YOLO11 vs EfficientDet: Detaylı Teknik Karşılaştırma

Bu sayfa, önde gelen iki nesne algılama modeli olan Ultralytics YOLO11 ve EfficientDet arasında ayrıntılı bir teknik karşılaştırma sunmaktadır. Bilgisayarla görme ihtiyaçlarınız için en uygun modeli seçmenize yardımcı olmak için mimarilerini, performans ölçütlerini ve farklı uygulamalara uygunluklarını analiz ediyoruz. Her iki model de verimli ve doğru nesne algılamayı amaçlasa da, farklı araştırma hatlarındanUltralytics ve Google) kaynaklanmakta ve farklı mimari felsefeler kullanmaktadır.

Ultralytics YOLO11

Ultralytics YOLO11Ultralytics tarafından geliştirilen ve olağanüstü gerçek zamanlı nesne algılama yetenekleriyle bilinen YOLO (You Only Look Once) serisindeki en son gelişmeyi temsil eder. gibi öncüllerinin başarısı üzerine inşa edilmiştir. YOLOv8Hem doğruluğu hem de hesaplama verimliliğini artırmaya odaklanıyor.

Teknik Detaylar:

• Yazarlar: Glenn Jocher, Jing Qiu
• Organizasyon: Ultralytics
• Tarih: 2024-09-27
• GitHub: https://github.com/ultralytics/ultralytics
• Dokümanlar: https://docs.ultralytics.com/models/yolo11/

Mimari ve Temel Özellikler: YOLO11 , hız ve doğruluk için optimize edilmiş tek aşamalı, çapasız bir mimari kullanır. Temel özellikler arasında rafine edilmiş özellik çıkarma katmanları ve parametre sayısını ve hesaplama yükünü azaltan aerodinamik bir ağ yapısı bulunmaktadır. Bu tasarım, uç cihazlardanNVIDIA Jetson, Raspberry Pi) bulut sunucularına kadar çeşitli donanımlarda mükemmel performans sağlar.

YOLO11 'in önemli bir avantajı, Ultralytics ekosistemi içindeki çok yönlülüğü ve entegrasyonudur. Örnek segmentasyonu, görüntü sınıflandırması, poz tahmini ve yönlendirilmiş sınırlayıcı kutular (OBB) dahil olmak üzere nesne algılamanın ötesinde birden fazla görevi destekler. Ultralytics çerçevesi basit bir Python API 'si sunar ve CLIkapsamlı dokümantasyon, önceden eğitilmiş hazır ağırlıklar ve diğer birçok mimariye kıyasla daha düşük bellek gereksinimleri ile verimli eğitim süreçleri. Ekosistem, aktif geliştirme, güçlü topluluk desteği ve kolaylaştırılmış MLOps için Ultralytics HUB gibi araçlarla sorunsuz entegrasyondan yararlanır.

Performans Ölçütleri: YOLO11 , nano (n) ile ekstra büyük (x) arasında değişen modeller sunarak hız ve doğruluk arasında esnek bir denge sağlar. Aşağıdaki tabloda görüldüğü gibi, YOLO11 modelleri, özellikle GPU'larda yüksek çıkarım hızlarını korurken rekabetçi mAP puanları elde etmektedir. Örneğin, YOLO11m verimli parametre kullanımıyla 51,5 ^mAPval50-95değerine ulaşmaktadır.

Güçlü yönler:

• Yüksek Hız ve Verimlilik: Mükemmel çıkarım hızı, gerçek zamanlı uygulamalar için idealdir.
• Güçlü Doğruluk: Model boyutları arasında en gelişmiş mAP puanlarını elde eder.
• Çok yönlülük: Algılama, segmentasyon, sınıflandırma, poz ve OBB görevlerini destekler.
• Kullanım Kolaylığı: Basit API, kapsamlı dokümantasyon ve kullanıcı dostu ekosistem.
• İyi Korunan 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: Uçtan buluta kadar çeşitli donanımlar için optimize edilmiştir.

Zayıflıklar:

• Daha küçük modeller hıza öncelik verir, bu da en büyük varyantlara kıyasla elde edilebilir maksimum doğrulukta bir değiş tokuş içerebilir.
• Tek aşamalı bir dedektör olarak, bazı karmaşık sahnelerde son derece küçük nesnelerle ilgili zorluklarla karşılaşabilir.

İdeal Kullanım Alanları: YOLO11 , gerçek zamanlı performans ve yüksek doğruluk gerektiren uygulamalarda mükemmeldir:

• Otonom Sistemler: Robotik ve sürücüsüz arabalar.
• Güvenlik: Gözetim sistemleri ve hırsızlık önleme.
• Endüstriyel Otomasyon: Kalite kontrol ve geri dönüşüm verimliliği.
• Perakende: Envanter yönetimi ve müşteri analitiği.

YOLO11 hakkında daha fazla bilgi edinin

EfficientDet

Google Brain ekibi tarafından geliştirilen EfficientDet, yüksek doğruluk ve verimlilik için tasarlanmış bir nesne algılama modelleri ailesidir. EfficientNet görüntü sınıflandırma modellerinden türetilen mimari yeniliklerden yararlanır.

Teknik Detaylar:

• Yazarlar: Mingxing Tan, Ruoming Pang, Quoc V. Le
• Organizasyon: Google
• Tarih: 2019-11-20
• Arxiv: https://arxiv.org/abs/1911.09070
• GitHub: https://github.com/google/automl/tree/master/efficientdet
• Dokümanlar: https://github.com/google/automl/tree/master/efficientdet#readme

Mimari ve Temel Özellikler: EfficientDet'in mimarisi şu şekilde karakterize edilir:

• EfficientNet Omurgası: Temel özellik çıkarıcı olarak yüksek verimli EfficientNet'i kullanır.
• BiFPN (Çift Yönlü Özellik Piramit Ağı): Etkili çok ölçekli özellik füzyonu için ağırlıklı çift yönlü bir FPN kullanır.
• Bileşik Ölçeklendirme: Omurga, özellik ağı ve algılama kafasının derinliğini, genişliğini ve çözünürlüğünü eşit şekilde ölçeklendirmek için bir bileşik katsayı kullanır.

Performans Ölçütleri: EfficientDet modelleri (D0-D7) çeşitli doğruluk ve verimlilik seviyeleri sağlar. Tabloda gösterildiği gibi, EfficientDet özellikle daha büyük modellerde iyi mAP puanları elde eder, ancak genellikle benzer doğruluğa sahip YOLO11 varyantlarına kıyasla daha yüksek gecikme pahasına.

Güçlü yönler:

• Yüksek Doğruluk: Özellikle büyük modellerde güçlü mAP skorları elde eder.
• Ölçeklenebilir Mimari: Bileşik ölçeklendirme, model boyutunun ve performansının sistematik olarak ayarlanmasına olanak tanır.
• Verimli Özellik Füzyonu: BiFPN çok ölçekli özellik temsilini geliştirir.

Zayıflıklar:

• Görev Özgüllüğü: Öncelikle nesne algılamaya odaklanmıştır ve YOLO11'in çoklu görev çok yönlülüğünden yoksundur.
• Ekosistem: Ultralytics'e kıyasla daha az entegre ekosistem, potansiyel olarak eğitim, dağıtım ve destek için daha fazla çaba gerektirir.
• Çıkarım Hızı: Özellikle GPU'larda benzer doğruluktaki YOLO11 modellerine kıyasla daha yüksek gecikme sergileyebilir.

İdeal Kullanım Durumları: EfficientDet, belirli hesaplama bütçeleri içinde yüksek doğruluk elde etmenin çok önemli olduğu uygulamalar için uygundur, örneğin:

• Bulut tabanlı Görüntü Hizmetleri: Gecikmenin FLOP başına doğruluğu maksimize etmekten daha az kritik olabileceği yerler.
• Araştırma: Ölçeklenebilir mimarileri ve özellik füzyon tekniklerini keşfetmek.

EfficientDet hakkında daha fazla bilgi edinin

Performans Karşılaştırması

Aşağıdaki tablo, COCO veri kümesi üzerinde YOLO11 ve EfficientDet varyantları arasında nicel bir karşılaştırma sunmaktadır. YOLO11 'in genellikle karşılaştırılabilir mAP seviyeleri için önemli ölçüde daha yüksek GPU çıkarım hızları (T4 TensorRT10) sunduğunu ve genellikle daha az parametre kullandığını unutmayın.

Sonuç

Hem YOLO11 hem de EfficientDet güçlü nesne algılama modelleridir, ancak Ultralytics YOLO11 çoğu geliştirici ve araştırmacı için önemli avantajlar sunar. Özellikle GPU'lardaki üstün hızı, rekabetçi doğrulukla birleştiğinde gerçek zamanlı uygulamalar için idealdir. Ayrıca, YOLO11'in çoklu görüş görevlerinde (algılama, segmentasyon, sınıflandırma, poz, OBB) çok yönlülüğü, kullanım kolaylığı, verimli eğitim, daha düşük bellek ayak izi ve sağlam Ultralytics ekosistemi daha akıcı ve üretken bir geliştirme deneyimi sağlar. EfficientDet güçlü doğruluk ve ölçeklenebilirlik sunarken, YOLO11 genellikle çeşitli dağıtım senaryoları için daha iyi bir genel paket sunar ve önerilen seçimdir.

Daha fazla keşif için bu modelleri YOLOv10, YOLOv9 gibi diğer modellerle karşılaştırmayı düşünün, RT-DETRve YOLO. Ultralytics belgelerinde daha fazla karşılaştırma bulabilirsiniz.

📅1 yıl önce oluşturuldu ✏️ 1 ay önce güncellendi

Yorumlar