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

Doğru nesne algılama modelinin seçilmesi, bilgisayarla görme uygulamalarının performansını, ölçeklenebilirliğini ve verimliliğini etkileyen kritik bir karardır. Bu teknik karşılaştırmada, öne çıkan iki mimariyi analiz ediyoruz: Baidu'nun PaddlePaddle ekosisteminden yüksek performanslı, çapasız bir dedektör olan PP-YOLOE+ ve Google'ın bileşik ölçekleme yöntemiyle bilinen ölçeklenebilir mimarisi EfficientDet.

PP-YOLOE+: Hız ve Doğruluk için Optimize Edildi

YOLO , hassasiyet ve çıkarım hızı arasında optimum bir denge sağlamak için geliştirilen YOLO serisinde önemli bir evrimi temsil eder. Çapasız paradigma üzerine inşa edilen bu sistem, Görev Hizalama Öğrenimi (TAL) gibi gelişmiş tekniklerden yararlanırken tespit işlem hattını basitleştirir.

• Yazarlar: PaddlePaddle Yazarları
• Organizasyon:Baidu
• Tarih: 2022-04-02
• Arxiv:https://arxiv.org/abs/2203.16250
• GitHub:https://github.com/PaddlePaddle/PaddleDetection/
• Dokümanlar: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 entegre eder. Bu, modelin aşırı hesaplama maliyetlerine maruz kalmadan zengin özellik temsillerini yakalamasını sağlar. Boyun, etkili çok ölçekli özellik füzyonu için bir Yol Toplama Ağı (PAN) kullanır ve küçük nesnelerin daha yüksek güvenilirlikle tespit edilmesini sağlar.

Öne çıkan özelliklerden biri de Verimli Görev Hizalamalı Başlıktır (ET-Head). Geleneksel birleştirilmiş kafaların aksine ET-Kafa, en iyi çapaları zemin gerçeği nesneleriyle dinamik olarak hizalamak için TAL'i kullanarak sınıflandırma ve yerelleştirme görevlerini birbirinden ayırır. Bu yaklaşım, yakınsama hızını ve nihai doğruluğu önemli ölçüde artırır.

PP-YOLOE+ hakkında daha fazla bilgi edinin

EfficientDet: Ölçeklenebilir Verimlilik

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

• Yazarlar: Mingxing Tan, Ruoming Pang ve Quoc V. Le
• Organizasyon:Google
• Tarih: 2019-11-20
• Arxiv:https://arxiv.org/abs/1911.09070
• GitHub:https://github.com/google/automl/tree/master/efficientdet
• Dokümanlar:https://github.com/google/automl/tree/master/efficientdet#readme

Temel Mimari Özellikler

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

EfficientDet hakkında daha fazla bilgi edinin

Performans Analizi: Hız - Doğruluk Karşılaştırması

Bu modeller değerlendirilirken, çıkarım hızı ile Ortalama HassasiyetmAP) 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 donanıma duyarlı 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, T4 GPU 'da 10 kat daha hızlıdır (8,36 ms'ye karşı 89,29 ms). EfficientDet, FLOP 'ların çok düşük güçlü mobil CPU'lar gibi birincil kısıtlama olduğu senaryolarda geçerliliğini korumaktadır, ancak yüksek verimli sunucu ortamlarında rekabet etmekte zorlanmaktadır.

Güçlü ve Zayıf Yönler

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

PP-YOLOE+

• Güçlü Yönler:
  • Yüksek Doğruluk-Hız Oranı: GPU'larda gerçek zamanlı çıkarım yetenekleri ile son teknoloji mAP sunar.
  • Çapasız: Karmaşık çapa kutusu ayarlama ihtiyacını ortadan kaldırarak eğitim kurulumunu basitleştirir.
  • Dinamik Etiket Atama: Sınıflandırma ve yerelleştirme arasında daha iyi hizalama için TAL kullanır.
• Zayıflıklar:
  • Ekosistem Özgüllüğü: PyTorch'a alışkın kullanıcılar için bir öğrenme eğrisi sunabilecek olan PaddlePaddle çerçevesi için yoğun bir şekilde optimize edilmiştir.
  • Kaynak Yoğunluğu: Daha büyük varyantlar (L ve X) önemli ölçüde bellek gerektirir, bu da katı RAM sınırlarına sahip uç cihazlarda dağıtımı potansiyel olarak sınırlandırır.

EfficientDet

• Güçlü Yönler:
  • Parametre Verimliliği: Eski dedektörlere kıyasla nispeten daha az parametre ile yüksek doğruluk elde edilmesi.
  • Ölçeklenebilirlik: Bileşik ölçeklendirme yöntemi, kullanıcıların mevcut hesaplamaya göre model boyutları (d0-d7) arasında kolayca geçiş yapmasına olanak tanır.
  • BiFPN: Çeşitli ölçeklerdeki nesneleri verimli bir şekilde işleyen yenilikçi özellik füzyonu.
• Zayıflıklar:
  • Yavaş Çıkarım: Düşük FLOP sayılarına rağmen, karmaşık grafik yapısı 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 üstünlük sağlar.

• 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 tespitine olanak tanır.

• Akıllı Perakende ve Envanter: Otomatik ödeme veya raf izleme gibi perakende analitikleri için PP-YOLOE+'nun doğruluğu, ürünlerin karmaşık ortamlarda bile doğru şekilde tanımlanmasını sağlar.

• Uzaktan Algılama ve Hava Görüntüleri: EfficientDet'in daha yüksek çözünürlüklere (örn. D7) kadar ölçeklendirme yeteneği, işlem hızının büyük görüntülerdeki küçük özellikleri tespit etmekten daha az kritik olduğu yüksek çözünürlüklü uydu veya drone görüntülerini analiz etmek için kullanışlıdır.

• Düşük Güçlü Uç Aygıtlar: Daha küçük EfficientDet varyantları (D0-D1) bazen toplam FLOP'ların zor sınır olduğu ve GPU hızlandırmasının kullanılamadığı eski uç yapay zeka donanımları için 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

YOLO11 Neden Öne Çıkıyor?

1. Kullanım Kolaylığı: Ultralytics modelleri "kullanıma hazır" kullanılabilirlikleriyle 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 Korunan Ekosistem: Ultralytics topluluğu aktiftir ve büyümektedir. Düzenli güncellemeler PyTorch, ONNX ve CUDA'nın en son sürümleriyle uyumluluk sağlayarak uzun vadeli projeler için istikrarlı bir temel sağlar.
3. Performans Dengesi: YOLO11 , doğruluğu eşleştirirken veya aşarken hızda PP-YOLOE + 'yı aşarak dikkate değer bir denge sağlar. Donanımdan bağımsız olacak şekilde tasarlanmıştır ve CPU'larda, GPU'larda ve NPU'larda olağanüstü iyi performans gösterir.
4. Bellek Verimliliği: Transformatör tabanlı modeller veya eski mimarilerle karşılaştırıldığında, Ultralytics YOLO modelleri eğitim sırasında daha düşük bellek tüketimi için optimize edilmiştir. Bu, daha büyük parti boyutlarına ve standart donanımda daha hızlı yakınsamaya olanak tanır.
5. Çok yönlülük: Öncelikle bir nesne algılayıcı olan EfficientDet'in aksine, YOLO11 örnek segmentasyonu, poz tahmini, yönlendirilmiş nesne algılama (OBB) ve tek bir birleşik çerçeve içinde sınıflandırma dahil olmak üzere çok çeşitli görevleri destekler.
6. Eğitim Verimliliği: Gelişmiş güçlendirmeler ve optimize edilmiş veri yükleyicileri ile YOLO11 modelinin eğitimi hızlı ve verimlidir. Kapsamlı önceden eğitilmiş ağırlıklar mevcuttur ve minimum veri ile güçlü transfer öğrenme sonuçları sağlar.

Örnek: Python'da YOLO11 Çalıştırma

Önceden eğitilmiş bir YOLO11 modelini yüklemek ve çıkarımı çalıştırmak için yalnızca birkaç satır kod gerekir, 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 bilgisayarla görme alanına önemli katkılarda bulunmuştur. PP-YOLOE+, yüksek GPU verimi gerektiren Baidu ekosistemine derinlemesine entegre olmuş kullanıcılar için güçlü bir rakiptir. EfficientDet, parametre verimliliği ve ölçeklenebilir tasarımın klasik bir örneği olmaya devam etmektedir.

Ancak, çok yönlü, yüksek performanslı ve geliştirici dostu bir çözüm arayanlar için, Ultralytics YOLO11 önerilen seçimdir. Üstün doğruluk, gerçek zamanlı hız ve destekleyici bir ekosistemin birleşimi, onu yeni nesil yapay zeka uygulamaları oluşturmak için ideal bir platform haline getiriyor.

Daha fazla karşılaştırma için YOLO11 ile EfficientDet veya PP-YOLOE+ ile YOLOv10 'u inceleyerek bu modellerin diğer son teknoloji mimariler karşısında nasıl durduğunu görebilirsiniz.

Yorumlar