YOLOv10 EfficientDet: Nesne Algılama Verimliliğinin Evrimi
Bilgisayar görüşünün manzarası, denge arayışıyla, özellikle de çıkarım hızı ile algılama doğruluğu arasındaki dengeyle tanımlanmıştır. Bu karşılaştırma, bu tarihteki iki önemli dönüm noktasını incelemektedir: YOLOv10, NMS algılamayı tanıtan Tsinghua Üniversitesi'nin akademik atılımı ve ölçeklenebilir verimliliği savunan Google öncü mimarisi EfficientDet.
EfficientDet, 2019 yılında bileşik ölçeklendirme yöntemiyle yeni standartlar belirlerken, YOLOv10 2024) ise son işlemdeki darboğazları tamamen ortadan kaldırmaya yönelik bir paradigma değişikliğini temsil ediyor. Bu kılavuz, bu iki yöntemin mimarilerini, performans ölçütlerini ve modern uç AI uygulamaları için uygunluklarını analiz ediyor.
YOLOv10: Uçtan Uca Gerçek Zamanlı Algılayıcı
Mayıs 2024'te piyasaya sürülen YOLOv10 , YOLO uzun süredir var olan bir verimsizlik sorununu YOLOv10 : Non-Maximum Suppression (NMS) kullanımına bağımlılık. Bu son işlem adımını ortadan kaldırarak, YOLOv10 gecikmeyi YOLOv10 azaltır ve dağıtım süreçlerini basitleştirir.
YOLOv10 :
- Yazarlar: Ao Wang, Hui Chen, Lihao Liu, ve diğerleri.
- Kuruluş:Tsinghua Üniversitesi
- Tarih: 2024-05-23
- Arxiv:Gerçek Zamanlı Uçtan Uca Nesne Tespiti
- GitHub:THU-MIG/yolov10
Temel Mimari Yenilikler
YOLOv10 belirleyici özelliği YOLOv10 tutarlı çift atama YOLOv10 . Eğitim sırasında model, zengin denetim sinyalleri için bir-çok başlık ve optimum benzersiz tahminleri öğrenmek için bir-bir başlık kullanır. Bu, modelin, çıkarım sırasında NMS yinelenenleri NMS gerek kalmadan tam sınırlayıcı kutuları tahmin etmesini sağlar.
Ek olarak, YOLOv10 , hesaplama fazlalığını azaltmak için backbone boyun bileşenlerini optimize eden bütünsel bir verimlilik-doğruluk tasarımı YOLOv10 . Bu, önceki modellerden daha hızlı ve aynı zamanda parametre açısından daha verimli bir model ile sonuçlanır.
YOLOv10 hakkında daha fazla bilgi edinin.
EfficientDet: Ölçeklenebilir ve Sağlam
2019 yılının sonlarında Google tarafından geliştirilen EfficientDet, farklı bir felsefe olan bileşik ölçeklendirme kullanarak verimliliğin sınırlarını zorlamak için tasarlanmıştır. Çok çeşitli kaynak kısıtlamaları altında daha iyi performans elde etmek için ağın çözünürlüğünü, derinliğini ve genişliğini sistematik olarak ölçeklendirir.
EfficientDet Detayları:
- Yazarlar: Mingxing Tan, Ruoming Pang ve Quoc V. Le
- Kuruluş:Google Research
- Tarih: 2019-11-20
- Arxiv:EfficientDet: Ölçeklenebilir ve Verimli Nesne Algılama
- GitHub:google/automl
BiFPN Avantajı
EfficientDet, ağırlıklı Çift Yönlü Özellik Piramidi Ağı (BiFPN) ile backbone bir EfficientNet backbone kullanır. Özellikleri ayrım yapmadan toplayan standart FPN'lerden farklı olarak, BiFPN giriş özelliklerine ağırlıklar atayarak ağın farklı giriş ölçeklerinin önemini öğrenmesini sağlar. Son derece doğru olmasına rağmen, bu mimari, düzensiz bellek erişim modelleri için optimize edilmemiş donanımlarda hesaplama açısından maliyetli olabilecek karmaşık çapraz ölçek bağlantıları içerir.
Teknik Performans Karşılaştırması
Aşağıdaki tablo, ölçütlerin doğrudan karşılaştırmasını göstermektedir. Özellikle YOLOv10 NMS kaldırılmasından YOLOv10 nedeniyle, çıkarım hızlarındaki önemli farka dikkat edin.
| Model | boyut (piksel) | mAPval 50-95 | Hız CPU ONNX (ms) | Hız T4 TensorRT10 (ms) | parametreler (M) | FLOP'lar (B) |
|---|---|---|---|---|---|---|
| YOLOv10n | 640 | 39.5 | - | 1.56 | 2.3 | 6.7 |
| YOLOv10s | 640 | 46.7 | - | 2.66 | 7.2 | 21.6 |
| YOLOv10m | 640 | 51.3 | - | 5.48 | 15.4 | 59.1 |
| YOLOv10b | 640 | 52.7 | - | 6.54 | 24.4 | 92.0 |
| YOLOv10l | 640 | 53.3 | - | 8.33 | 29.5 | 120.3 |
| YOLOv10x | 640 | 54.4 | - | 12.2 | 56.9 | 160.4 |
| 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 |
Kritik Analiz
- Gecikme süresi ve doğruluk: YOLOv10x, sadece 12,2 ms'lik bir TensorRT süresiyle %54,4'lük üstün bir mAP ortalama hassasiyet) değeri elde eder. Buna karşılık, EfficientDet-d7 benzer bir %53,7 mAP elde eder, mAP yaklaşık 128 ms'lik bir gecikme süresine ihtiyaç duyar ve bu da 10 kat daha yavaştır. Bu durum, gerçek zamanlı optimizasyondaki nesiller arası atılımı vurgulamaktadır.
- Kenar Dağıtımı: YOLOv10 NMS tasarımı, model dağıtımı için çığır açıcı bir YOLOv10 . NMS , NPU'larda (Sinir İşlem Birimleri) veya gömülü yongalarda hızlandırılması genellikle zor bir NMS NMS'nin kaldırılması, tüm modelin tek bir grafik olarak çalışmasını sağlar ve OpenVINO ve TensorRT gibi araçlarla uyumluluğu önemli ölçüde artırır.
- Eğitim Verimliliği: EfficientDet, TensorFlow ve karmaşık AutoML arama stratejilerine dayanır. YOLOv10 daha yeni YOLO26 dahil olmak üzere Ultralytics YOLO , PyTorch üzerine kuruludur PyTorch hiperparametreleri otomatik olarak işleyen optimize edilmiş eğitim boru hatlarına sahiptir, bu da daha hızlı yakınsama ve daha düşük bellek gereksinimleri ile sonuçlanır.
Ultralytics Ekosisteminin Avantajı
Bir model seçmek nadiren sadece mimariyle ilgili olur; iş akışıyla ilgilidir. Ultralytics , geliştiricilere sorunsuz bir deneyim sunar.
- Kullanım Kolaylığı: Ultralytics Python ile üç satırlık kodla modelleri yükleyebilir, eğitebilir ve dağıtabilirsiniz. EfficientDet uygulamaları genellikle karmaşık bağımlılık yönetimi ve eski TensorFlow gerektirir.
- Çok yönlülük: EfficientDet öncelikle bir nesne algılayıcı olsa da, Ultralytics Örnek Segmentasyonu, Poz Tahmini ve OBB (Yönlendirilmiş Sınırlayıcı Kutu) algılama dahil olmak üzere eksiksiz bir görevler dizisini destekler.
- İyi Bakımlı Ekosistem: Ultralytics , en son donanım ve yazılım kütüphaneleriyle uyumluluğu sağlamak için sık sık güncellemeler Ultralytics . Ultralytics ile entegrasyon, kolay veri kümesi yönetimi ve bulut eğitimi sağlar.
Kolaylaştırılmış Eğitim
Ultralytics , karmaşık veri artırma ve öğrenme oranı planlamasını otomatik olarak Ultralytics . En gelişmiş sonuçları elde etmek için manuel olarak bağlantıları veya kayıp ağırlıklarını ayarlamanıza gerek yoktur.
Kod Örneği: Ultralytics ile Eğitim
Aşağıdaki kod, Ultralytics kullanarak bir modeli eğitmenin ne kadar basit olduğunu göstermektedir. Bu, YOLOv10, YOLO11 ve önerilen YOLO26 için de aynı şekilde çalışır.
from ultralytics import YOLO
# Load the latest recommended model (YOLO26)
model = YOLO("yolo26n.pt")
# Train on a custom dataset
# Ultralytics automatically handles device selection (CPU/GPU)
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# Validate performance
metrics = model.val()
print(f"mAP50-95: {metrics.box.map}")
Neden YOLO26'yı Öneriyoruz?
YOLOv10 , NMS kavramı YOLOv10 , Ultralytics bu kavramı geliştirip mükemmelleştirmiştir. Ocak 2026'da piyasaya sürülen YOLO26, kenar AI ve üretim sistemleri için şu anda en gelişmiş teknolojidir.
YOLO26, YOLOv10 tarafından başlatılan Uçtan Uca NMS Tasarımı benimser, YOLOv10 bunu birkaç önemli yenilikle geliştirir:
- MuSGD Optimizer: LLM eğitimi (özellikle Moonshot AI'nın Kimi K2'si) esinlenerek geliştirilen YOLO26, SGD Muon optimizer'ın bir karışımını kullanır. Bu, önceki nesillere kıyasla önemli ölçüde daha istikrarlı bir eğitim dinamiği ve daha hızlı yakınsama sağlar.
- DFL Kaldırma: Dağıtım Odak Kaybını (DFL) kaldırarak, YOLO26 çıktı katmanı yapısını basitleştirir. Bu, CoreML ONNX gibi formatlara dışa aktarmayı ONNX temiz hale getirerek, düşük güçlü kenar cihazlarla daha iyi uyumluluk sağlar.
- Performans: YOLO26, önceki sürümlerle karşılaştırıldığında %43'e kadar daha hızlı CPU sunarak, standart dizüstü bilgisayarlar veya Raspberry Pi kurulumları gibi özel GPU'su olmayan cihazlar için ideal seçimdir.
- Göreve Özel Kazançlar: ProgLoss ve STAL gibi özel kayıp fonksiyonları içerir. Bu fonksiyonlar, önceki dedektörlerde sıkça görülen bir zayıflık olan küçük nesnelerin tanınmasında önemli iyileştirmeler sağlar.
YOLO26 hakkında daha fazla bilgi edinin
Kullanım Durumu Önerileri
Ultralytics Ne Zaman Seçmelisiniz (Önerilen)
- Gerçek Zamanlı Uygulamalar: Otonom araçlar, trafik izleme ve düşük gecikme süresinin kritik öneme sahip olduğu spor analitiği.
- Kenar Dağıtımı: CPU ve pil ömrü sınırlı olan cep telefonları, dronlar veya IoT cihazlarında çalışır.
- Çoklu görev gereksinimleri: Projeniz standart sınırlayıcı kutuların yanı sıra segmentasyon, poz tahmini veya döndürülmüş nesnelerin (OBB) algılanmasını gerektiriyorsa.
EfficientDet Ne Zaman Düşünülmeli?
- Eski Araştırmalar: 2019-2020 dönemine ait, özellikle EfficientDet mimarilerini karşılaştırmalı olarak ele alan akademik makaleleri yeniden yayınlıyorsanız.
- Donanım Kısıtlamaları (Özel): Nadir durumlarda, eski donanım hızlandırıcıları BiFPN yapıları için sıkı bir şekilde optimize edilmiş olup modern rep-vgg veya transformatör tabanlı bloklara uyum sağlayamamaktadır.
Sonuç
EfficientDet, ölçeklendirme verimliliğinde bir dönüm noktasıydı, ancak bu alan daha da ilerlemiştir. YOLOv10 , NMS algılamanın mümkün olduğunu kanıtladı ve YOLO26 bunu üretim için mükemmelleştirdi. Hız, doğruluk ve kullanım kolaylığı arasında en iyi dengeyi arayan geliştiriciler için Ultralytics kesin seçimdir. Güçlü Ultralytics ekosistemiyle birleştirilen modern mimarisi, konseptten uygulamaya her zamankinden daha hızlı geçmenizi sağlar.
Model mimarileri hakkında daha fazla bilgi için, YOLOv8 YOLOv10 karşılaştırmalarımızı inceleyin veya Ultralytics keşfederek bugün eğitime başlayın.