İçeriğe geç

YOLOv8 - EfficientDet: Teknik Bir Karşılaştırma

Doğru nesne algılama modelini seçmek, doğruluk, hız ve hesaplama maliyeti arasında bir denge kurmayı içerir. Bu sayfa, iki etkili mimari arasında ayrıntılı bir teknik karşılaştırma sunmaktadır: hızı ve çok yönlülüğü ile bilinen son teknoloji bir model olan Ultralytics YOLOv8 ve Google tarafından olağanüstü parametre verimliliği için tasarlanmış bir model ailesi olan EfficientDet. Her ikisi de güçlü olmasına rağmen, farklı tasarım felsefelerinden kaynaklanmaktadırlar, bu da onları farklı uygulamalar için uygun hale getirmektedir.

Ultralytics YOLOv8: Çok Yönlülük ve Performans

Yazarlar: Glenn Jocher, Ayush Chaurasia ve Jing Qiu
Kuruluş: Ultralytics
Tarih: 2023-01-10
GitHub: https://github.com/ultralytics/ultralytics
Belgeler: https://docs.ultralytics.com/models/yolov8/

Ultralytics YOLOv8, önceki YOLO sürümlerinin başarıları üzerine inşa edilen, son teknoloji ürünü, tek aşamalı bir nesne algılayıcısıdır. Temel mimari iyileştirmeler sunarak kendisini son derece çok yönlü ve güçlü bir çerçeve olarak kabul ettirmiştir. Bunlar arasında yeni bir CSPDarknet backbone, gelişmiş özellik kaynaştırma için bir C2f boynu ve anchor'suz, ayrıştırılmış bir başlık bulunur. Bu tasarım yalnızca performansı artırmakla kalmaz, aynı zamanda çok çeşitli bilgisayar görüşü görevlerinde esneklik sağlar.

YOLOv8'in Güçlü Yönleri

  • Performans Dengesi: YOLOv8, çıkarım hızı ve doğruluk arasında mükemmel bir denge sağlar ve bu da onu uç cihazlardan güçlü bulut sunucularına kadar çeşitli gerçek dünya dağıtımları için uygun hale getirir.
  • Çok Yönlülük: YOLOv8'in en büyük avantajlarından biri, tek ve birleşik bir çerçeve içinde birden çok görüntü işleme görevine yerel desteğidir. Bu, nesne algılama, örnek segmentasyonu, görüntü sınıflandırması, poz tahmini ve yönlendirilmiş sınırlayıcı kutuları (OBB) içerir.
  • Kullanım Kolaylığı: Model, kullanıcı deneyimine öncelik veren, iyi yönetilen bir ekosistemin parçasıdır. Kapsamlı belgelendirme ve çok sayıda eğitim ile desteklenen, kolaylaştırılmış bir Python API'si ve basit bir CLI'ı sunar.
  • Eğitim Verimliliği: YOLOv8, verimli eğitim süreçlerine sahiptir ve özel modellerin geliştirilmesini basitleştiren, kolayca erişilebilen önceden eğitilmiş ağırlıklar sağlar. Genellikle daha karmaşık mimarilere kıyasla eğitim için daha az CUDA belleği gerektirir.
  • İyi Yönetilen Ekosistem: Kullanıcılar, sürekli geliştirme, güçlü bir açık kaynak topluluğu, sık güncellemeler ve uçtan uca MLOps iş akışları için Ultralytics HUB gibi araçlarla sorunsuz entegrasyondan yararlanır.

YOLOv8'in Zayıflıkları

  • YOLOv8x gibi daha büyük modeller, eğitim ve dağıtım için önemli miktarda işlem kaynağı talep eder.
  • Aşırı kaynak kısıtlamalı donanımlarda dağıtım için nicemleme gibi daha fazla optimizasyon gerektirebilir.

YOLOv8 için İdeal Kullanım Alanları

YOLOv8, gelişmiş robotik, akıllı güvenlik sistemleri ve akıllı şehir altyapısı gibi yüksek doğruluk ve gerçek zamanlı performans gerektiren uygulamalar için idealdir. Çok yönlülüğü, onu basit nesne algılamanın ötesinde diğer görüntü işleme görevlerini de içerecek şekilde genişleyebilecek projeler için de en iyi seçim haline getirir.

YOLOv8 hakkında daha fazla bilgi edinin

EfficientDet: Ölçeklenebilirlik ve Verimlilik

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

EfficientDet, Google Brain ekibi tarafından tanıtılan bir nesne algılama modeli ailesidir. Temel yeniliği, verimlilik ve ölçeklenebilirliğe odaklanmasıdır. Mimari, bir EfficientNet backbone'u, etkili çok ölçekli özellik kaynaştırması için yeni bir Çift Yönlü Özellik Piramidi Ağı (BiFPN) ve bileşik bir ölçeklendirme yöntemi kullanır. Bu yöntem, backbone'un, özellik ağının ve tahmin başlığının derinliğini, genişliğini ve çözünürlüğünü eşit şekilde ölçeklendirerek modelin farklı kaynak kısıtlamalarına göre uyarlanmasına olanak tanır.

EfficientDet'in Güçlü Yönleri

  • Yüksek Verimlilik: EfficientDet, doğruluğu en üst düzeye çıkarırken parametre sayısını ve FLOP'ları en aza indirecek şekilde tasarlanmıştır ve bu da onu kendi zamanı için en hesaplama açısından verimli mimarilerden biri yapar.
  • Ölçeklenebilirlik: Bileşik ölçekleme yaklaşımı, mobil cihazlardan büyük ölçekli bulut sunucularına kadar mevcut hesaplama bütçesine göre seçilebilen bir model ailesi (D0'dan D7'ye) sunar.
  • Doğruluk: Daha büyük EfficientDet modelleri, COCO veri kümesi gibi standart kıyaslamalarda rekabetçi doğruluk elde eder.

EfficientDet'in Zayıflıkları

  • Çıkarım Hızı: EfficientDet, FLOP'lerde verimli olmasına rağmen, özellikle GPU'larda, paralel işleme için yüksek düzeyde optimize edilmiş YOLOv8 gibi mimarilerle karşılaştırıldığında, her zaman en hızlı gerçek dünya çıkarım hızlarına dönüşmez.
  • Sınırlı Çok Yönlülük: EfficientDet öncelikle bir nesne tespiti modelidir ve Ultralytics çerçevesinde bulunan segmentasyon veya poz tahmini gibi diğer görevler için yerleşik desteği yoktur.
  • Ekosistem ve Bakım: Resmi depo, Ultralytics ekosistemi kadar yeni özellikler ve entegrasyonlarla aktif olarak sürdürülmemektedir, bu da geliştiricilerin benimsemesini ve dağıtmasını daha zor hale getirebilir.

EfficientDet için İdeal Kullanım Durumları

EfficientDet, parametre sayısı ve teorik hesaplama maliyetinin (FLOP'lar) en kritik kısıtlamalar olduğu senaryolarda öne çıkar. Model boyutunun kesinlikle sınırlı olduğu belirli uç yapay zeka cihazlarındaki uygulamalar veya hesaplama maliyetini en aza indirmenin öncelikli olduğu bulut ortamları için güçlü bir seçimdir.

EfficientDet hakkında daha fazla bilgi edinin

Performans Karşılaştırması: Hız, Doğruluk ve Verimlilik

YOLOv8 ve EfficientDet'i karşılaştırırken, farklı hedefler için optimize edildikleri açıktır. YOLOv8, gerçek dünya çıkarım hızı ve doğruluğunun üstün bir dengesine öncelik verirken, EfficientDet model parametrelerini ve FLOP'ları en aza indirmeye odaklanır.

Model boyut
(piksel)		 mAPval
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

Tablodan şunları gözlemleyebiliriz:

  • Doğruluk - Parametreler: YOLOv8 modelleri, benzer veya daha büyük sayıda parametreye sahip EfficientDet modellerinden sürekli olarak daha yüksek mAP puanları elde eder. Örneğin, YOLOv8s (11.2M parametre), 44.9 mAP elde ederek, 43.0 mAP'de EfficientDet-d2'yi (8.1M parametre) geride bırakır.
  • Çıkarım Hızı: YOLOv8, özellikle TensorRT optimizasyonlu GPU'larda çıkarım hızında önemli bir avantaj gösterir. YOLOv8x modeli, daha fazla parametreye sahip olmasına rağmen, bir T4 GPU'da karşılaştırılabilir EfficientDet-d7 modelinden 8 kat daha hızlıdır. YOLOv8 ayrıca çok daha hızlı CPU çıkarım hızları gösterir.
  • Verimlilik Takası: EfficientDet modelleri daha düşük FLOP'lara sahip olsa da, bu doğrudan daha hızlı çıkarıma dönüşmez. YOLOv8'in mimarisi, modern donanım hızlandırması için daha uygundur ve bu da pratik senaryolarda daha düşük gecikmeye neden olur.

Neden Ultralytics YOLO Modellerini Seçmelisiniz?

EfficientDet zamanı için çığır açan bir model olsa da, YOLOv8 ve en son YOLO11 gibi daha yeni Ultralytics YOLO modelleri, modern geliştiriciler ve araştırmacılar için önemli avantajlar sunar:

  • Üstün Performans: Ultralytics modelleri, gerçek zamanlı çıkarım için kritik olan daha iyi bir hız ve doğruluk dengesi sağlar.
  • Modern Mimari: Anchor içermeyen algılama ve gelişmiş özellik birleştirme ağları gibi derin öğrenmedeki en son gelişmeleri içerirler.
  • Kapsamlı Ekosistem: Ultralytics ekosistemi, kapsamlı destek, dokümantasyon ve entegrasyonlarla eğitimden dağıtıma kadar sorunsuz bir deneyim sunar.
  • Çoklu Görev Yetenekleri: Tek bir çerçeve içinde algılama, segmentasyon ve daha fazlasını işleyebilme özelliği, geliştirme süresinden tasarruf sağlar ve karmaşıklığı azaltır.

Sonuç

EfficientDet, özellikle model ölçekleme ve verimliliğe yönelik yenilikçi yaklaşımıyla dikkate değer bir mimari olmaya devam ediyor. Parametre sayısını ve FLOP'ları en aza indirmenin mutlak en yüksek öncelik olduğu uygulamalar için sağlam bir seçimdir.

Ancak, modern bilgisayarlı görü uygulamalarının büyük çoğunluğu için YOLOv8 daha çekici bir seçenek sunuyor. Üstün hız, daha yüksek doğruluk ve eşsiz çok yönlülük sunar. Kullanıcı dostu ve aktif olarak sürdürülen Ultralytics ekosistemi ile birleştiğinde, YOLOv8 geliştiricilerin yüksek performanslı yapay zeka çözümlerini daha hızlı ve daha etkili bir şekilde oluşturmasını ve dağıtmasını sağlar. En gelişmiş ve kullanımı kolay çözümü arayanlar için Ultralytics modelleri önerilen seçimdir.

Diğer Model Karşılaştırmaları

Daha fazla inceleme için, YOLOv8, EfficientDet ve diğer ilgili modelleri içeren bu karşılaştırmaları göz önünde bulundurun:



📅 1 yıl önce oluşturuldu ✏️ 1 ay önce güncellendi
glenn-jocher

Yorumlar