YOLO11 ve EfficientDet: Ayrıntılı Teknik Karşılaştırma
Bu sayfa, iki önde gelen nesne algılama modeli olan Ultralytics YOLO11 ve EfficientDet arasında ayrıntılı bir teknik karşılaştırma sunmaktadır. Bilgisayarlı görü ihtiyaçlarınız için en uygun modeli seçmenize yardımcı olmak amacıyla mimarilerini, performans kıyaslamalarını ve farklı uygulamalara uygunluklarını analiz ediyoruz. Her iki model de verimli ve doğru nesne algılamayı amaçlarken, farklı araştırma hatlarından (Ultralytics ve Google) kaynaklanmaktadır ve farklı mimari felsefeler kullanmaktadır.
Ultralytics YOLO11
Ultralytics YOLO11, Ultralytics tarafından geliştirilen ve olağanüstü gerçek zamanlı nesne algılama yetenekleriyle tanınan YOLO (You Only Look Once) serisindeki en son gelişmeyi temsil etmektedir. YOLOv8 gibi öncüllerin başarısı üzerine inşa edilmiş olup, hem doğruluğu hem de hesaplama verimliliğini artırmaya odaklanmaktadır.
Teknik Detaylar:
- Yazarlar: Glenn Jocher, Jing Qiu
- Kuruluş: Ultralytics
- Tarih: 2024-09-27
- GitHub: https://github.com/ultralytics/ultralytics
- Belgeler: https://docs.ultralytics.com/models/yolo11/
Mimari ve Temel Özellikler
YOLO11, hız ve doğruluk için optimize edilmiş tek aşamalı, bağlantısız bir mimari kullanır. Temel özellikler arasında iyileştirilmiş özellik çıkarma katmanları ve parametre sayısını ve hesaplama yükünü azaltan aerodinamik bir ağ yapısı bulunur. Bu tasarım, uç cihazlardan (NVIDIA Jetson, Raspberry Pi) bulut sunucularına kadar çeşitli donanımlarda mükemmel performans sağlar.
YOLO11'in en büyük avantajlarından biri, çok yönlülüğü ve Ultralytics ekosistemi içindeki entegrasyonudur. Nesne algılamanın ötesinde, örnek segmentasyonu, görüntü sınıflandırması, poz tahmini ve yönlendirilmiş sınırlayıcı kutular (OBB) dahil olmak üzere birden fazla görevi destekler. Ultralytics çerçevesi, basit bir Python API ve CLI, kapsamlı belgelendirme, kolayca erişilebilen önceden eğitilmiş ağırlıklar ve diğer birçok mimariye kıyasla daha düşük bellek gereksinimleriyle verimli eğitim süreçleri sunar. Ekosistem, aktif geliştirme, güçlü topluluk desteği ve kolaylaştırılmış MLOps için Ultralytics HUB gibi araçlarla sorunsuz entegrasyondan yararlanır.
Güçlü Yönler
- Yüksek Hız ve Verimlilik: Mükemmel çıkarım hızı, gerçek zamanlı uygulamalar için idealdir.
- Güçlü Doğruluk: Model boyutları genelinde son teknoloji mAP puanları elde eder.
- Çok Yönlülük: Tek bir çerçeve içinde algılama, segmentasyon, sınıflandırma, poz ve OBB görevlerini destekler.
- Kullanım Kolaylığı: Basit API, kapsamlı dokümantasyon ve kullanıcı dostu ekosistem.
- İyi Yönetilen Ekosistem: Aktif olarak geliştirilmiş, güçlü topluluk, sık güncellemeler ve Ultralytics HUB gibi araçlar.
- Eğitim Verimliliği: Birçok alternatife kıyasla daha hızlı eğitim süreleri ve daha düşük bellek kullanımı.
- Dağıtım Esnekliği: uç (edge) cihazlardan buluta kadar çeşitli donanımlar için optimize edilmiştir.
Zayıflıklar
- Daha küçük modeller hıza öncelik verir, bu da en büyük varyantlara kıyasla elde edilebilecek maksimum doğrulukta bir ödünleşme içerebilir.
- Tek aşamalı bir tespit aracı olarak, belirli karmaşık sahnelerde aşırı küçük nesnelerle ilgili zorluklarla karşılaşabilir.
İdeal Kullanım Senaryoları
YOLO11, gerçek zamanlı performans ve yüksek doğruluk gerektiren uygulamalarda mükemmeldir:
- Otonom Sistemler: Robotik ve otonom sürüşlü arabalar.
- Güvenlik: Gözetim sistemleri ve hırsızlık önleme.
- Endüstriyel Otomasyon: Kalite kontrolü ve geri dönüşüm verimliliği.
- Perakende: Envanter yönetimi ve müşteri analitiği.
YOLO11 hakkında daha fazla bilgi edinin
Google'ın EfficientDet'i
EfficientDet, Google Brain ekibi tarafından tanıtılan bir nesne algılama modeli ailesidir. Doğruluk ve hesaplama kaynakları (parametreler ve FLOP'lar) arasındaki dengeyi optimize ederek yüksek verimlilik elde etmek için tasarlanmıştır.
Teknik Detaylar:
- Yazarlar: Mingxing Tan, Ruoming Pang, Quoc V. Le
- Kuruluş: Google
- Tarih: 2019-11-20
- Arxiv: https://arxiv.org/abs/1911.09070
- GitHub: https://github.com/google/automl/tree/master/efficientdet
- Belgeler: https://github.com/google/automl/tree/master/efficientdet#readme
Mimari ve Temel Özellikler
EfficientDet'in mimarisi üç temel yenilik üzerine kurulmuştur:
- EfficientNet Backbone: Özellik çıkarımı için, yüksek verimli EfficientNet'i backbone olarak kullanır.
- BiFPN (Çift Yönlü Özellik Piramidi Ağı): Ağırlıklı bağlantılar ekleyerek geleneksel FPN'leri geliştiren, basit ve hızlı çok ölçekli özellik kaynaştırmasına olanak tanıyan yeni bir özellik ağıdır.
- Bileşik Ölçeklendirme: Backbone, özellik ağı ve kutu/sınıf tahmin ağları için derinliği, genişliği ve çözünürlüğü eşit şekilde ölçeklendiren bir yöntem. Bu, modelin farklı kaynak kısıtlamalarına uyacak şekilde küçük (D0) varyantlardan büyük (D7) varyantlara ölçeklenmesini sağlar.
Güçlü Yönler
- Yüksek Parametre Verimliliği: Nispeten düşük sayıda parametre ve FLOP için güçlü bir doğruluk sunar.
- Ölçeklenebilirlik: Bileşik ölçekleme yöntemi, modeli farklı performans hedefleri için ölçeklemek için net bir yol sağlar.
- Güçlü Kıyaslama Performansı: Yayınlandığı tarihte COCO veri kümesinde en iyi sonuçları elde etti.
Zayıflıklar
- Daha Yavaş Çıkarım Hızı: FLOP verimliliğine rağmen, EfficientDet genellikle YOLO modellerine kıyasla daha yüksek çıkarım gecikmesine sahiptir, özellikle GPU'larda, bu da onu birçok gerçek zamanlı uygulama için daha az uygun hale getirir.
- Sınırlı Çok Yönlülük: Öncelikli olarak nesne algılama için tasarlanmıştır ve Ultralytics YOLO çerçevesine entegre edilmiş örnek segmentasyonu, poz tahmini veya OBB gibi diğer görevler için yerel desteği yoktur.
- Daha Az Entegre Ekosistem: Orijinal depo öncelikle bir araştırma ürünüdür. Eğitimden dağıtıma kadar uçtan uca iş akışını basitleştiren kapsamlı dokümantasyona, basit API'ye ve Ultralytics HUB gibi entegre araçlara sahip değildir.
- Çerçeve Bağımlılığı: Resmi uygulama TensorFlow'dadır ve bu, öncelikle PyTorch ekosisteminde çalışan geliştiriciler ve araştırmacılar için bir sınırlama olabilir.
İdeal Kullanım Senaryoları
EfficientDet, model boyutu ve teorik hesaplama maliyetinin en kritik kısıtlamalar olduğu senaryolar için çok uygundur:
- Edge AI: Bellek ve işlem gücünün ciddi şekilde kısıtlı olduğu mobil veya gömülü cihazlara dağıtım.
- Akademik Araştırma: Model ölçekleme yasalarını ve mimari verimliliği inceleme.
- Bulut Uygulamaları: Çıkarım başına hesaplama maliyetini en aza indirmenin, mümkün olan en düşük gecikmeye ulaşmaktan daha önemli olduğu senaryolar.
EfficientDet hakkında daha fazla bilgi edinin
Performans ve Kıyaslamalar: YOLO11 - EfficientDet Karşılaştırması
Performansı karşılaştırırken, sadece mAP'ye bakmak yeterli değildir. Her iki model ailesi de çeşitli doğruluk seviyeleri sunarken, YOLO11 üstün gerçek dünya hızı için tasarlanmıştır. Aşağıdaki tablo, benzer bir mAP için YOLO11 modellerinin, özellikle bir GPU üzerinde TensorRT ile hızlandırıldığında önemli ölçüde daha hızlı olduğunu göstermektedir.
Örneğin, YOLO11m, EfficientDet-d5 ile aynı 51,5 mAP'ye ulaşır, ancak bir T4 GPU'da 14 kat daha hızlıdır (4,7 ms'ye karşı 67,86 ms) ve %40 daha az parametre kullanır. Bu, YOLO11'in olağanüstü doğruluk, hız ve model boyutu dengesini vurgulayarak, onu gerçek zamanlı işleme gerektiren uygulamalar için çok daha pratik bir seçim haline getirir.
Model | boyut (piksel) |
mAPval 50-95 |
Hız CPU ONNX (ms) |
Hız T4 TensorRT10 (ms) |
parametreler (M) |
FLOP'lar (B) |
---|---|---|---|---|---|---|
YOLO11n | 640 | 39.5 | 56.1 | 1.5 | 2.6 | 6.5 |
YOLO11s | 640 | 47.0 | 90.0 | 2.5 | 9.4 | 21.5 |
YOLO11m | 640 | 51.5 | 183.2 | 4.7 | 20.1 | 68.0 |
YOLO11l | 640 | 53.4 | 238.6 | 6.2 | 25.3 | 86.9 |
YOLO11x | 640 | 54.7 | 462.8 | 11.3 | 56.9 | 194.9 |
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 |
Sonuç: Hangi Modeli Seçmelisiniz?
EfficientDet, model verimliliğinde önemli bir adım olsa da, Ultralytics YOLO11, bilgisayarlı görü uygulamalarının büyük çoğunluğu için daha modern, pratik ve güçlü bir çözüm sunmaktadır.
-
EfficientDet'i Seçin, öncelikli kısıtlamanız teorik FLOP'ları veya parametre sayısını en aza indirmekse ve araştırma odaklı çerçevesi içinde çalışmaktan rahatsanız.
-
Neredeyse tüm diğer senaryolar için Ultralytics YOLO11'i Seçin. Üstün hız-doğruluk dengesi, çoklu görme görevlerindeki inanılmaz çok yönlülüğü ve kullanım kolaylığı, onu geliştiriciler ve araştırmacılar için kesin bir seçim haline getiriyor. Kapsamlı belgeler, aktif topluluk desteği ve Ultralytics HUB gibi araçlar dahil olmak üzere iyi yönetilen ekosistem, ilk deneylerden ölçekte üretime kadar sorunsuz bir geliştirme ve dağıtım deneyimi sağlar.
Diğer Model Karşılaştırmaları
Daha fazla inceleme için, YOLO11 ve diğer ilgili modelleri içeren bu karşılaştırmaları göz önünde bulundurun:
- YOLO11 - YOLOv10 Karşılaştırması
- YOLO11 - YOLOv9 karşılaştırması
- YOLO11 - YOLOv8 karşılaştırması
- YOLO11 - YOLOv7 karşılaştırması
- YOLO11 - RT-DETR Karşılaştırması
- YOLOX - EfficientDet Karşılaştırması
- YOLOv8 - EfficientDet'e karşı