YOLO11 EfficientDet: Görme Mimarilerinin Teknik Karşılaştırması

Hızla gelişen bilgisayar görme alanında, doğru nesne algılama modelini seçmek projenin başarısı için çok önemlidir. Bu karşılaştırma, Ultralytics YOLO11, 2024'ün sonlarında piyasaya sürülen son teknoloji gerçek zamanlı algılayıcı, ve Google , 2019'da bu alana bileşik ölçeklemeyi getiren, oldukça etkili bir mimari.

EfficientDet piyasaya sürüldüğünde parametre verimliliği konusunda yeni standartlar belirlerken, YOLO11 modern uç yapay zeka ve bulut uygulamaları için çıkarım hızını, doğruluğu ve kullanılabilirliği en üst düzeye çıkarmaya odaklanan yıllarca süren yeniliklerin YOLO11 .

Performans Metrikleri ve Analizi

Aşağıdaki tablo, COCO performans ölçütlerinin doğrudan karşılaştırmasını sunmaktadır. Temel ölçütler arasında doğruluk için Ortalama Kesinlik (mAP), farklı donanımlarda çıkarım hızı (gecikme süresi), model boyutu (parametreler) ve hesaplama karmaşıklığı (FLOP) bulunmaktadır.

Temel Çıkarımlar

• Çıkarım Gecikmesi: Ultralytics YOLO11 , gecikme açısından EfficientDet'tenYOLO11 daha üstündür. Örneğin, YOLO11x, T4 GPU 10 kat daha hızlı çalışırken GPU 11,3 ms'ye karşı 128,07 ms), EfficientDet-d7'den (53,7 mAP) daha yüksek doğruluk (54,7 mAP) elde eder.
• Mimari Verimliliği: EfficientDet FLOP'lar (Kayan Nokta İşlemleri) için optimize edilirken, YOLO11 donanım kullanımı için optimize YOLO11 . Bu, AI performans ölçütlerinde önemli bir farkı ortaya koymaktadır: daha düşük FLOP'lar, bellek erişim maliyetleri ve paralellik kısıtlamaları nedeniyle her zaman daha hızlı gerçek dünya çıkarımına dönüşmez.
• Model Ölçeklenebilirliği: YOLO11 daha pratik bir ölçeklendirme eğrisi YOLO11 . "Nano" model (YOLO11n) inanılmaz mAP 39,5 mAP kullanılabilirlik sağlarken, en küçük EfficientDet-d0 34,6 mAP ile geride kalmaktadır.

Ultralytics YOLO11: Mimari ve Özellikler

Ultralytics YOLO11 , YOLO You Only Look Once) ailesinin mirasınıYOLO11 , bilgisayar görüşünün modern çağı için mimariyi geliştirir. backbone ve boyun kısmında önemli değişiklikler getirerek özellik çıkarma ve işleme hızını artırır.

Önemli mimari iyileştirmeler arasında, önceki sürümlerde kullanılan Cross Stage Partial (CSP) darboğazının geliştirilmiş bir versiyonu olan C3k2 bloğu ve C2PSA (Cross Stage Partial Spatial Attention) modülü bulunmaktadır. Bu bileşenler, modelin daha az parametre ile görüntülerdeki karmaşık desenleri ve bağlamı yakalamasına olanak tanır.

• Yazarlar: Glenn Jocher ve Jing Qiu
• Kuruluş:Ultralytics
• Tarih: 2024-09-27
• GitHub:ultralytics/ultralytics
• Belgeler:YOLO11 Dökümantasyonu

YOLO11 hakkında daha fazla bilgi edinin

YOLO11'in güçlü yönleri

1. Birleşik Ekosistem: YOLO11 sadece bir algılama modeli YOLO11 ; örnek segmentasyonu, poz tahmini, OBB ve sınıflandırmayı da destekler.
2. Dağıtım Hazırlığı: Yerleşik dışa aktarma modu ile kullanıcılar, tek bir TFLite modelleri ONNX, TensorRT, CoreML ve TFLite dönüştürebilir ve mobil ve uç cihazlara sorunsuz bir şekilde dağıtımını sağlayabilir.
3. Eğitim Verimliliği: YOLO11 , modern artırma boru hatları ve optimize edilmiş kayıp fonksiyonları kullanarak EfficientDet gibi eski mimarilere göre önemli ölçüde daha hızlı YOLO11 .

Google : Mimari ve Miras

Google ekibi tarafından geliştirilen EfficientDet, nesne algılamaya Bileşik Ölçeklendirme kavramını getirdi. Yazarlar, daha büyük modelleri manuel olarak tasarlamak yerine, ağın çözünürlüğünü, derinliğini ve genişliğini aynı anda ölçeklendirmek için bir yöntem önerdiler.

EfficientDet'in özü, çok ölçekli özelliklerin kolayca birleştirilmesini sağlayan BiFPN (Çift Yönlü Özellik Piramit Ağı)dır. Neural Architecture Search (NAS) kullanılarak tasarlanan EfficientNet backbone kullanır.

• Yazarlar: Mingxing Tan, Ruoming Pang ve Quoc V. Le
• Kuruluş: Google
• Tarih: 2019-11-20
• Arxiv:1911.09070
• GitHub:google/automl

Güçlü Yönler ve Sınırlamalar

• Parametre Verimliliği: EfficientDet, çok az parametre ile yüksek doğruluk elde etmesiyle tarihsel olarak dikkat çekmektedir.
• Teorik Verimlilik: FLOP değeri düşük olmakla birlikte, BiFPN katmanındaki karmaşık bağlantılar, YOLO basit evrişimli yollarına kıyasla GPU'larda bellek yoğunluğu yüksek ve yürütme hızı daha düşük olabilir.
• Sınırlı Çok Yönlülük: Orijinal depo, öncelikle algılama üzerine odaklanmaktadır ve Ultralytics sahip olduğu yerel, çok görevli esneklik (bölümleme, poz, OBB) özelliğinden yoksundur.

Karşılaştırmalı Analiz: Neden Ultralytics Seçmelisiniz?

2025 ve 2026 yıllarında üretim ortamları için bu iki modeli karşılaştırdığımızda, Ultralytics avantajları net bir şekilde ortaya çıkıyor.

Kullanım Kolaylığı ve Geliştirici Deneyimi

Ultralytics , kullanıcı deneyimini Ultralytics . YOLO11 uygulamak için sadece birkaç satır Python YOLO11 , oysa EfficientDet'i kullanmak genellikle karmaşık eski kod tabanları veya TensorFlow gezinmeyi gerektirir.

from ultralytics import YOLO

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

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

# Run inference on an image
results = model("path/to/image.jpg")

İyi Yönetilen Ekosistem

Ultralytics , sık sık yapılan güncellemelerle aktif olarak sürdürülmektedir. GitHub'da gündeme getirilen sorunlar hızla ele alınmakta ve topluluk desteği oldukça kapsamlıdır. Buna karşın, orijinal EfficientDet gibi eski araştırma depoları genellikle seyrek güncellenmekte ve bu da uzun vadeli ticari projelerde bunların sürdürülmesini zorlaştırmaktadır.

Performans Dengesi ve Bellek

YOLO11 , hız ve doğruluk arasında üstün bir denge YOLO11 . YOLO11 mimari seçimler GPU YOLO11 , bu da teorik FLOP sayısı EfficientDet'ten daha yüksek olsa bile daha hızlı duvar saati çıkarım süreleri sağlar. Ayrıca, Ultralytics eğitim sırasında daha düşük bellek kullanımı için optimize edilmiştir, bu da kullanıcıların büyük VRAM gerektiren birçok Transformer tabanlı alternatifin aksine, tüketici sınıfı GPU'larda etkili modeller eğitmelerine olanak tanır.

Görevler Arası Çok Yönlülük

EfficientDet öncelikle bir nesne algılayıcı iken, YOLO11 çeşitli görevler için bir temel görevi YOLO11 . Bu çok yönlülük, farklı sorunlar için farklı çerçeveleri öğrenme ihtiyacını azaltır.

Sonuç

Her iki mimari de bilgisayar görme tarihindeki önemli dönüm noktalarını temsil etmektedir. EfficientDet, Sinir Mimarisi Arama ve bileşik ölçeklendirmenin gücünü kanıtlamıştır. Ancak, günümüzün pratik uygulamaları için Ultralytics YOLO11 daha üstün bir seçimdir. Daha hızlı çıkarım hızları, daha yüksek doğruluk ve pazara sunum süresini önemli ölçüde azaltan geliştirici dostu bir ekosistem sunar.

En üst düzey performansı arayan geliştiriciler için, YOLO11 başarılarını daha da büyük YOLO11 verimlilik ve NMS bir YOLO11 geliştiren YOLO26'yı incelemenizi öneririz. Transformatör tabanlı yaklaşımlarla ilgilenenler ayrıca şunu da değerlendirebilirler RT-DETR 'yi de değerlendirebilirler.

Ultralytics ziyaret ederek, bulutta modellerinizi eğitmek, dağıtmak ve yönetmek için görsel yapay zekanın tüm potansiyelini keşfedin.

Yorumlar