DETR, dönüştürücüler kullanarak nesne tespitini bir küme tahmin problemi olarak ele alarak yeniden tasarlıyor ve çapa kutuları ve maksimum olmayan bastırma gibi elle tasarlanmış bileşenleri ortadan kaldırıyor. Faster R-CNN ve YOLO gibi geleneksel CNN tabanlı dedektörler, yıllardır bilgisayar görüşüne hakim olan bölge önerilerine ve çok aşamalı işlem hatlarına dayanmaktadır.
Görüntü özelliklerinden doğrudan nesne kümelerini tahmin etmek için bir transformatör kodlayıcı-kod çözücü mimarisi kullanan uçtan uca bir nesne algılama modeli.
Nesnelerin yerini belirlemek için bölge önerileri, çapa kutuları veya ızgara tabanlı tahminler kullanan, evrimsel sinir ağları üzerine kurulu nesne algılama yöntemleri.
| Özellik | Transformer'lar ile Nesne Algılama (DETR) | Geleneksel CNN Tabanlı Tespit |
|---|---|---|
| Mimari Tip | CNN tabanlı Transformer kodlayıcı-kod çözücü | Görev odaklı başlıklara sahip saf evrimsel sinir ağı |
| Tahmin Yaklaşımı | İki taraflı eşleştirme yoluyla küme tahmini | Çapa tabanlı veya çapa içermeyen ızgara tahminleri |
| Son İşlem Gereklidir | Yok (uçtan uca çıktı) | Maksimum olmayan baskılama (NMS) gereklidir |
| Eğitim Yakınsaması | Daha yavaş, COCO üzerinde 500 epoch gerektiriyor. | Daha hızlı, modele bağlı olarak genellikle 12-300 epoch arası sürer. |
| Çıkarım Hızı | Orta seviye, GPU'da yaklaşık 10-30 FPS. | Hızlı, varyanta bağlı olarak 30-300+ FPS arasında değişiyor. |
| Yinelenen Tahminlerin Ele Alınması | Küme tabanlı kayıp yoluyla yerleşik | NMS eşik ayarlaması tarafından ele alınmaktadır. |
| Küresel Bağlam Anlayışı | Güçlü, imaj üzerinden öz dikkat yoluyla | Sınırlı, alıcı alan boyutuna bağlı |
| Bileşen Karmaşıklığı | Basitleştirilmiş üretim hattı, daha az el işçiliği gerektiren parça | Çapa ve NMS gibi elle tasarlanmış çok sayıda bileşen. |
| COCO'daki Performans (mAP) | Değişkene bağlı olarak 44-63 AP (DETR, Deforme Edilebilir DETR) | YOLOv8, Faster R-CNN gibi popüler varyantlar için 37-55 AP. |
DETR, tespit işlemini doğrudan küme tahmini problemi olarak ele alarak, tespitin çalışma şeklini temelden değiştiriyor. Binlerce aday kutu oluşturup filtrelemek yerine, sabit bir tahmin kümesi (genellikle 100) üretiyor ve bunları Macar algoritmasını kullanarak gerçek değerlerle eşleştiriyor. Geleneksel CNN dedektörleri daha artımlı bir yaklaşım benimseyerek, öneriler, çapalar veya ızgara hücreleri aracılığıyla tespitler oluşturuyor, ardından bunları çoklu sınıflandırma ve regresyon aşamalarıyla iyileştiriyor.
DETR'nin en büyük satış noktalarından biri, sadeleştirilmiş işlem hattıdır. Çapa oluşturma, bölge önerileri ve NMS'yi ortadan kaldırarak, modelin anlaşılması ve değiştirilmesi çok daha kolay hale gelir. Geleneksel dedektörler, yüksek düzeyde optimize edilmiş olsalar da, dikkatli ayarlama gerektiren birçok el yapımı bileşen içerir. Her bileşen, performansı etkileyebilecek hiperparametreler ve tasarım kararları getirir; bu da bu sistemlerin geliştirilmesini ve hata ayıklamasını daha karmaşık hale getirir.
DETR'nin eğitimi, CNN tabanlı alternatiflere göre oldukça yavaştır. Orijinal model, rekabetçi performansa ulaşmak için COCO veri kümesinde 500 epoch gerektiriyordu; bunun nedeni kısmen transformatör kod çözücünün uzamsal dikkat mekanizmalarını öğrenmesi için zamana ihtiyaç duymasıydı. Deformable DETR gibi sonraki varyantlar, belirli görüntü bölgelerine odaklanan dikkat mekanizmaları ekleyerek bu sorunu çözdü ve eğitim süresini yaklaşık 10 kat azalttı. YOLO gibi CNN dedektörleri, bu sürenin çok daha kısa bir bölümünde yakınsama sağlayabilir; bu da yeni veri kümeleri üzerinde yineleme yaparken büyük önem taşır.
Gerçek zamanlı uygulamalar için, geleneksel CNN dedektörleri hala önemli bir avantaja sahip. YOLO varyantları ve benzer tek aşamalı modeller, modern GPU'larda saniyede yüzlerce kare hızında çalışabiliyor; bu da onları video analizi, otonom sürüş ve robotik için ideal hale getiriyor. DETR, orijinal haliyle önemli ölçüde daha yavaş çalışıyor, ancak optimize edilmiş sürümler ve verimli transformatör tasarımları bu farkı kapatıyor. Tüm görüntü boyunca öz dikkat mekanizmasının hesaplama maliyeti, transformatör tabanlı dedektörler için bir darboğaz olmaya devam ediyor.
DETR'nin öz-dikkat mekanizması, bir görüntünün uzak kısımları arasındaki ilişkiler hakkında akıl yürütmesine olanak tanır; bu da gizlenmiş nesneleri tespit etmeye ve sahne bağlamını anlamaya yardımcı olur. Geleneksel CNN'lerin daha sınırlı bir algılama alanı vardır, ancak genişletilmiş evrişimler ve özellik piramit ağları gibi teknikler, etkili bağlamlarını genişletmeye yardımcı olur. Pratikte, her iki yaklaşım da yaygın algılama senaryolarını iyi bir şekilde ele alır, ancak DETR, daha geniş sahne ilişkilerini anlamayı gerektiren nesnelerde daha iyi performans gösterme eğilimindedir.
Geleneksel CNN tabanlı tespit yöntemleri, araçlar, önceden eğitilmiş modeller, eğitim materyalleri ve üretim uygulamaları açısından büyük bir avantaja sahip. Ultralytics YOLO, MMDetéction ve Detectron2 gibi çerçeveler, CNN dedektörleri için kapsamlı destek sunuyor. DETR ekosistemi, DINO, Co-DETR ve RT-DETR gibi varyantlarla performans sınırlarını zorlayarak hızla büyüyor, ancak üretim mühendisleri olgunluk ve hız avantajları nedeniyle genellikle CNN tabanlı çözümlere yöneliyor.
DETR, nesne algılamada kullanılan tüm CNN bileşenlerinin yerini tamamen almaktadır.
DETR, ilk özellik çıkarımı için hala bir CNN omurgası (genellikle ResNet) kullanır. Transformer yalnızca algılama başlığını ve tahmin mekanizmasını değiştirir. CNN omurgası, ham pikselleri anlamlı özellik haritalarına dönüştürmek için hayati önem taşır.
DETR nedeniyle geleneksel CNN dedektörleri artık geçerliliğini yitirmiştir.
CNN tabanlı dedektörler, hızları ve verimlilikleri nedeniyle üretim uygulamalarında baskın konumlarını koruyor. YOLOv8, YOLOv9 ve RT-DETR (ki aslında her iki yaklaşımı da birleştiriyor) gibi modeller, birçok gerçek dünya uygulaması için en gelişmiş teknoloji olmaya devam ediyor. DETR önemli bir alternatiftir, bir ikame değildir.
DETR'nin hiçbir işlem sonrası aşamasına ihtiyacı yoktur.
DETR, NMS ve çapa işlemesini ortadan kaldırırken, düşük güvenilirlikteki tahminleri filtrelemek için yine de güvenilirlik eşikleme işlemine ihtiyaç duyar. Model sabit sayıda tahmin (genellikle 100) üretir ve yalnızca eşik değerinin üzerindekiler nihai tespitler olarak saklanır.
DETR, CNN tabanlı dedektörlerden her zaman daha doğrudur.
Doğruluk, belirli varyanta ve kullanım durumuna büyük ölçüde bağlıdır. DETR ve halefleri rekabetçi mAP puanları elde ederken, birçok CNN tabanlı dedektör belirli kıyaslamalarda onlarla eşleşir veya onları aşar. Orijinal DETR aslında Faster R-CNN ile karşılaştırılabilir bir performans sergiledi, önemli ölçüde daha iyi değil.
DETR gerçek zamanlı uygulamalar için kullanılamaz.
Orijinal DETR gerçek zamanlı kullanım için çok yavaş olsa da, RT-DETR (Gerçek Zamanlı DETR) gibi daha yeni varyantlar özellikle hız için optimize edilmiştir ve rekabetçi kare hızlarına ulaşabilir. Transformatör tabanlı algılama ailesi 2020'den beri önemli ölçüde gelişmiştir.
Temiz, uçtan uca bir işlem hattına ihtiyacınız olduğunda ve özellikle küresel bağlam ve tıkanma yönetiminin önemli olduğu araştırma senaryoları için daha uzun eğitim sürelerini göze alabiliyorsanız DETR'yi tercih edin. Gerçek zamanlı çıkarım, daha hızlı eğitim döngüleri ve olgun bir araç ekosistemine ve önceden eğitilmiş modellere erişim gerektiren üretim sistemleri için geleneksel CNN tabanlı tespit yöntemini kullanın.
Açık kaynaklı LLM'ler, tam kod erişimiyle özelleştirilebilir, kendi kendine barındırılan yapay zeka modelleri sunarken, tescilli LLM API'leri ise bulut tabanlı uç noktalar aracılığıyla kullanım tabanlı fiyatlandırmayla yönetilen, geliştirilmiş hizmetler sağlar.
Açık kaynaklı modeller, eğitilmiş parametrelerini herkese açık bir şekilde yayınlayarak herkesin bunları indirmesine, incelemesine ve ince ayar yapmasına olanak tanır. Kapalı kaynaklı modeller ise ağırlıklarını gizli tutarak yalnızca API'ler veya barındırılan ürünler aracılığıyla erişim sağlar. Bu iki model arasındaki seçim, geliştiricilerin yapay zeka sistemlerini nasıl oluşturduklarını, dağıttıklarını ve onlara nasıl güvendiklerini şekillendirir.
Bu karşılaştırma, açık kaynaklı yapay zeka ile tescilli yapay zeka arasındaki temel farkları ele alıyor; erişilebilirlik, özelleştirme, maliyet, destek, güvenlik, performans ve gerçek dünya kullanım senaryolarını kapsıyor. Bu sayede kuruluşlar ve geliştiriciler, hangi yaklaşımın hedeflerine ve teknik yetkinliklerine uygun olduğunu belirleyebilir.
Ağ tabanlı makine öğrenimi, gecikme süresi, bant genişliği ve topoloji gibi ağ koşullarını doğrudan model tasarımına ve çıkarım kararlarına dahil ederken, yalnızca hesaplama odaklı makine öğrenimi, GPU gücü ve bellek gibi hesaplama kaynaklarına odaklanır. İlki dağıtılmış ortamlar için optimizasyon yaparken, ikincisi bol miktarda yerel hesaplama gücü olduğunu varsayar.
Ajan işbirliği ve merkezi model akıl yürütme, karmaşık yapay zeka problemlerini çözmeye yönelik iki farklı yaklaşımı temsil eder. Çoklu ajan sistemleri bilişsel süreçleri uzmanlaşmış düğümler arasında dağıtırken, merkezi akıl yürütme karar verme sürecini tek bir güçlü model içinde yoğunlaştırır. Her paradigma, ölçeklenebilirlik, yorumlanabilirlik ve görev performansı açısından benzersiz avantajlar ve dezavantajlar sunar.
