RTDETRv2 vs. EfficientDet: Kapsamlı Bir Teknik Karşılaştırma

Bilgisayarla görmenin gelişen ortamında, doğru nesne algılama mimarisini seçmek proje başarısı için çok önemlidir. Bu karşılaştırma, gerçek zamanlı performans için tasarlanmış son teknoloji transformatör tabanlı bir model olan RTDETRv2'yi ve verimlilik için optimize edilmiş ölçeklenebilir bir evrişimsel sinir ağları (CNN'ler) ailesi olan EfficientDet'i inceliyor. Geliştiricilerin bilinçli kararlar vermelerine yardımcı olmak için mimari yeniliklerini, performans ölçümlerini ve ideal dağıtım senaryolarını analiz ediyoruz.

Model Genel Bakışları

Bu iki model arasındaki seçim genellikle hedef donanımın özel kısıtlamalarına ve uygulamanın doğruluk gereksinimlerine bağlıdır.

RTDETRv2

RTDETRv2 (Gerçek Zamanlı Algılama Dönüştürücüsü v2), dönüştürücü mimarilerinin gerçek zamanlı nesne algılamaya uygulanmasında önemli bir adımı temsil etmektedir. Baidu'daki araştırmacılar tarafından geliştirilen bu uygulama, orijinal RT-DETRGPU donanımında rekabetçi çıkarım hızları ile son teknoloji doğruluk elde etmek için hibrit kodlayıcı ve sorgu seçim mekanizmalarını optimize etmek.

Yazarlar: Wenyu Lv, Yian Zhao, Qinyao Chang, Kui Huang, Guanzhong Wang ve Yi Liu
Organizasyon:Baidu
Tarih: 2023-04-17
Arxiv:RT-DETR: DETR'ler Gerçek Zamanlı Nesne Tespitinde YOLO'ları Geçti
GitHub:RT-DETR Deposu
Dokümanlar:RT-DETRv2 Dokümantasyonu

RTDETR hakkında daha fazla bilgi edinin

EfficientDet

Google Brain tarafından geliştirilen EfficientDet, model boyutlarını ölçeklendirmek için sistematik bir yol sunarak piyasaya sürüldüğünde bu alanda devrim yarattı. EfficientNet backbone ağırlıklı bir Çift Yönlü Özellik Piramidi Ağı (BiFPN) ile birleştirerek, doğruluk için hesaplama maliyetini dengeleyen bir model yelpazesi (D0-D7) sunar ve çeşitli kaynak kısıtlamaları için çok yönlü hale getirir.

Yazarlar: Mingxing Tan, Ruoming Pang ve Quoc V. Le
Organizasyon:Google Araştırma
Tarih: 2019-11-20
Arxiv:EfficientDet: Ölçeklenebilir ve Verimli Nesne Algılama
GitHub:AutoML Deposu
Dokümanlar:EfficientDet Benioku

EfficientDet hakkında daha fazla bilgi edinin

Mimari Analiz

Temel fark, çekirdek yapı taşlarında yatmaktadır: biri transformatörlerin küresel bağlamından yararlanırken, diğeri konvolüsyonların verimliliğini geliştirmektedir.

RTDETRv2: Transformatör Gücü

RTDETRv2, çok ölçekli özellikleri verimli bir şekilde işleyen hibrit bir kodlayıcı kullanır. Geleneksel CNN'lerin aksine, dikkati bir görüntünün en alakalı kısımlarına odaklamak için IoU bir sorgu seçim mekanizması kullanır. Bu, modelin oklüzyon ve değişen nesne ölçekleri ile karmaşık sahneleri etkili bir şekilde ele almasını sağlar. Mimari, ölçek içi etkileşimi ve ölçekler arası füzyonu birbirinden ayırarak tipik olarak Görme Dönüştürücüleri (ViT'ler) ile ilişkili hesaplama ek yükünü azaltır.

Transformatör Avantajları

RTDETRv2'deki dikkat mekanizması, küresel alıcı alanlara izin vererek modelin bir sahnedeki uzak nesneler arasındaki ilişkileri tipik CNN'lerden daha iyi anlamasını sağlar.

EfficientDet: Ölçeklenebilir Verimlilik

EfficientDet, EfficientNet backbone üzerine inşa edilmiştir ve BiFPN'i tanıtmaktadır. BiFPN, farklı girdi özelliklerinin önemini öğrenerek kolay ve hızlı çok ölçekli özellik füzyonu sağlar. Ayrıca EfficientDet, ağın çözünürlüğünü, derinliğini ve genişliğini eşit şekilde ölçeklendiren bir bileşik ölçeklendirme yöntemi kullanır. Bu, modelin mobil uygulamalar için hafif D0'dan yüksek doğruluklu sunucu görevleri için ağır D7'ye kadar uyarlanabilmesini sağlar.

Performans Karşılaştırması

Performans kıyaslamaları, tasarım felsefesindeki net bir ayrımı vurgulamaktadır. RTDETRv2 güçlü donanımlarda en yüksek doğruluğu hedeflerken, EfficientDet ayrıntılı bir verimlilik derecesi sunar.

Model	boyut ^(piksel)	mAP^val 50-95	Hız ^{CPU ONNX (ms)}	Hız ^{T4 TensorRT10 (ms)}	parametreler ^(M)	FLOP'lar ^(B)
RTDETRv2-s	640	48.1	-	5.03	20	60
RTDETRv2-m	640	51.9	-	7.51	36	100
RTDETRv2-l	640	53.4	-	9.76	42	136
RTDETRv2-x	640	54.3	-	15.03	76	259

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

Tabloda belirtildiği gibi, RTDETRv2-x 54,3'lük üstün bir mAP elde ederek en büyük EfficientDet-d7'den (53,7 mAP) bile daha iyi performans gösterirken TensorRT 'de önemli ölçüde daha hızlıdır (15,03 ms'ye karşı 128,07 ms). Bununla birlikte, son derece kısıtlı ortamlar için EfficientDet-d0, minimum parametreler (3,9M) ve FLOP'lar ile inanılmaz derecede hafif bir seçenek olmaya devam etmektedir.

Güçlü ve Zayıf Yönler

RTDETRv2 Güçlü Yönler:

Yüksek Doğruluk: Özellikle zorlu COCO veri setinde üst düzey algılama performansı sunar.
GPU Optimizasyonu: Mimari son derece paralelleştirilebilirdir, bu da onu aşağıdakiler için ideal kılar TensorRTNVIDIA GPU'larda dağıtım.
Ankrajsız: Ankraj kutusu ayarlama ihtiyacını ortadan kaldırarak eğitim hattını basitleştirir.

EfficientDet Güçlü Yönler:

Ölçeklenebilirlik: D0-D7 aralığı, model boyutunun donanım yetenekleriyle hassas bir şekilde eşleştirilmesine olanak tanır.
Düşük Hesaplama: Daha küçük varyantlar (D0-D2) CPU çıkarımı veya mobil uç cihazlar için mükemmeldir.
Yerleşik: Çeşitli dönüştürme araçlarında yaygın desteğe sahip olgun mimari.

Zayıflıklar:

RTDETRv2: Eğitim için önemli miktarda CUDA belleği gerektirir ve dönüştürücü işlemleri nedeniyle CPU'larda genellikle daha yavaştır.
EfficientDet: Modern dedektörlere kıyasla yüksek doğruluk ucunda (D7) daha yüksek gecikme; eğitimin yakınsaması daha yavaş olabilir.

İdeal Kullanım Senaryoları

Doğru modelin seçilmesi büyük ölçüde özel uygulama ortamına bağlıdır.

Güçlü bir GPU 'nun mevcut olduğu üst düzey gözetim, otonom sürüş veya endüstriyel denetim sistemleri için RTDETRv2'yi seçin. İnce ayrıntıları ayırt etme yeteneği, tıbbi üretimde hapları tespit etme veya karmaşık uydu görüntülerini analiz etme gibi görevler için uygun hale getirir.
Pille çalışan IoT cihazları, mobil uygulamalar veya farklı donanım seviyelerinde geniş uyumluluk gerektiren senaryolar için EfficientDet'i seçin. Maliyet ve güç tüketiminin birincil kaygılar olduğu akıllı perakende envanter tarayıcılarına veya temel güvenlik alarm sistemlerine iyi uyum sağlar.

Ultralytics YOLO Avantajı

RTDETRv2 ve EfficientDet'in her ikisinin de kendine göre avantajları vardır, Ultralytics YOLO11 geliştirici dostu bir ekosisteme sarılmış en iyi özelliklerinin çekici bir sentezini sunuyor.

Geliştiriciler Neden Ultralytics'i Tercih Ediyor?

Ultralytics modelleri sadece kıyaslamalar için değil, gerçek dünyada kullanılabilirlik için tasarlanmıştır.

Kullanım Kolaylığı: Ultralytics Python API ve CLI eğitim ve dağıtımın karmaşıklığını büyük ölçüde azaltır. Kullanıcılar kurulumdan özel bir veri kümesi üzerinde eğitime dakikalar içinde geçebilir.
Bakımlı Ekosistem: Gelişen bir topluluk ve sık güncellemelerle desteklenen Ultralytics çerçevesi, aşağıdaki gibi MLOps araçlarıyla sorunsuz bir şekilde entegre olur Weights & Biases, MLFlow ve veri yönetimi için Ultralytics HUB.
Performans Dengesi: YOLO11 , en gelişmiş hız/doğruluk dengelerini sağlar. CNN'lerin çıkarım hızı özelliğini korurken RTDETRv2 gibi dönüştürücü modellerin doğruluğuna genellikle uyar veya aşar.
Bellek Verimliliği: Transformatör tabanlı eğitimin ağır bellek gereksinimlerinin aksine, YOLO modelleri verimli GPU kullanımı için optimize edilmiştir ve tüketici sınıfı donanımlarda daha büyük parti boyutlarına izin verir.
Çok yönlülük: Tek bir çerçeve Nesne Algılama, Örnek Segmentasyonu, Poz Tahmini, Sınıflandırma ve Yönlendirilmiş Nesne Algılamayı (OBB) destekler.

Eğitim Verimliliği

Ultralytics , Transfer Öğrenimini kolaylaştıran ve eğitim süresini önemli ölçüde azaltan önceden eğitilmiş ağırlıklar sağlar. İşte bir YOLO11 modelini eğitmeye başlamanın ne kadar basit olduğu:

from ultralytics import YOLO

# Load a pre-trained YOLO11 model
model = YOLO("yolo11n.pt")

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

Basitleştirilmiş Dağıtım

Ultralytics modelleri tek bir komutla ONNX, TensorRT, CoreML ve OpenVINO gibi çok sayıda formata aktarılabilir ve araştırmadan üretime giden yolu kolaylaştırır. Dışa aktarma modları hakkında daha fazla bilgi edinin.

Sonuç

RTDETRv2 ile EfficientDet karşılaştırmasında kazanan, kısıtlamalarınıza bağlıdır. RTDETRv2, yüksek doğruluklu, GPU ortamlarda üstünlük sağlayarak dönüştürücülerin hızlı olabileceğini kanıtlıyor. EfficientDet, son derece kısıtlı, düşük güçlü uç senaryoları için sağlam bir seçim olmaya devam ediyor.

Ancak , çok yönlü, kullanımı kolay ve yüksek performanslı bir çözüm arayan geliştiricilerin çoğunluğu için, Ultralytics YOLO11 öne çıkmaktadır. Üstün bellek verimliliği ve eğitim hızı ile birlikte tek ve uyumlu bir ekosistem içinde birden fazla görüntü görevini yerine getirme yeteneği, onu modern bilgisayarla görüntü uygulamaları için en uygun seçim haline getiriyor.

Diğer Karşılaştırmaları İnceleyin

Mevcut nesne algılama modelleri hakkındaki anlayışınızı genişletmek için bu ilgili karşılaştırmaları incelemeyi düşünün: