YOLOv5 EfficientDet: Önde Gelen Görme Modellerinin Teknik Karşılaştırması
Bilgisayar görme dünyasında, en uygun nesne algılama mimarisini seçmek, model doğruluğundan dağıtım maliyetlerine kadar her şeyi etkileyen çok önemli bir karardır. Bu kılavuz, aşağıdakiler arasında kapsamlı bir teknik karşılaştırma sunar Ultralytics YOLOv5 ve EfficientDet arasında kapsamlı bir teknik karşılaştırma sunar.
EfficientDet, bileşik ölçeklendirme yoluyla ölçeklenebilir verimlilik kavramını getirirken, YOLOv5 , en son teknoloji performansı benzersiz bir kullanıcı deneyimiyle birleştirerek bu alanda YOLOv5 . Bu analiz, geliştiricilerin ve araştırmacıların veriye dayalı seçimler yapmasına yardımcı olmak için mimari farklılıklarını, performans ölçütlerini ve gerçek dünyadaki uygulanabilirliğini derinlemesine inceliyor.
Modele Genel Bakış
Ultralytics YOLOv5
YOLOv5 (You Only Look Once sürüm 5), nesne algılama tarihinde çığır açan bir modeldir. 2020 ortasında Ultralytics tarafından piyasaya sürülen bu model, hız, doğruluk ve kullanım kolaylığı arasındaki dengesi sayesinde kısa sürede sektör standardı haline gelmiştir. Önceki YOLO den farklı YOLOv5 PyTorch'da yerel olarak uygulanan ilk YOLO modelidir, bu da onu araştırma topluluğu ve kurumsal geliştiriciler için son derece erişilebilir hale getirmiştir.
- Yazar: Glenn Jocher
- Kuruluş:Ultralytics
- Tarih: 2020-06-26
- GitHub:Ultralytics YOLOv5
YOLOv5 hakkında daha fazla bilgi edinin.
EfficientDet
EfficientDet, Google tarafından geliştirilen bir nesne algılama modeli ailesidir. EfficientNet backbone temel alır backbone ağırlıklı çift yönlü özellik piramidi ağı (BiFPN) ile tüm backbone, özellik ağı ve kutu/sınıf tahmin ağları için çözünürlüğü, derinliği ve genişliği eşit olarak ölçekleyen bir bileşik ölçeklendirme yöntemi sunar.
- 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 Deposu
İnteraktif Performans Kıyaslamaları
Bu mimariler arasındaki dengeleri anlamak için, standart benchmarklarda performanslarını görselleştirmek çok önemlidir. Aşağıdaki grafik, COCO indeki temel metrikleri karşılaştırarak hız-doğruluk sınırını vurgulamaktadır.
Ayrıntılı Performans Metrikleri
Aşağıdaki tablo, çeşitli model ölçeklerinin performansını ayrıntılı olarak göstermektedir. Ultralytics , özellikle gerçek zamanlı uygulamalar için optimize edildiğinde, tutarlı bir şekilde üstün çıkarım hızları sergilemektedir.
| Model | boyut (piksel) | mAPval 50-95 | Hız CPU ONNX (ms) | Hız T4 TensorRT10 (ms) | parametreler (M) | FLOP'lar (B) |
|---|---|---|---|---|---|---|
| YOLOv5n | 640 | 28.0 | 73.6 | 1.12 | 2.6 | 7.7 |
| YOLOv5s | 640 | 37.4 | 120.7 | 1.92 | 9.1 | 24.0 |
| YOLOv5m | 640 | 45.4 | 233.9 | 4.03 | 25.1 | 64.2 |
| YOLOv5l | 640 | 49.0 | 408.4 | 6.61 | 53.2 | 135.0 |
| YOLOv5x | 640 | 50.7 | 763.2 | 11.89 | 97.2 | 246.4 |
| 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 |
Mimari ve Tasarım
Bu iki model arasındaki temel fark, tasarım felsefelerinde yatmaktadır: YOLOv5 , gerçek zamanlı çıkarım ve mühendislik kolaylığını YOLOv5 , EfficientDet karmaşık özellik birleştirme yoluyla parametre verimliliğine odaklanmaktadır.
YOLOv5: Hız ve Kullanılabilirlik için Tasarlanmış
YOLOv5 , gradyan akışını geliştiren ve hesaplama darboğazlarını azaltan bir CSPDarknet backbone Cross Stage Partial Network) YOLOv5 . Boynu, farklı ölçeklerdeki özellikleri bir araya getirmek için bir PANet (Path Aggregation Network) kullanır ve böylece hem büyük hem de küçük nesnelerin yüksek hassasiyetle algılanmasını sağlar.
Ultralytics'in Avantajı
YOLOv5 en büyük güçlerinden biri modüler tasarımıdır. "Bag of Freebies" ve "Bag of Specials" gibi, çıkarım maliyetini artırmadan doğruluğu artıran optimizasyon tekniklerine odaklanması, onu çeşitli dağıtım senaryoları için inanılmaz derecede sağlam hale getirir.
EfficientDet: Bileşik Ölçeklendirme ve BiFPN
EfficientDet, EfficientNet backbone etrafında oluşturulmuştur backbone BiFPN (Çift Yönlü Özellik Piramidi Ağı) teknolojisini sunmaktadır. Standart FPN'ler farklı seviyelerden özellikleri toplarken, BiFPN bu özelliklere öğrenilebilir ağırlıklar uygular ve ağın hangi girdi özelliklerinin daha önemli olduğunu öğrenmesini sağlar. Teorik olarak FLOP açısından verimli olsa da, BiFPN'nin karmaşık düzensiz bellek erişim modelleri, YOLOv5 basitleştirilmiş CSPNet mimarisine kıyasla GPU'larda genellikle daha yavaş gerçek dünya çıkarımlarına yol açabilir.
Eğitim ve Kullanım Kolaylığı
Geliştiriciler için, bir modelin "yumuşak" ölçütleri —eğitilmesi, uygulanması ve hata ayıklanmasının ne kadar kolay olduğu— genellikle ham doğruluk kadar önemlidir.
Kolaylaştırılmış Kullanıcı Deneyimi
Ultralytics , sıfırdan kahramana dönüşme deneyimleriyle ünlüdür. YOLOv5 , kullanıcıların birkaç dakika içinde özel veriler üzerinde eğitime başlayabilmelerini sağlayan sorunsuz bir komut satırı arayüzü (CLI) ve Python YOLOv5 . Buna karşın, EfficientDet uygulamaları genellikle daha karmaşık yapılandırma dosyaları ve TensorFlow belirli PyTorch hakkında daha derin bilgi gerektirir.
Eğitim Verimliliği ve Kaynaklar
YOLOv5 , eğitim verimliliği için yüksek düzeyde optimize YOLOv5 . Otomatik bağlantı noktası hesaplama, mozaik veri artırma ve hiperparametre evrimi gibi özellikler içerir. Ayrıca, Ultralytics , EfficientDet ve dönüştürücü tabanlı mimarilere kıyasla eğitim sırasında genellikle önemli ölçüde daha düşük bellek gereksinimleri sergiler. Bu, araştırmacıların tüketici sınıfı GPU'larda daha büyük parti boyutlarını eğitmelerine olanak tanıyarak, üst düzey model eğitimine erişimi demokratikleştirir.
from ultralytics import YOLO
# Load a pre-trained YOLO model (recommended over YOLOv5 for new projects)
model = YOLO("yolo26n.pt")
# Train the model on a custom dataset
model.train(data="coco8.yaml", epochs=100, imgsz=640)
Çok Yönlülük ve Gerçek Dünya Uygulamaları
EfficientDet öncelikle bir nesne algılayıcı olsa da, Ultralytics YOLO yeteneklerini basit sınırlayıcı kutuların YOLO ötesine genişletmiştir.
- YOLOv5 : Nesne algılama, örnek segmentasyonu ve görüntü sınıflandırmasını destekler.
- EfficientDet Yetenekleri: Öncelikle nesne algılamaya odaklanmıştır, ancak birleşik bir iş akışına daha az entegre olan bazı segmentasyon uyarlamaları da mevcuttur.
İdeal Kullanım Senaryoları
Aşağıdaki durumlarda Ultralytics YOLOv5 veya daha yeni bir sürüm) seçin:
- Gerçek zamanlı performans çok önemlidir: Otonom sürüş, video analizi ve robotik gibi uygulamalar, YOLO sağladığı düşük gecikme süresine ihtiyaç duyar.
- Kenar Dağıtımı: Bellek ve hesaplama kapasitesinin sınırlı olduğu mobil cihazlara, Raspberry Pi'ye veya NVIDIA dağıtım yapıyorsunuz.
- Hızlı Geliştirme: Kararlı, iyi belgelenmiş bir API ve aktif topluluk desteği ile hızlı bir şekilde yineleme yapmanız gerekir.
Aşağıdaki durumlarda EfficientDet'i seçin:
- FLOP kısıtlamaları çok önemlidir: FLOP'ların (gecikme süresi yerine) tek kısıtlama olduğu çok özel teorik senaryolarda, EfficientDet'in ölçeklendirme özelliği avantajlar sağlayabilir.
- Araştırma temel kriterleri: Akademik bir ortamda, özellikle EfficientNet tabanlı özellik çıkarıcılarla karşılaştırma yapıyorsunuz.
Gelecek: YOLO26
YOLOv5 güçlü bir araç YOLOv5 de, bu alanda gelişmeler kaydedilmiştir. Ultralytics , önceki modellerin belirlediği standartları yeniden tanımlayan yeni nesil bir model olan YOLO26'yı piyasaya sürdü.
YOLO26, uçtan uca NMS bir tasarım sunarak, Non-Maximum Suppression son işlemine olan ihtiyacı ortadan kaldırır. Bu, daha basit dağıtım süreçleri ve daha hızlı çıkarımlar sağlar. Ayrıca YOLO26, daha iyi kenar uyumluluğu için Dağıtım Odak Kaybını (DFL) ortadan kaldırır ve istikrarlı bir yakınsama sağlamak için LLM eğitim yeniliklerinden esinlenen yeni MuSGD optimizasyon aracını kullanır.
En yüksek performansı arayan geliştiriciler için YOLO26'ya geçiş yapılması şiddetle tavsiye edilir. Önceki nesillere kıyasla %43'e kadar daha hızlı CPU sahip olan bu ürün, modern uç AI uygulamaları için en iyi seçimdir.
YOLO26 hakkında daha fazla bilgi edinin
Sonuç
Hem YOLOv5 EfficientDet, bilgisayar görme alanında şöhretler listesine girmeyi başardı. EfficientDet, bileşik ölçeklemenin gücünü gösterirken, YOLOv5 yüksek performansın erişilebilir ve kullanıcı dostu olabileceğini YOLOv5 .
Ancak, 2026 yılında pratik uygulamalar için Ultralytics belirgin bir avantaj sunuyor. Aktif bakım, veri açıklama ve eğitim için birleşik bir platform ve sürekli mimari yeniliklerin birleşimi, YOLOv5ve en son teknoloji YOLO26gibi modelleri profesyonellerin tercih ettiği seçenek haline getiriyor.
Diğer modern mimarileri keşfetmek isteyenler için, aşağıdaki karşılaştırmaları gözden geçirmeyi düşünün YOLO11 veya RT-DETR ile karşılaştırmaları inceleyerek mevcut araçların yelpazesini tam olarak anlayabilirsiniz.