YOLOv8 vs. EfficientDet: Nesne Algılama Mimarilerine Derinlemesine Bir Bakış

Bilgisayarla görmenin hızla gelişen ortamında, doğru nesne algılama modelini seçmek başarılı yapay zeka uygulamaları oluşturmak için kritik öneme sahiptir. Kendi dönemlerinde en son teknolojiyi tanımlayan iki önemli mimari şunlardır YOLOv8Ultralytics ve EfficientDet Google Research tarafından. Bu karşılaştırma, her iki model için teknik nüansları, performans ölçümlerini ve ideal kullanım durumlarını inceleyerek geliştiricilerin ve araştırmacıların projeleri için bilinçli kararlar vermelerine yardımcı olur.

EfficientDet piyasaya sürüldüğünde model ölçeklendirme ve verimlilik konularında çığır açan kavramlar ortaya koymuştur, Ultralytics YOLOv8 gerçek zamanlı çıkarım hızına, kullanım kolaylığına ve pratik dağıtım yeteneklerine öncelik veren daha modern bir evrimi temsil etmektedir.

Performans Karşılaştırması: Hız, Doğruluk ve Verimlilik

YOLOv8 ve EfficientDet arasındaki karşılaştırma, tasarım felsefesindeki temel bir değişimi vurgulamaktadır. EfficientDet büyük ölçüde FLOP'ları (Kayan Nokta İşlemleri) ve parametre sayısını en aza indirmeye odaklanarak teorik olarak yüksek verimlilik sağlar. Buna karşılık YOLOv8 , doğruluktan ödün vermeden üstün çıkarım hızları sunmak için GPU paralelliğinden yararlanarak modern donanım üzerindeki verimi en üst düzeye çıkarmak üzere tasarlanmıştır.

Model	boyut ^(piksel)	mAP^val 50-95	Hız ^{CPU ONNX (ms)}	Hız ^{T4 TensorRT10 (ms)}	parametreler ^(M)	FLOP'lar ^(B)
YOLOv8n	640	37.3	80.4	1.47	3.2	8.7
YOLOv8s	640	44.9	128.4	2.66	11.2	28.6
YOLOv8m	640	50.2	234.7	5.86	25.9	78.9
YOLOv8l	640	52.9	375.2	9.06	43.7	165.2
YOLOv8x	640	53.9	479.1	14.37	68.2	257.8

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

Karşılaştırma Ölçütlerinden Çıkarılan Temel Sonuçlar

GPU Gecikme Hakimiyeti: YOLOv8 modelleri GPU donanımında önemli ölçüde daha hızlıdır. Mesela, YOLOv8xEfficientDet-d7 'den (53.7) daha yüksek bir mAP (53.9) elde ederken T4 GPU 'da yaklaşık 9 kat daha hızlı çalışır (14.37ms'ye karşı 128.07ms). Bu da YOLOv8 ' i gerçek zamanlı çıkarım uygulamaları için tercih edilen bir seçenek haline getirmektedir.
Parametrelere Karşı Doğruluk: EfficientDet parametre verimliliği ile ünlü olsa da, YOLOv8 optimize edilmesi daha kolay modellerle rekabetçi doğruluk sağlar. YOLOv8m , FLOP'lardaki farklılıklara rağmen çok daha üstün çıkarım hızlarıyla doğrulukta EfficientDet-d4'ten daha iyi performans gösterir (50,2'ye karşı 49,7 mAP).
Mimari Verimlilik: EfficientDet'in daha düşük FLOP sayısı, özellikle bellek erişim maliyetlerinin ve paralelliğin ham işlem sayılarından daha önemli olduğu GPU'larda her zaman daha düşük gecikme süresi anlamına gelmez. YOLOv8'in mimarisi, donanım kullanımını en üst düzeye çıkarmak için uyarlanmıştır.

Donanım Optimizasyonu

Modelleri her zaman hedef donanımınızda kıyaslayın. Teorik FLOP'lar karmaşıklık için faydalı bir vekildir ancak bellek bant genişliği ve paralelleştirme yeteneklerinin daha büyük bir rol oynadığı GPU'lar veya NPU'lardaki gerçek gecikmeyi tahmin etmekte genellikle başarısız olur. Özel kurulumunuzdaki performansı test etmek için YOLO kıyaslama modunu kullanın.

Ultralytics YOLOv8 Genel Bakış

YOLOv8 , nesne algılama, örnek segmentasyonu ve görüntü sınıflandırması için birleşik bir çerçeve olarak tasarlanan Ultralytics tarafından yayınlanan YOLO (You Only Look Once) serisinin en son büyük yinelemesidir.

Yazarlar: Glenn Jocher, Ayush Chaurasia ve Jing Qiu
Organizasyon:Ultralytics
Tarih 10 Ocak 2023
GitHub:ultralytics

YOLOv8 , eğitim sürecini basitleştiren ve farklı nesne şekilleri arasında genelleştirmeyi geliştiren çapasız bir algılama kafası da dahil olmak üzere önemli mimari iyileştirmeler sunar. Ayrıca, daha zengin özellik entegrasyonu için tasarlanmış yeni bir backbone ağı ve bir yol toplama ağı (PAN-FPN) kullanır.

YOLOv8 hakkında daha fazla bilgi edinin

YOLOv8'in Güçlü Yönleri

Son Teknoloji Performans: COCO veri setinde ölçütleri belirleyerek olağanüstü bir hız ve doğruluk dengesi sunar.
Geliştirici Dostu Ekosistem: ultralytics python paketi, eğitim, doğrulama ve dağıtımı birleştiren kolaylaştırılmış bir API sunar.
Çok yönlülük: Tek bir repo içinde birden fazla görevi (Algılama, Segmentasyon, Poz, OBB, Sınıflandırma) destekler.
Eğitim Verimliliği: Mozaik büyütme gibi tekniklerden yararlanan YOLOv8 modelleri daha hızlı yakınsar ve yüksek doğruluğa ulaşmak için genellikle daha az eğitim verisi gerektirir.

Google EfficientDet'e Genel Bakış

Google Brain ekibi tarafından geliştirilen EfficientDet, nesne algılamaya bileşik ölçeklendirme kavramını getiren bir nesne algılama modelleri ailesidir. Optimum performans elde etmek için ağın çözünürlüğünü, derinliğini ve genişliğini aynı anda ölçeklendirir.

Yazarlar: Mingxing Tan, Ruoming Pang ve Quoc V. Le
Organizasyon:Google Araştırma
Tarih 20 Kasım 2019
ArXiv:EfficientDet: Ölçeklenebilir ve Verimli Nesne Algılama

EfficientDet, EfficientNet backbone üzerine inşa edilmiştir ve kolay ve hızlı çok ölçekli özellik füzyonuna olanak tanıyan BiFPN 'yi (Çift Yönlü Özellik Piramidi Ağı) sunar.

EfficientDet hakkında daha fazla bilgi edinin

EfficientDet'in Güçlü Yönleri

Parametre Verimliliği: Nispeten az sayıda parametre ve FLOP ile yüksek doğruluk elde eder.
Ölçeklenebilirlik: d0 için d7 Ölçekleme yöntemi, kaynakları doğrulukla takas etmek için sistematik bir yol sağlar.
BiFPN: Yenilikçi özellik piramidi ağı, farklı çözünürlüklerdeki özellikleri etkili bir şekilde birleştirir.

Mimari Karşılaştırma

YOLOv8 ve EfficientDet arasındaki mimari farklılıklar, performans özelliklerini ve farklı görevler için uygunluklarını belirler.

Backbone ve Özellik Füzyonu

YOLOv8 C3 modülünün yerini alan bir C2f modülü ile değiştirilmiş bir CSPDarknet backbone kullanır. YOLOv5. Bu tasarım gradyan akışını iyileştirir ve GPU paralelliği için son derece optimize edilmiştir.
EfficientDet, BiFPN ile birleştirilmiş bir EfficientNet backbone kullanır. BiFPN, farklı seviyelerdeki özellikleri birleştirmek için öğrenilebilir ağırlıklar kullanır, bu teorik olarak verimlidir ancak GPU'larda çıkarımı yavaşlatabilecek karmaşık, düzensiz bellek erişim modellerini içerir.

Tespit Başlığı

YOLOv8 Nesnellik, sınıflandırma ve regresyon görevlerini ayıran ayrıştırılmış bir kafa mimarisi kullanır. En önemlisi, nesne merkezlerini doğrudan tahmin ederek çapasızdır. Bu, manuel çapa kutusu ayarlama ihtiyacını ortadan kaldırır ve hiperparametre sayısını azaltır.
EfficientDet çapa tabanlı bir yaklaşım kullanır. Etkili olmakla birlikte, çapa tabanlı yöntemler genellikle belirli veri kümeleri için çapa boyutlarının ve en boy oranlarının dikkatli bir şekilde kalibre edilmesini gerektirir ve bu da eğitim hattına karmaşıklık katar.

Kullanım Kolaylığı ve Ekosistem

En önemli farklılaştırıcılardan biri, modelleri çevreleyen ekosistemdir. Ultralytics , YOLOv8 'in hem yeni başlayanlar hem de uzmanlar için erişilebilir olmasını sağlayarak yapay zekayı demokratikleştirmeye büyük ölçüde odaklanmıştır.

Ultralytics Deneyimi

Ultralytics Python API, kullanıcıların sadece birkaç satır kodla modelleri yüklemelerine, eğitmelerine ve dağıtmalarına olanak tanır. Ekosistem, aşağıdaki gibi araçlarla sorunsuz entegrasyonlar içerir Weights & Biases deney takibi için ve Roboflow veri kümesi yönetimi için.

from ultralytics import YOLO

# Load a YOLOv8 model
model = YOLO("yolov8n.pt")

# Train the model
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Run inference on an image
results = model("path/to/image.jpg")

Buna karşılık, EfficientDet genellikle araştırma odaklı depolarda bulunur (orijinal TensorFlow uygulaması gibi). Güçlü olmakla birlikte, bu uygulamalar genellikle özel veri kümeleri üzerinde eğitim vermek için daha fazla şablon kodu, karmaşık yapılandırma dosyaları ve temel çerçeveTensorFlow) hakkında daha derin bilgi gerektirir.

İhracat Kabiliyetleri

Ultralytics modelleri, aşağıdakiler de dahil olmak üzere çok sayıda formata tek tıklamayla dışa aktarmayı destekler ONNX, TensorRT, CoreML ve TFLite. Bu esneklik, modelleri bulut sunucularından Raspberry Pi uç cihazlarına kadar çeşitli ortamlara dağıtmak için çok önemlidir.

İdeal Kullanım Senaryoları

YOLOv8 Ne Zaman Seçilmeli

YOLOv8 , hız ve doğruluk dengesi nedeniyle günümüzde bilgisayarla görme uygulamalarının büyük çoğunluğu için önerilen seçimdir.

Gerçek Zamanlı Uygulamalar: Gecikmenin kritik olduğu otonom sürüş, video gözetimi ve robotik.
Uç Dağıtım: Verimlilik ve hızın çok önemli olduğu NVIDIA Jetson, mobil cihazlar veya uç bilgi işlem birimlerinde çalışır.
Hızlı Prototipleme: Güvenilir, iyi belgelenmiş bir çerçeve kullanarak veri kümesinden konuşlandırılmış modele hızlı bir şekilde geçmeniz gerektiğinde.
Çoklu Görev Gereksinimleri: Projeniz segmentasyon veya poz tahmini içeriyorsa, YOLOv8 bunları yerel olarak işler.

EfficientDet Ne Zaman Seçilmeli

EfficientDet, özellikle akademik araştırma veya oldukça kısıtlı CPU ortamları gibi niş senaryolarda geçerliliğini korumaktadır.

Teorik Araştırma: Verimli ağ mimarileri ve ölçeklendirme yasaları üzerine çalışmak.
Belirli Düşük Güç CPU'ları: Bazı durumlarda, düşük FLOP sayısı aşırı kaynak kısıtlı CPU'larda daha iyi pil ömrü anlamına gelebilir, ancak kıyaslama yapılması tavsiye edilir.

Sonuç

EfficientDet, verimli sinir ağı tasarımında dönüm noktası niteliğinde bir başarıydı, YOLOv8 ve daha yeni YOLO11 modern yapay zeka geliştirme için üstün bir paket sunuyor. YOLOv8'in çapasız mimarisi, GPU tasarımı ve sağlam Ultralytics ekosistemi, geliştirme hızı, çıkarım gecikmesi ve dağıtım esnekliği açısından önemli bir avantaj sağlar.

Hem hızlı hem de doğru olan son teknoloji bilgisayarla görme çözümleri oluşturmak isteyen geliştiriciler için Ultralytics YOLO modelleri kesin seçimdir.

Diğer Modelleri İnceleyin

Bu mimarileri diğer modellerle karşılaştırmakla ilgileniyorsanız, bu sayfalara göz atın: