Teknik Karşılaştırma: Nesne Algılama için YOLOX vs EfficientDet
Ultralytics YOLO modelleri, nesne algılama görevlerinde hızları ve doğruluklarıyla ünlüdür. Bu sayfa, önde gelen iki nesne algılama modeli arasında ayrıntılı bir teknik karşılaştırma sunmaktadır: YOLOX ve EfficientDet. Bilgisayarla görme ihtiyaçlarınız için en uygun modeli seçmenize yardımcı olmak için mimari tasarımlarını, performans kıyaslamalarını, eğitim metodolojilerini ve optimum uygulamalarını inceleyeceğiz.
YOLOX: Yüksek Performanslı Ankrajsız Dedektör
YOLOX ("You Only Look Once X") Megvii tarafından geliştirilen son teknoloji ürünü çapasız bir nesne dedektörüdür. Basitlik ve yüksek performans için tasarlanmıştır ve araştırma ile pratik endüstriyel uygulamalar arasındaki boşluğu doldurur.
Mimari ve Temel Özellikler
YOLOX, mimariyi basitleştiren ve verimliliği artıran çapasız algılama paradigması ile öne çıkmaktadır. Önemli mimari özellikler şunlardır:
- Çapasız Tasarım: Çapa kutularının karmaşıklığını ortadan kaldırarak daha basit uygulama ve özellikle farklı en boy oranlarına sahip nesneler için potansiyel olarak daha iyi genelleme sağlar.
- Ayrılmış Kafa: Sınıflandırma ve lokalizasyon kafalarını ayırarak her bir görev için optimizasyonu ve genel doğruluğu artırır.
- Gelişmiş Eğitim Stratejileri: Sağlam eğitim ve gelişmiş performans sağlamak için SimOTA etiket ataması ve güçlü veri artırımı (MixUp ve Mosaic) gibi teknikler kullanır.
Yazarlar: Zheng Ge, Songtao Liu, Feng Wang, Zeming Li ve Jian Sun Organizasyon: Megvii Tarih: 2021-07-18 Arxiv Bağlantısı: https://arxiv.org/abs/2107.08430 GitHub Bağlantısı: https://github.com/Megvii-BaseDetection/YOLOX Dokümantasyon Bağlantısı: https://yolox.readthedocs.io/en/latest/
Performans Ölçütleri
YOLOX modelleri cazip bir hız ve doğruluk dengesi sunar. Karşılaştırma tablosunda gösterildiği gibi, YOLOX yüksek çıkarım hızlarını korurken rekabetçi mAP puanları elde eder ve bu da onu gerçek zamanlı uygulamalar için uygun hale getirir. Çeşitli model boyutlarında ayrıntılı performans için lütfen aşağıdaki tabloya bakın.
Kullanım Örnekleri
- Gerçek Zamanlı Nesne Algılama: Güvenlik sistemleri ve canlı video analizleri gibi hızlı algılama gerektiren uygulamalar için idealdir.
- Uç Cihazlar: NVIDIA Jetson ve mobil platformlar gibi kaynakları sınırlı cihazlarda verimli performans.
- Otonom Sistemler: Hızlı ve doğru algılamanın çok önemli olduğu robotik ve otonom araçlar için çok uygundur.
Güçlü ve Zayıf Yönler
Güçlü yönler:
- Yüksek Çıkarım Hızı: Çapasız mimari ve optimize edilmiş tasarım hızlı işlemeye katkıda bulunur.
- Basitlik: Kolaylaştırılmış tasarım, çapa tabanlı modellere kıyasla eğitmeyi ve dağıtmayı kolaylaştırır.
- Doğruluk ve Hız Arasında İyi Bir Denge: Çıkarım hızından ödün vermeden rekabetçi doğruluk sunar.
Zayıflıklar:
- mAP: Oldukça verimli olsa da, belirli senaryolarda bazı daha büyük, daha karmaşık modellerden biraz daha az doğru olabilir.
YOLOX hakkında daha fazla bilgi edinin
EfficientDet: Ölçeklenebilir ve Verimli Nesne Algılama
Google Research tarafından geliştirilen EfficientDet, nesne algılamada ölçeklenebilirliği ve verimliliği ile ünlüdür. Önceki dedektörlere kıyasla önemli ölçüde daha az parametre ve FLOP ile son teknoloji ürünü doğruluk elde eden bir model ailesi kullanır.
Mimari ve Temel Özellikler
EfficientDet, hem verimliliği hem de doğruluğu artırmak için çeşitli yenilikler sunar:
- BiFPN (Çift Yönlü Özellik Piramidi Ağı): Ağın farklı çözünürlüklerdeki özellikleri etkili bir şekilde kullanmasını sağlayarak verimli çok ölçekli özellik füzyonuna izin verir.
- Bileşik Ölçeklendirme: Tek bir bileşik katsayı kullanarak ağın tüm boyutlarını (omurga, BiFPN ve kutu/sınıf tahmin ağı) eşit şekilde ölçeklendirerek ölçeklendirme sürecini basitleştirir ve performansı optimize eder.
- Verimli Omurga: Verimliliği ve güçlü özellik çıkarma yetenekleriyle bilinen EfficientNet'i omurga ağı olarak kullanır.
Yazarlar: Mingxing Tan, Ruoming Pang ve Quoc V. Le Organizasyon: Google Tarih: 2019-11-20 Arxiv Bağlantısı: https://arxiv.org/abs/1911.09070 GitHub Bağlantısı: https:google Dokümantasyon Bağlantısı: https:google
Performans Ölçütleri
EfficientDet modelleri, d0'dan d7'ye kadar bir dizi model sunarak farklı ölçeklerde oldukça verimli olacak şekilde tasarlanmıştır. Nispeten az sayıda parametre ve FLOP ile mükemmel mAP puanları elde ederler, bu da onları kaynak kısıtlı ortamlarda dağıtım için uygun hale getirir. Ayrıntılı ölçümler için karşılaştırma tablosuna bakın.
Kullanım Örnekleri
- Mobil ve Uç Dağıtım: EfficientDet'in küçük model boyutları ve yüksek verimliliği, onu mobil cihazlar ve uç bilişim senaryoları için ideal hale getirir.
- Sınırlı Kaynaklarla Yüksek Doğruluk Gerektiren Uygulamalar: Doğruluğun çok önemli olduğu ancak uç cihazlarda kalite denetimi gibi hesaplama kaynaklarının sınırlı olduğu uygulamalar için uygundur.
- Pille Çalışan Cihazlar: Enerji tasarruflu tasarım, pille çalışan cihazlarda ve IoT uygulamalarında kullanıma olanak tanır.
Güçlü ve Zayıf Yönler
Güçlü yönler:
- Yüksek Verimlilik: Daha az parametre ve FLOP ile son teknoloji doğruluk elde ederek daha hızlı çıkarım ve daha düşük hesaplama maliyeti sağlar.
- Ölçeklenebilirlik: Bileşik ölçeklendirme yöntemi, farklı doğruluk ve kaynak gereksinimlerini karşılamak için modelin kolayca ölçeklendirilmesine olanak tanır.
- Doğruluk: Özellikle küçük ve orta ölçekli modeller için mAP açısından güçlü performans.
Zayıflıklar:
- Çıkarım Hızı: EfficientDet verimli olsa da, YOLOv10 gibi hız için özel olarak optimize edilmiş modellerden daha yavaş olabilir veya YOLOv8özellikle daha büyük varyantlar için.
EfficientDet hakkında daha fazla bilgi edinin
Performans Karşılaştırma Tablosu
| Model | boyut (piksel) |
mAPval 50-95 |
Hız CPU ONNX (ms) |
Hız T4TensorRT10 (ms) |
params (M) |
FLOP'lar (B) |
|---|---|---|---|---|---|---|
| YOLOXnano | 416 | 25.8 | - | - | 0.91 | 1.08 |
| YOLOXtiny | 416 | 32.8 | - | - | 5.06 | 6.45 |
| YOLOXs | 640 | 40.5 | - | 2.56 | 9.0 | 26.8 |
| YOLOXm | 640 | 46.9 | - | 5.43 | 25.3 | 73.8 |
| YOLOXl | 640 | 49.7 | - | 9.04 | 54.2 | 155.6 |
| YOLOXx | 640 | 51.1 | - | 16.1 | 99.1 | 281.9 |
| 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 |
İlgili Karşılaştırmalar
Ultralytics Dokümanlarında bulunan nesne algılama modelleri arasındaki diğer anlayışlı karşılaştırmaları keşfedin:
- YOLOv8 vs YOLOX: Ultralytics YOLOv8 ve YOLOX arasında bir karşılaştırma.
- YOLOv7 vs YOLOX: YOLOv7 ve YOLOX mimarilerinin ve performansının ayrıntılı bir analizi.
- YOLOv5 vs YOLOX: YOLOv5 ve YOLOX'un verimlilik ve esnekliğinin karşılaştırılması.
- YOLOX vs YOLO11: YOLOX ve Ultralytics YOLO11 arasında teknik bir karşılaştırma.
- EfficientDet vs YOLOv5: EfficientDet'in YOLOv5'e karşı verimliliğinin değerlendirilmesi.
- EfficientDet vs YOLOv7: EfficientDet ve YOLOv7 arasında bir performans karşılaştırması.
- EfficientDet vs YOLOv8: EfficientDet ve YOLOv8'in güçlü ve zayıf yönlerinin analizi.
- EfficientDet vs YOLOv10: En yeni modeller olan EfficientDet ve YOLOv10'un karşılaştırılması.
