PP-YOLOE+ ve EfficientDet: Kapsamlı Bir Teknik Karşılaştırma
Doğru mimariyi seçmek, sağlam bilgisayar görüşü uygulamaları oluşturmada kritik bir adımdır. Bu teknik kılavuz, iki iyi bilinen nesne detect modelinin, PP-YOLOE+ ve EfficientDet'in avantaj ve dezavantajlarını inceler. Mimarlarını ayrıntılı olarak inceleyecek, performans metriklerini analiz edecek ve ideal dağıtım senaryolarını keşfedeceğiz.
Her iki model de alana önemli katkılar sağlamış olsa da, Ultralytics YOLO26 gibi modern alternatiflerin nasıl çok daha üstün bellek verimliliği, daha hızlı çıkarım ve oldukça kolaylaştırılmış bir geliştirici deneyimi sunduğunu da tartışacağız.
Mimariye Genel Bakış: PP-YOLOE+
PP-YOLOE+, orijinal PP-YOLO'nun geliştirilmiş bir versiyonudur ve özellikle PaddlePaddle ekosistemi içinde sunucu tarafı GPU'larda performansı optimize etmek için inşa edilmiştir. Temel mimariye, anchor-free bir paradigmaya odaklanarak çeşitli iyileştirmeler getirir.
- Yazarlar: PaddlePaddle Yazarları
- Kuruluş:Baidu
- Tarih: 2022-04-02
- Arxiv:2203.16250
- Belgeler:PaddleDetection README
PP-YOLOE+ hakkında daha fazla bilgi edinin
PP-YOLOE+, bir CSPRepResNet backbone, bir Efficient Task-aligned head (ET-head) içerir ve sınıflandırma için varifocal loss'a ek olarak sınırlayıcı kutu regresyonu için distribution focal loss'a büyük ölçüde güvenir. Anchor-free detectör tasarımına geçişi, son işlem hattını kolaylaştırmaya yardımcı olarak piyasaya sürüldüğü dönemde oldukça rekabetçi olmasını sağlamıştır.
Entegrasyon Faydaları
Baidu'nun PaddlePaddle çerçevesine zaten derinlemesine yatırım yapmış ekipler, örnek segmentasyon gibi görevler için PP-YOLOE+'yı benimsemeyi genellikle daha kolay bulur, ancak yeni araçlarda görülen geniş çoklu çerçeve desteğinden yoksundur.
Mimariye Genel Bakış: EfficientDet
EfficientDet, nesne detect konusunda kökten farklı bir yaklaşım benimser ve sinirsel mimari arama ve bileşik ölçekleme prensiplerine büyük ölçüde 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 edinin
EfficientDet'in temel taşı, Çift Yönlü Özellik Piramit Ağı (BiFPN)'dır. Geleneksel FPN'lerin aksine, BiFPN, farklı giriş özelliklerinin önemini öğrenmek için öğrenilebilir ağırlıklar tanıtarak kolay ve hızlı çok ölçekli özellik füzyonuna olanak tanır. Bir EfficientNet backbone ile birleştiğinde, EfficientDet ağ genişliğini, derinliğini ve çözünürlüğünü sistematik olarak eş zamanlı olarak ölçeklendirir.
FLOPs açısından teorik olarak oldukça verimli olsalar da, EfficientDet modelleri karmaşık bellek erişim modelleri nedeniyle teorik verimliliği kenar cihazlarda gerçek dünya hızına dönüştürmekte bazen zorlanabilirler; bu durum, YOLO tabanlı modellerin daha düşük bellek gereksinimleriyle keskin bir tezat oluşturur.
Performans Analizi ve Kıyaslamalar
Aşağıdaki tablo, standart COCO gibi veri kümelerindeki temel metrikleri karşılaştırmaktadır. Ortalama Hassasiyet (mAP) ile çıkarım hızını karşılaştırmak, Pareto sınırının net bir resmini sunar.
| Model | boyut (piksel) | mAPval 50-95 | Hız CPU ONNX (ms) | Hız T4 TensorRT10 (ms) | parametreler (M) | FLOP'lar (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+ genellikle üst düzey GPU'lar için ham mAP'ta daha iyi ölçeklenirken, EfficientDet parametreleri minimize etmeye çalışır. Ancak her ikisi de, son teknoloji kenar yapay zekası için gereken modern gerçek zamanlı yeteneklerin gerisinde kalmaktadır.
Kullanım Durumları ve Öneriler
PP-YOLOE+ ve EfficientDet arasında seçim yapmak, projenizin özel gereksinimlerine, dağıtım kısıtlamalarına ve ekosistem tercihlerinize bağlıdır.
Ne Zaman PP-YOLOE+ Seçmeli
PP-YOLOE+ için güçlü bir seçenektir:
- PaddlePaddle Ekosistem Entegrasyonu: Baidu'nun PaddlePaddle çerçevesi ve araçları üzerine kurulu mevcut altyapıya sahip kuruluşlar.
- Paddle Lite Kenar Dağıtımı: Özellikle Paddle Lite veya Paddle çıkarım motoru için yüksek düzeyde optimize edilmiş çıkarım çekirdeklerine sahip donanımlara dağıtım.
- Yüksek Doğruluklu Sunucu Taraflı Algılama: Çerçeve bağımlılığının sorun olmadığı güçlü GPU sunucularında maksimum algılama doğruluğunu önceliklendiren senaryolar.
Ne Zaman EfficientDet Seçmeli
EfficientDet şunlar için önerilir:
- Google Cloud ve TPU İş Akışları: EfficientDet'in yerel optimizasyona sahip olduğu Google Cloud Vision API'leri veya TPU altyapısı ile derinlemesine entegre sistemler.
- Bileşik Ölçekleme Araştırması: Dengeli ağ derinliği, genişliği ve çözünürlük ölçeklemesinin etkilerini incelemeye odaklanan akademik kıyaslama.
- TFLite aracılığıyla Mobil Dağıtım: Android veya gömülü Linux cihazları için özellikle 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 Dağıtım: Non-Maximum Suppression (NMS) son işlem karmaşıklığı olmadan tutarlı, düşük gecikmeli çıkarım gerektiren uygulamalar.
- Yalnızca CPU Ortamları: Özel GPU hızlandırması olmayan cihazlarda, YOLO26'nın %43'e kadar daha hızlı CPU çıkarımı belirleyici bir avantaj sağlar.
- Küçük Nesne Algılama: ProgLoss ve STAL'ın küçük nesneler üzerindeki doğruluğu önemli ölçüde artırdığı hava drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolar.
Modern Alternatif: Ultralytics YOLO26
PP-YOLOE+ ve EfficientDet önemli tarihi kilometre taşlarını temsil etse de, en son doğruluk, daha düşük bellek tüketimi ve kolaylaştırılmış bir kullanıcı deneyimi arayan geliştiriciler Ultralytics YOLO26'ya yönelmelidir.
YOLO26, nesne algılamada büyük bir ilerlemeyi temsil etmekte ve birkaç kritik yenilik sunmaktadır:
- Uçtan Uca NMS-Free Tasarım: YOLOv10'un çığır açan yenilikleri üzerine inşa edilen YOLO26, çıkarım sırasında Non-Maximum Suppression (NMS) işlemini doğal olarak ortadan kaldırır. Bu, önemli ölçüde daha düşük gecikme süresi sağlar ve karmaşık son işleme darboğazlarını ortadan kaldırır.
- MuSGD Optimizatörü: LLM eğitim yeniliklerinden esinlenen YOLO26, hibrit bir SGD ve Muon optimizatörü kullanır. Bu, eğitim kararlılığını büyük ölçüde artırır ve yakınsama süresini azaltır.
- Olağanüstü Hız: YOLO26, YOLO11 gibi eski nesillere kıyasla %43'e kadar daha hızlı CPU çıkarımı sunarak, pille çalışan veya yalnızca CPU'ya sahip kenar cihazlar için kesinlikle en iyi seçimdir.
- Gelişmiş Kayıp Fonksiyonları: ProgLoss ve STAL entegrasyonu, drone analizi ve robotik gibi görevler için kritik öneme sahip küçük nesne tanımayı büyük ölçüde geliştirir.
Çoklu Görev Çok Yönlülüğü
Yalnızca detect'e odaklanan EfficientDet'in aksine, YOLO26 poz tahmini, görüntü sınıflandırma ve yönlendirilmiş sınırlayıcı kutuları (obb) aynı iyi yönetilen ekosistem içinde doğal olarak ele alır.
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 eşsiz bir geliştirici deneyimi sunar.
Ultralytics ile bir model dağıtmak yalnızca birkaç satır kod gerektirir; bu, eski çerçevelerin gerektirdiği ayrıntılı yapılandırmalarla 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 ekosistemi içinde mevcuttur ve sorunsuz takas ve test imkanı sunar.
Sonuç
PP-YOLOE+, Paddle ekosistemi içindeki belirli sunucu dağıtımları için güçlü bir seçenek olmaya devam ederken, EfficientDet otomatik mimari tasarımında ilginç bir çalışma olmaya devam etmektedir. Ancak, gerçek zamanlı çıkarım, kolay dağıtım ve minimum bellek gereksinimleri talep eden modern uygulamalar için, Ultralytics YOLO26 en cazip performans dengesini sunar. Doğal olarak NMS-free tasarımı ve yıldırım hızındaki CPU performansı, yapay zeka altyapınızı geleceğe hazırlamak için kesin bir seçim olmasını sağlar.