PP-YOLOE+ ve EfficientDet#
Doğru mimariyi seçmek, sağlam bilgisayarlı görü uygulamaları geliştirmede kritik bir adımdır. Bu teknik kılavuz, bilinen iki nesne algılama modeli olan PP-YOLOE+ ve EfficientDet arasındaki ödünleşimleri inceliyor. Mimarilerini 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 iyi bellek verimliliği, daha hızlı çıkarım ve oldukça kolaylaştırılmış bir geliştirici deneyimi sunduğunu da ele alacağız.
Mimariye Genel Bakış: PP-YOLOE+#
PP-YOLOE+, PaddlePaddle ekosisteminde sunucu tarafındaki GPU'larda performansı iyileştirmek için özel olarak geliştirilmiş, özgün PP-YOLO'nun evrimleşmiş sürümüdür. Temel mimariye çeşitli iyileştirmeler getirir ve anchor-free yaklaşıma odaklanır.
- Yazarlar: PaddlePaddle yazarları
- Kurum: Baidu
- Tarih: 2022-04-02
- Arxiv: 2203.16250
- Belgeler: PaddleDetection README dosyası
PP-YOLOE+ hakkında daha fazla bilgi edin
PP-YOLOE+; CSPRepResNet omurgası ve Verimli Görev Hizalaması başlığı (ET-head) içerir. Sınıflandırmada varifocal loss'a, sınırlayıcı kutu regresyonunda ise dağılımsal odak kaybına büyük ölçüde dayanır. Anchor-free algılayıcı tasarımına geçişi, son işlem hattını kolaylaştırarak modeli piyasaya çıktığı dönemde oldukça rekabetçi hâle getirdi.
Baidu'nun PaddlePaddle çerçevesini hâlihazırda yoğun biçimde kullanan ekipler, örnek segmentasyonu gibi görevler için PP-YOLOE+'ı benimsemeyi genellikle daha kolay bulur; ancak model, yeni araçlarda görülen geniş çoklu çerçeve desteğinden yoksundur.
Mimariye Genel Bakış: EfficientDet#
EfficientDet, nesne algılama için oldukça farklı bir yaklaşım benimser ve büyük ölçüde sinir ağı mimarisi aramasına ve 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'lerden farklı olarak BiFPN, farklı giriş özelliklerinin önemini öğrenmek için öğrenilebilir ağırlıklar ekleyerek çok ölçekli özellik birleştirmeyi kolay ve hızlı hâle getirir. EfficientNet omurgası ile birlikte EfficientDet, ağ genişliğini, derinliğini ve çözünürlüğünü sistematik olarak eş zamanlı ölçeklendirir.
EfficientDet modelleri, FLOP açısından kuramsal olarak oldukça verimli olsalar da karmaşık bellek erişim düzenleri nedeniyle bu verimliliği uç cihazlarda gerçek dünya hızına dönüştürmekte zaman zaman zorlanabilir. Bu durum, YOLO tabanlı modellerin daha düşük bellek gereksinimleriyle keskin bir karşıtlık oluşturur.
Performans Analizi ve Kıyaslamalar#
Aşağıdaki tablo, standart COCO gibi veri kümelerindeki temel metrikleri karşılaştırıyor. Ortalama Hassasiyet (mAP) ile çıkarım hızını karşılaştırmak, Pareto sınırını net biçimde ortaya koyuyor.
| 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 gibi PP-YOLOE+, üst seviye GPU'larda ham mAP değerini genellikle daha iyi ölçeklendirirken EfficientDet parametre sayısını en aza indirmeye çalışır. Ancak her iki model de son teknoloji uç yapay zekâ için gereken modern gerçek zamanlı yeteneklerin gerisinde kalır.
Kullanım Alanları ve Öneriler#
PP-YOLOE+ ile EfficientDet arasındaki seçim, projenin özel gereksinimlerine, dağıtım kısıtlamalarına ve ekosistem tercihlerine bağlıdır.
PP-YOLOE+'ı Ne Zaman Seçmeli#
PP-YOLOE+ şu durumlar için güçlü bir seçenektir:
- PaddlePaddle Ekosistemiyle Entegrasyon: Altyapısı ve araçları Baidu'nun PaddlePaddle çerçevesi üzerine kurulu kuruluşlar.
- Paddle Lite ile Uç Dağıtım: Özellikle Paddle Lite veya Paddle çıkarım motoru için optimize edilmiş çıkarım çekirdeklerine sahip donanımlara dağıtım.
- Sunucu Tarafında Yüksek Doğruluklu Tespit: Çerçeve bağımlılığının önemli olmadığı güçlü GPU sunucularında en yüksek tespit doğruluğuna öncelik veren senaryolar.
EfficientDet Ne Zaman Seçilmeli#
EfficientDet şu durumlarda önerilir:
- Google Cloud ve TPU İşlem Hatları: EfficientDet'in yerel optimizasyona sahip olduğu, Google Cloud Vision API'leriyle veya TPU altyapısıyla sıkı biçimde bütünleşik 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.
Ultralytics'i (YOLO26) Ne Zaman Seçmeli#
Yeni projelerin çoğu için Ultralytics YOLO26, performans ve geliştirici deneyiminin en iyi bileşimini sunar:
- NMS Olmadan Uç Dağıtımı: Maksimum Olmayan Bastırma son işleminin karmaşıklığı olmadan tutarlı ve düşük gecikmeli çıkarım gerektiren uygulamalar.
- Yalnızca CPU Kullanılan Ortamlar: YOLO26'nın CPU'da %43'e varan daha hızlı çıkarımının belirleyici bir avantaj sağladığı, özel GPU hızlandırması bulunmayan cihazlar.
- Küçük Nesne Algılama: ProgLoss ve STAL'ın çok küçük nesnelerde doğruluğu önemli ölçüde artırdığı havadan drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolar.
Modern Alternatif: Ultralytics YOLO26#
PP-YOLOE+ ve EfficientDet önemli tarihî dönüm noktaları olsa da son teknoloji doğruluk, daha düşük bellek tüketimi ve kolaylaştırılmış kullanıcı deneyimi arayan geliştiriciler Ultralytics YOLO26 modelini değerlendirmeli.
YOLO26, nesne algılamada büyük bir ilerlemeyi temsil ediyor ve birçok önemli yenilik sunuyor:
- Uçtan Uca, NMS Gerektirmeyen Tasarım: YOLOv10 modelindeki çığır açan gelişmeleri temel alan YOLO26'nın isteğe bağlı uçtan uca başlığı (
nms=False), çıkarım sırasında Maksimum Olmayan Bastırma'yı (NMS) ortadan kaldırır. Böylece gecikme önemli ölçüde azalır ve karmaşık son işlem darboğazları giderilir. - MuSGD Optimizasyonu: Büyük dil modeli eğitimindeki yeniliklerden ilham alan YOLO26, SGD ve Muon'un hibrit bir optimizasyon yöntemini kullanır. Bu, eğitim kararlılığını önemli ölçüde artırır ve yakınsama süresini kısaltır.
- Üstün Hız: YOLO26, YOLO11 gibi eski nesillere kıyasla CPU çıkarımını %43'e kadar hızlandırır. Bu da onu pille çalışan veya yalnızca CPU kullanan uç cihazlar için en iyi seçenek hâline getirir.
- Gelişmiş Kayıp Fonksiyonları: ProgLoss ve STAL'ın entegrasyonu, drone analitiği ve robotik gibi görevler için gerekli olan küçük nesne tanımayı önemli ölçüde iyileştirir.
Yalnızca algılamaya odaklanan EfficientDet'in aksine YOLO26, aynı bakımı iyi yapılan ekosistem içinde görüntü sınıflandırmayı, poz tahminini ve yönlendirilmiş sınırlayıcı kutuları (OBB) yerel olarak 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 Platform, eşsiz bir geliştirici deneyimi sunar.
Ultralytics ile model dağıtmak yalnızca birkaç satır kod gerektirir; bu, eski çerçevelerin gerektirdiği uzun yapılandırmalarla belirgin bir tezat oluşturur.
from ultralytics import YOLO
# Önceden eğitilmiş bir YOLO26 modeli yükle
model = YOLO("yolo26s.pt")
# Modeli COCO8 veri kümesinde eğit
results = model.train(data="coco8.yaml", epochs=100)
# Uçtan uca başlıkla bir test görüntüsünde NMS gerektirmeyen çıkarım çalıştır
predictions = model("https://ultralytics.com/images/bus.jpg", nms=False)Diğer alternatifleri araştırıyorsan RT-DETR gibi mimariler veya eski YOLOv8 modeli de Ultralytics ekosisteminde kullanılabilir; böylece modeller arasında sorunsuzca geçiş yapıp test gerçekleştirebilirsin.
Sonuç#
PP-YOLOE+, Paddle ekosistemi içindeki belirli sunucu dağıtımları için güçlü bir seçenek olmaya devam ediyor; EfficientDet ise otomatik mimari tasarımı açısından ilgi çekici bir çalışma örneği. Ancak gerçek zamanlı çıkarım, kolay dağıtım ve minimum bellek gereksinimi isteyen modern uygulamalar için Ultralytics YOLO26 en etkileyici performans dengesini sunar. İsteğe bağlı NMS gerektirmeyen tasarımı ve çok hızlı CPU performansı, onu yapay zekâ altyapını geleceğe hazırlamak için kesin tercih hâline getirir.