Başla

PP-YOLOE+ ve EfficientDet

Doğru mimariyi seçmek, sağlam bilgisayarlı görü uygulamaları geliştirmenin kritik bir adımıdır. Bu teknik kılavuz, bilinen iki nesne tespit modeli olan PP-YOLOE+ ve EfficientDet arasındaki ödünleşimleri inceliyor. Mimarileri ele alıyor, performans ölçütlerini analiz ediyor ve en uygun dağıtım senaryolarını açıklıyor.

Her iki model de alana önemli katkılarda bulunmuş olsa da bu kılavuz, Ultralytics YOLO26 gibi modern alternatiflerin nasıl daha iyi bellek verimliliği, daha hızlı çıkarım ve daha yalın bir geliştirici deneyimi sunduğunu da ele alıyor.

Mimariye Genel Bakış: PP-YOLOE+#

PP-YOLOE+; PP-YOLO serisinin bir evrimi olan PP-YOLOE'nin geliştirilmiş sürümüdür ve PaddlePaddle ekosistemindeki sunucu tarafı GPU'larda performansı optimize etmek üzere geliştirilmiştir. Temel mimariye, çapasız bir yaklaşımı odağına alan çeşitli iyileştirmeler getirir.

PP-YOLOE+ hakkında daha fazla bilgi edin

PP-YOLOE+; CSPRepResNet omurgası, Verimli Görev Hizalı Başlık (ET-head) ve sınıflandırma için varifocal kaybına, sınırlayıcı kutu regresyonu içinse dağılım odaklı kayba yoğun biçimde dayanır. Çapasız tespit modeli tasarımına geçişi, son işleme hattını yalınlaştırarak yayımlandığı dönemde oldukça rekabetçi olmasını sağladı.

Entegrasyonun Avantajları

Baidu'nun PaddlePaddle çerçevesine hâlihazırda derinlemesine yatırım yapmış ekipler, PP-YOLOE+'ı mevcut hatlarına daha kolay entegre edebiliyor; ancak model, yeni araçlarda görülen geniş çerçeve desteğinden yoksun.

Mimariye Genel Bakış: EfficientDet#

EfficientDet, sinir mimarisi aramasıyla bulunan bir omurgayı temel alıp bileşik ölçekleme ilkelerini uygulayarak nesne tespitine farklı bir yaklaşım getirir.

EfficientDet hakkında daha fazla bilgi edin

EfficientDet'in temel taşı Çift Yönlü Özellik Piramit Ağıdır (BiFPN). Geleneksel FPN'lerden farklı olarak BiFPN, farklı girdi özelliklerinin önemini öğrenmek için öğrenilebilir ağırlıklar kullanarak hızlı çok ölçekli özellik birleştirmesi sağlar. EfficientDet, bir EfficientNet omurgasıyla birlikte ağın genişliğini, derinliğini ve çözünürlüğünü eş zamanlı ve sistematik biçimde ölçeklendirir.

FLOPs bakımından son derece verimli olsa da EfficientDet modelleri, karmaşık bellek erişim düzenleri nedeniyle teorik verimliliği uç cihazlarda gerçek dünya hızına dönüştürmekte zorlanabilir. Bu durum, YOLO tabanlı modellerin daha düşük bellek gereksinimleriyle tezat oluşturur.

Performans Analizi ve Kıyaslamalar#

Aşağıdaki tabloda standart COCO gibi veri kümelerindeki temel ölçütler karşılaştırılıyor. Ortalama Kesinliği (mAP) çıkarım hızıyla karşılaştırmak, her modelin hız-doğruluk Pareto sınırındaki yerini gösterir.

Modelboyut
(piksel)
mAPval50-95Hız
CPU ONNX
(ms)
Hız
T4 TensorRT10
(ms)
parametre
(M)
FLOPs
(B)
PP-YOLOE+t64039.9-2.844.8519.15
PP-YOLOE+s64043.7-2.627.9317.36
PP-YOLOE+m64049.8-5.5623.4349.91
PP-YOLOE+l64052.9-8.3652.2110.07
PP-YOLOE+x64054.7-14.398.42206.59
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

Görüldüğü üzere PP-YOLOE+, üst düzey GPU'larda ham mAP bakımından genellikle daha iyi ölçeklenirken EfficientDet parametre sayısını en aza indirmeye çalışır. Ancak her ikisi de modern uç yapay zekâ uygulamalarının gerektirdiği gerçek zamanlı performansın 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 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.

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.

Modern Alternatif: Ultralytics YOLO26#

PP-YOLOE+ ve EfficientDet önemli kilometre taşları olsa da yüksek doğruluk, daha düşük bellek tüketimi ve yalın bir kullanıcı deneyimi arayan geliştiriciler Ultralytics YOLO26'yı tercih etmeli.

YOLO26, nesne tespitinde ileriye doğru büyük bir adımdır ve birçok önemli yenilik sunar:

  • Uçtan Uca, NMS İçermeyen Tasarım: YOLOv10 temel alınarak geliştirilen YOLO26'nın isteğe bağlı uçtan uca başlığı (nms=False), çıkarım sırasında Maksimum Olmayan Bastırma (NMS) işlemini ortadan kaldırır. Bu, gecikmeyi önemli ölçüde azaltır ve karmaşık son işleme darboğazlarını ortadan kaldırır.
  • MuSGD Optimizatörü: Büyük dil modeli (LLM) eğitimindeki yeniliklerden ilham alan YOLO26, eğitim kararlılığını artıran ve yakınsama süresini kısaltan hibrit SGD ve Muon optimizatörü kullanır.
  • Daha Hızlı CPU Çıkarımı: YOLO26n, YOLO11n modelinden CPU çıkarımında %43'e kadar daha hızlıdır; bu da onu pille çalışan veya yalnızca CPU kullanan uç cihazlar için güçlü bir seçenek hâline getirir.
  • Gelişmiş Eğitim Teknikleri: ProgLoss ve STAL, drone analitiği ve robotik gibi görevler için vazgeçilmez olan küçük nesne tanımayı önemli ölçüde iyileştirir.
Çoklu Görev Esnekliği

Yalnızca tespite odaklanan EfficientDet'in aksine YOLO26, bakımı düzenli olarak sürdürülen aynı ekosistem içinde örnek segmentasyonunu, görüntü sınıflandırmasını, poz tahminini ve yönlendirilmiş sınırlayıcı kutuları (OBB) yerel olarak işler.

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, geliştiricilere yalın bir deneyim sunar.

Eski çerçevelerin gerektirdiği uzun yapılandırmaların aksine, Ultralytics ile model eğitmek ve çalıştırmak yalnızca birkaç satır kod gerektirir.

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)

Başka alternatifleri değerlendirenler için Ultralytics ekosisteminde RT-DETR veya önceki YOLOv8 gibi mimariler de bulunur; böylece modelleri değiştirmek ve test etmek kolaylaşır.

Sonuç#

PP-YOLOE+, Paddle ekosistemindeki belirli sunucu dağıtımları için güçlü bir seçenek olmaya devam ediyor; EfficientDet ise otomatik mimari tasarımı üzerine ilgi çekici bir çalışma olmayı sürdürüyor. Ancak gerçek zamanlı çıkarım, dağıtım kolaylığı ve minimum bellek gereksinimi isteyen modern uygulamalar için Ultralytics YOLO26 en ikna edici performans dengesini sunar. İsteğe bağlı NMS'siz tasarımı ve hızlı CPU performansı, onu modern yapay zekâ altyapısı için önerilen seçenek hâline getirir.

Katkıda Bulunanlar

Yorumlar

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