor.

Ancak, çok yönlü, yüksek performanslı ve geliştirici dostu bir çözüm arayanlar için Ultralytics YOLO11 önerilen seçimdir. Son teknoloji doğruluğu, gerçek zamanlı hızı ve destekleyici bir ekosistemin birleşimi, onu yeni nesil yapay zeka uygulamaları oluşturmak için ideal bir platform haline getirir.

Daha fazla karşılaştırma için, bu modellerin diğer son teknoloji mimarilere karşı nasıl performans gösterdiğini görmek için YOLO11 - EfficientDet veya PP-YOLOE+ - YOLOv10 karşılaştırmalarını inceleyebilirsiniz.

Yorumlar