PP-YOLOE+ ile EfficientDet karşılaştırması#

Doğru mimariyi seçmek, sağlam computer vision uygulamaları oluşturmanın kritik bir adımıdır. Bu teknik kılavuz, iki tanınmış nesne tespiti modeli arasındaki ödünleşimleri inceler: PP-YOLOE+ ve EfficientDet. Mimarilerini parçalarına ayıracağız, performance metrics öğelerini analiz edeceğiz 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 son derece kolaylaştırılmış bir geliştirici deneyimi sunduğunu da tartışacağız.

Mimari 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
• Kuruluş: Baidu
• Tarih: 02.04.2022
• Arxiv: 2203.16250
• Docs: PaddleDetection README

PP-YOLOE+ hakkında daha fazla bilgi edin

PP-YOLOE+; CSPRepResNet omurgasına, Efficient Task-aligned head (ET-head) bileşenine sahiptir ve sınıflandırma için varifocal loss ile birlikte bounding box regresyonu için distribution focal loss yöntemine büyük ölçüde güvenir. anchor-free detector tasarımı benimsemesi, son işlem ardışık düzenini kolaylaştırmaya yardımcı olarak çıktığı dönemde oldukça rekabetçi olmasını sağlamıştır.

Mimari Genel Bakış: EfficientDet#

object detection konusunda kökten farklı bir yaklaşım benimseyen EfficientDet, büyük ölçüde sinir 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
• Docs: Brain AutoML README

EfficientDet hakkında daha fazla bilgi edinin

EfficientDet'in temel taşı Bi-directional Feature Pyramid Network (BiFPN) yapısıdır. Geleneksel FPN'lerin aksine BiFPN, farklı girdi özelliklerinin önemini öğrenmek için öğrenilebilir ağırlıklar sunarak kolay ve hızlı çok ölçekli özellik füzyonuna olanak tanır. EfficientNet backbone 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.

Performans Analizi ve Kıyaslamalar#

Aşağıdaki tablo, datasets like COCO gibi standart veri setlerindeki temel metrikleri karşılaştırmaktadır. mean Average Precision (mAP) değerini çıkarım hızıyla karşılaştırmak, Pareto sınırının net bir resmini sunar.

Gösterildiği gibi PP-YOLOE+ genellikle üst düzey GPU'lar için ham mAP'de daha iyi ölçeklenirken, EfficientDet parametreleri en aza indirmeye çalışır. Bununla birlikte her ikisi de en son teknoloji edge AI için gereken modern gerçek zamanlı yeteneklerin gerisinde kalmaktadır.

Kullanım Durumları 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 Ekosistem Entegrasyonu: Altyapısı Baidu's PaddlePaddle çerçevesi ve araçları üzerine kurulmuş olan kuruluşlar.
• 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.

Ne 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: Özellikle Android veya gömülü Linux cihazlar için TensorFlow Lite dışa aktarımı gerektiren projeler.

Ultralytics (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 Tespiti: ProgLoss ve STAL'ın çok küçük nesneler üzerindeki doğruluğu önemli ölçüde artırdığı havadan drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolar.

Modern Alternatif: Ultralytics YOLO26#

PP-YOLOE+ ve EfficientDet önemli tarihi kilometre taşlarını temsil ederken, en son teknoloji doğruluğu, daha düşük bellek tüketimini ve kolaylaştırılmış bir kullanıcı deneyimini arayan geliştiriciler Ultralytics YOLO26 modeline yönelmelidir.

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

• Uçtan Uca NMS İçermeyen Tasarım: YOLOv10 modellerinin çığır açan yeniliklerini temel alan YOLO26, çıkarım sırasında Non-Maximum Suppression (NMS) adımını yerel olarak ortadan kaldırır. Bu, gecikmeyi önemli ölçüde azaltır ve karmaşık son işlem darboğazlarını ortadan 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 varan daha hızlı CPU çıkarımı sunarak pilli veya yalnızca CPU içeren uç cihazlar için kesinlikle en iyi seçim olmasını sağlar.
• Gelişmiş Kayıp Fonksiyonları: ProgLoss ve STAL entegrasyonu, drone analytics ve robotics gibi görevler için hayati önem taşıyan küçük nesne tanıma yeteneğini büyük ölçüde geliştirir.

Kullanım Kolaylığı ve Ekosistem Entegrasyonu#

EfficientDet gibi eski modellerin en büyük dezavantajlarından biri, eğitim ardışık düzenlerinin karmaşıklığı ve automated machine learning kurulumlarıdır. Buna karşılık Ultralytics Platform, benzersiz 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 ekosisteminde mevcuttur ve sorunsuz bir şekilde değiştirilip test edilmelerine olanak tanır.

Sonuç#

PP-YOLOE+, Paddle ekosistemindeki belirli sunucu dağıtımları için güçlü bir seçim olmaya devam etmektedir ve EfficientDet, otomatik mimari tasarımı üzerine ilginç bir çalışma olmayı sürdürmektedir. Bununla birlikte real-time inference gerektiren modern uygulamalar, kolay dağıtım ve minimum bellek gereksinimleri için Ultralytics YOLO26 en cazip performans dengesini sağlar. Yerel olarak NMS içermeyen tasarımı ve şimşek hızıyla CPU performansı, yapay zeka altyapınızı geleceğe hazırlamak için onu kesin seçim haline getirir.