RTDETRv2 ile EfficientDet karşılaştırması#

En uygun sinir ağı mimarisini seçmek, herhangi bir computer vision projesi için belirleyici bir karardır. Bu kapsamlı teknik karşılaştırma, etkili iki nesne tespiti modelini incelemektedir: son teknoloji transformer tabanlı bir dedektör olan RTDETRv2 ve son derece ölçeklenebilir bir evrişimli sinir ağı olan EfficientDet. Yapay zeka boru hatların için veriye dayalı kararlar almana yardımcı olmak amacıyla farklı mimarilerini, performance metrics unsurlarını, eğitim metodolojilerini ve ideal dağıtım senaryolarını değerlendireceğiz.

RTDETRv2: Gerçek Zamanlı Tespit Transformer'ı#

Orijinal RT-DETR modelinin başarısı üzerine inşa edilen RTDETRv2, transformer tabanlı object detection paradigmasını iyileştirir. Kodlayıcı ve kod çözücü yapılarını optimize ederek gerçek zamanlı çıkarım hızlarını korurken yüksek doğruluk sunar ve böylece geleneksel CNN'ler ile vizyon transformer'ları arasındaki boşluğu etkili bir şekilde kapatır.

Model Detayları Yazarlar: Wenyu Lv, Yian Zhao, Qinyao Chang, Kui Huang, Guanzhong Wang ve Yi Liu
Kuruluş: Baidu Tarih: 24.07.2024 Bağlantılar: Arxiv, GitHub, Docs

Mimari ve Temel Güçlü Yönler#

RTDETRv2, güçlü bir CNN omurgasını (genellikle ResNet veya HGNet) verimli bir transformer kod çözücüyle eşleştiren melez bir mimari kullanır. RTDETRv2 modelinin en belirgin özelliği, maksimum olmayan bastırma (NMS) adımını atlama yeteneğidir. Geleneksel dedektörler, yinelenen sınırlayıcı kutuları filtrelemek için NMS'ye ihtiyaç duyar ve bu da son işlem sırasında değişken bir inference latency ekler. RTDETRv2, tespiti doğrudan bir küme tahmin problemi olarak formüle eder ve benzersiz tahminler üretmek için iki uçlu eşleştirmeyi (bipartite matching) kullanır.

Bu model, GPU belleğinin bol olduğu sunucu tarafı dağıtımlarında öne çıkar. Küresel dikkat mekanizması istisnai bir bağlam farkındalığı sağlayarak otomatik security alarm systems veya yoğun kalabalık izleme gibi karmaşık ve kalabalık ortamlardaki üst üste binen nesneleri birbirinden ayırmada son derece başarılı olmasını sağlar.

Sınırlamalar#

Güçlü olmasına rağmen transformer mimarileri, standart CNN'lere kıyasla eğitim sırasında doğası gereği daha fazla CUDA belleği gerektirir. Dahası, RTDETRv2 modelini ince ayardan geçirmek daha uzun training data yakınsama süreleri gerektirebilir ve bu da hızlı prototiplemeyi biraz daha kaynak yoğun hale getirir.

RTDETRv2 hakkında daha fazla bilgi edin

EfficientDet: Ölçeklenebilir ve Verimli CNN'ler#

EfficientDet, geniş bir kaynak kısıtlaması yelpazesinde hem doğruluk hem de verimlilik için optimize edilmiş bir nesne tespiti modeli ailesi sunmuştur. Ölçeklenebilir machine vision tasarımının klasik bir örneği olmaya devam etmektedir.

Model Detayları Yazarlar: Mingxing Tan, Ruoming Pang ve Quoc V. Le
Kuruluş: Google
Tarih: 20.11.2019
Bağlantılar: Arxiv, GitHub, Docs

Mimari ve Temel Güçlü Yönler#

EfficientDet modelinin arkasındaki yenilik iki temel alanda yatar: Çift Yönlü Özellik Piramidi Ağı (BiFPN) ve bileşik ölçeklendirme yöntemi. BiFPN, farklı girdi özelliklerinin önemini öğrenmek için öğrenilebilir ağırlıklar sunarken yukarıdan aşağıya ve aşağıdan yukarıya çok ölçekli özellik birleştirmesini defalarca uygulayarak basit ve hızlı çok ölçekli feature extraction işlemini mümkün kılar. Bileşik ölçeklendirme yöntemi ise ağın çözünürlüğünü, derinliğini ve genişliğini aynı anda tekdüze bir şekilde ölçeklendirir.

EfficientDet modelleri, ultra hafif D0'dan devasa D7'ye kadar çeşitlilik gösterir. Bu durum onları, geliştiricilerin kısıtlı hesaplama bütçelerini doğruluk gereksinimleriyle dengelemesi gereken erken dönem mobil artırılmış gerçeklik uygulamaları gibi uç yapay zeka dağıtımları için son derece çok yönlü kılar.

Sınırlamalar#

EfficientDet, çapa kutularına ve geleneksel NMS son işlem boru hatlarına büyük ölçüde güvenen eski bir mimaridir. Çapa oluşturma süreci dikkatli bir hyperparameter tuning gerektirir ve NMS adımı, bir Raspberry Pi gibi gömülü donanımlarda dağıtımı darboğaza sokabilir. Ayrıca pose estimation veya oriented bounding boxes (OBB) gibi modern görevler için yerel destekten yoksundur.

EfficientDet hakkında daha fazla bilgi edinin

Performans ve Metrik Karşılaştırması#

Bu modeller arasındaki kesin ödünleşimleri anlamak, verimlerinin ve parametre verimliliklerinin analiz edilmesini gerektirir. Aşağıdaki tablo, modern RTDETRv2 serisinin ölçeklenebilir EfficientDet ailesiyle nasıl karşılaştırıldığını özetlemektedir.

Yukarıda görüldüğü gibi RTDETRv2, orta kademe EfficientDet modelleriyle karşılaştırılabilir parametre sayı रोज़unda önemli ölçüde daha yüksek bir mean Average Precision (mAP) elde eder ve doğruluğu artırmak için transformer mimarisinden yoğun bir şekilde yararlanır.

Kullanım Durumları ve Öneriler#

RT-DETR ile EfficientDet arasında seçim yapmak, proje gereksinimlerine, dağıtım kısıtlamalarına ve ekosistem tercihlerine bağlıdır.

RT-DETR Ne Zaman Seçilmeli#

RT-DETR şunlar için güçlü bir seçimdir:

• Transformer Tabanlı Algılama Araştırması: NMS olmadan uçtan uca nesne algılama için dikkat mekanizmalarını ve transformer mimarilerini keşfeden projeler.
• Esnek Gecikmeli Yüksek Doğruluklu Senaryolar: Algılama doğruluğunun en önemli öncelik olduğu ve biraz daha yüksek çıkarım gecikmesinin kabul edilebilir olduğu uygulamalar.
• Büyük Nesne Algılama: Transformer'ların küresel dikkat mekanizmasının doğal bir avantaj sağladığı, ağırlıklı olarak orta-büyük nesnelerin olduğu sahneler.

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.

Ultralytics Alternatifi: Teknolojide Gelinen Son Nokta#

Hem RTDETRv2 hem de EfficientDet güçlü yönlere sahip olsa da modern yapay zeka geliştirme süreçleri; en son teknoloji performansın yanı sıra kusursuz bir developer experience sunan çerçeveler gerektirir. Ultralytics ecosystem, bilgisayarlı görü görevleri için çok daha akıcı bir yaklaşım sağlar.

En son teknoloji tespiti inceliyorsan, yeni yayınlanan Ultralytics YOLO26 hem CNN'lerin hem de transformer'ların en iyi yönlerini birleştirir.

Ultralytics Python package tarafından sağlanan kullanım kolaylığı benzersizdir. Geliştiriciler; araştırma depolarının genellikle gerektirdiği kalıp kodları ortadan kaldıran sezgisel bir API kullanarak modelleri eğitebilir, doğrulayabilir ve export models yapabilir.

from ultralytics import RTDETR

# Load a pre-trained RTDETRv2 model from the Ultralytics ecosystem
model = RTDETR("rtdetr-l.pt")

# Train the model on the COCO8 dataset
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Export for optimized inference on TensorRT
model.export(format="engine")

Ultralytics modelleri; instance segmentation ve image classification dahil olmak üzere birden fazla görevi yerel olarak destekleyerek çeşitli endüstri ihtiyaçları için çok yönlü bir araç seti sağlar. Ayrıca modern Ultralytics modellerinde Dağılımsal Odak Kaybı'nın (DFL) kaldırılması, hesaplama grafiğini basitleştirerek gömülü NPUs and TPUs cihazlarına daha sorunsuz dışa aktarmayı garanti eder.

Sorunsuz bir data annotation ve model yönetimi için Ultralytics Platform, tüm makine öğrenimi yaşam döngüsünü denetlemek amacıyla kapsamlı bir bulut ortamı sağlar ve bu da onu prodüksiyonda sağlam bilgisayarlı görü çözümleri dağıtmak için bir numaralı seçenek haline getirir.