YOLOv5 - EfficientDet Karşılaştırması: Detaylı Teknik Bir İnceleme

Bilgisayarla görmenin gelişen ortamında, doğru nesne algılama mimarisini seçmek proje başarısı için çok önemlidir. Bu karşılaştırma, oldukça etkili iki modeli incelemektedir: Ultralytics YOLOv5ve ölçeklenebilirliği ve parametre verimliliği ile ünlü Google'ın EfficientDet'i. Geliştiriciler, mimarilerini, performans ölçümlerini ve dağıtım yeteneklerini inceleyerek kendi özel uygulama ihtiyaçlarına uygun bilinçli kararlar verebilirler.

Performans Analizi: Hız ve Verimlilik

Bu iki mimari arasındaki temel fark, çıkarım gecikmesine karşı hesaplama kaynaklarına ilişkin tasarım felsefelerinde yatmaktadır. EfficientDet teorik FLOP'lar (kayan nokta işlemleri) için optimizasyon yaparak akademik kıyaslama için cazip hale getirir. Buna karşılık, YOLOv5 pratik donanımlarda, özellikle GPU'larda düşük gecikmeye öncelik vererek üretim ortamları için gerekli olan gerçek zamanlı çıkarım hızları sunar.

Aşağıdaki tablo COCO val2017 veri setindeki bu değiş tokuşu göstermektedir. EfficientDet modelleri yüksek verimliliğe ulaşırken mAPYOLOv5 , daha az parametre ile NVIDIA T4 GPU'larda önemli ölçüde daha hızlı çıkarım süreleri göstermektedir. TensorRT.

Görüldüğü gibi, YOLOv5n GPU'da 1,12 ms gibi yüksek bir gecikme süresine ulaşarak en küçük EfficientDet varyantını önemli ölçüde geride bırakıyor. Otonom araçlar veya yüksek hızlı üretim hatları gibi milisaniyelerin önemli olduğu uygulamalar için bu hız avantajı kritik önem taşıyor.

Mimari Farklılıklar

Her bir modelin yapısal tasarımının anlaşılması, performans özelliklerinin netleştirilmesine yardımcı olur.

Ultralytics YOLOv5

YOLOv5 , PANet boynu ile birleştirilmiş bir CSPDarknet backbone kullanır. Bu mimari, gradyan akışını ve özellik çıkarma verimliliğini en üst düzeye çıkarmak için tasarlanmıştır.

• Backbone: Gereksiz gradyan bilgilerini azaltmak için Çapraz Aşama Kısmi (CSP) bağlantılarını kullanır, parametreleri azaltırken öğrenme kapasitesini artırır.
• Boyun: Güvenilir çok ölçekli özellik füzyonu için bir Yol Toplama Ağı (PANet) içerir ve çeşitli boyutlardaki nesnelerin tespitini geliştirir.
• Başlık: Standart bir YOLO çapa tabanlı algılama başlığı, sınıfları ve sınırlayıcı kutuları doğrudan tahmin eder.

YOLOv5 hakkında daha fazla bilgi edinin

EfficientDet

EfficientDet, EfficientNet backbone üzerine inşa edilmiştir ve ağırlıklı bir Çift Yönlü Özellik Piramidi Ağı (BiFPN) sunar.

• Backbone: Derinlik, genişlik ve çözünürlüğü bir bileşik katsayı kullanarak eşit şekilde ölçeklendiren EfficientNet'i kullanır.
• Boyun (BiFPN): Bilginin hem yukarıdan aşağıya hem de aşağıdan yukarıya akmasını sağlayan ve önemlerini vurgulamak için farklı girdi özelliklerine ağırlıklar uygulayan karmaşık bir özellik entegrasyon katmanı.
• Bileşik Ölçeklendirme: backbone, BiFPN ve kutu/sınıf tahmin ağlarının birlikte ölçeklendirildiği önemli bir yenilik.

EfficientDet hakkında daha fazla bilgi edinin

Ultralytics Avantajı: Ekosistem ve Kullanılabilirlik

Ham ölçümler önemli olsa da, geliştirici deneyimi genellikle bir projenin başarısını belirler. Ultralytics YOLOv5 , geliştirme süresini büyük ölçüde azaltan cilalı, kullanıcı merkezli bir ortam sağlamada mükemmeldir.

Kullanım Kolaylığı ve Entegrasyon

YOLOv5 "kullanıma hazır" kullanılabilirliği ile ünlüdür. Model basit bir pip komutuyla kurulabilir ve minimum kodla kullanılabilir. Buna karşılık, EfficientDet uygulamaları genellikle TensorFlow ekosistemi veya belirli araştırma depoları içinde daha karmaşık kurulumlar gerektirir.

Eğitim Verimliliği ve Hafıza

Ultralytics modelleri eğitim verimliliği için optimize edilmiştir. EfficientDet'in daha yüksek ölçeklendirme katmanları veya transformatör tabanlı modeller gibi karmaşık mimarilere kıyasla genellikle daha hızlı yakınsarlar ve daha az CUDA belleği gerektirirler. Bu düşük giriş engeli, geliştiricilerin tüketici sınıfı donanımlarda veya Google Colab gibi standart bulut örneklerinde son teknoloji modelleri eğitmelerine olanak tanır.

Çok Yönlülük ve Çoklu Görev

Öncelikle bir nesne algılayıcı olan standart EfficientDet uygulamasının aksine, Ultralytics çerçevesi geniş bir görev yelpazesini destekler. Geliştiriciler, örnek segmentasyonu ve görüntü sınıflandırması için aynı API'den yararlanarak çeşitli bilgisayarla görme zorlukları için birleşik bir çözüm sağlayabilir.

İdeal Kullanım Senaryoları

YOLOv5 ve EfficientDet arasında seçim yapmak büyük ölçüde dağıtım kısıtlamalarına ve hedeflerine bağlıdır.

Ultralytics YOLOv5 Ne Zaman Seçilmeli

• Gerçek Zamanlı Uygulamalar: Video gözetimi, robotik veya canlı spor analizleri gibi düşük gecikme süresi gerektiren projeler.
• Uç Dağıtım: Verimli GPU kullanımının önemli olduğu NVIDIA Jetson veya Raspberry Pi gibi cihazlarda çalıştırma.
• Hızlı Prototipleme: Değeri hızlı bir şekilde göstermek için hızlı yineleme döngüleri ve kullanım kolaylığı önceliklendirildiğinde.
• Üretim Sistemleri: Büyük bir açık kaynak topluluğu tarafından desteklenen sağlam, bakımı yapılabilir dağıtımlar için.

EfficientDet Ne Zaman Seçilmeli

• Araştırma ve Kıyaslama: FLOP verimliliğine veya mimari ölçeklendirme yasalarına odaklanan akademik çalışmalar.
• Çevrimdışı İşleme: Yüksek gecikmenin kabul edilebilir olduğu ve amacın statik görüntülerde doğruluğun son yüzde puanlarını sıkıştırmak olduğu senaryolar.
• Düşük Güçlü CPU Çıkarsaması: BiFPN işlemlerinin belirli donanım talimat seti için son derece optimize edildiği çok özel CPU ortamlarında.

Model Kökenleri ve Detayları

Bu modellerin bağlamını anlamak, tasarım hedefleri hakkında fikir verir.

Ultralytics YOLOv5

• Yazar: Glenn Jocher
• Organizasyon:Ultralytics
• Tarih: 2020-06-26
• GitHub:yolov5
• Dokümanlar:YOLOv5 Dokümantasyonu

EfficientDet

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

Kod Örneği: YOLOv5 ile Başlarken

Ultralytics , çıkarımı inanılmaz derecede basit hale getirir. Aşağıda, bir görüntüdeki nesneleri detect için Python API'sini kullanan geçerli, çalıştırılabilir bir örnek bulunmaktadır.

import torch

# Load the YOLOv5s model from PyTorch Hub
model = torch.hub.load("ultralytics/yolov5", "yolov5s", pretrained=True)

# Define an image URL
img_url = "https://ultralytics.com/images/zidane.jpg"

# Perform inference
results = model(img_url)

# Display results
results.show()

# Print detection data (coordinates, confidence, class)
print(results.pandas().xyxy[0])

Bu basit kod parçacığı modelin indirilmesi, görüntünün ön işlemden geçirilmesi, ileri geçişin çalıştırılması ve çıktının kodunun çözülmesi gibi ham EfficientDet uygulamalarında çok daha fazla kod gerektiren görevleri yerine getirir.

Sonuç

EfficientDet ise model ölçeklendirme ve parametre verimliliği araştırmalarına önemli katkılarda bulunmuştur, Ultralytics YOLOv5 pratik, gerçek dünya dağıtımı için üstün bir seçim olmaya devam ediyor. Olağanüstü hız ve doğruluk dengesi, gelişen ve bakımlı bir ekosistemle birleştiğinde, geliştiricilerin çözümleri etkili bir şekilde oluşturabilmelerini, eğitebilmelerini ve dağıtabilmelerini sağlar.

Bilgisayarla görme teknolojisindeki en son gelişmelerden yararlanmak isteyenler için Ultralytics , YOLOv5'in ötesinde yenilikler yapmaya devam etti. Gibi modeller YOLOv8 ve son teknoloji YOLO11Ultralytics deneyimini tanımlayan imza niteliğindeki kullanım kolaylığını korurken, poz tahmini ve yönlendirilmiş nesne algılama gibi daha da fazla görevi destekleyen mimaride daha fazla iyileştirme sunar.

Diğer Modelleri İnceleyin

İhtiyaçlarınıza en uygun modeli bulmak için daha fazla karşılaştırma yapmak isterseniz bu kaynakları değerlendirebilirsiniz:

• YOLOv5 vs. YOLO11 - Klasiği en son teknoloji ile karşılaştırın.
• EfficientDet vs. YOLOv8 - EfficientDet'in YOLOv8 karşısında nasıl bir performans sergilediğini görün.
• YOLOv8 vs. YOLO11 - En yeni nesildeki gelişmeleri anlayın.
• YOLO11 vs. RT-DETR - Gerçek zamanlı transformatörleri YOLO ile karşılaştırın.

Yorumlar