EfficientNet
EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks · Ayrıca şöyle bilinir: EfficientNet, compound scaling CNN, EfficientNet-B0 through B7, EfficientNetV2
EfficientNet, Mingxing Tan ve Quoc V. Le (Google Brain) tarafından ICML 2019'da tanıtılan bir evrişimli sinir ağı mimarileri ailesidir. Bu aile, tek bir bileşik katsayı kullanarak ağın derinliğini, genişliğini ve girdi çözünürlüğünü sistematik olarak birlikte ölçeklendirir. Böylece, ResNet ve Inception gibi önceki ağlara kıyasla önemli ölçüde daha az parametre ve FLOP ile son teknoloji görüntü sınıflandırma doğruluğu elde eder.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
EfficientNet, doğruluk başına parametre veya doğruluk başına FLOP'un önemli olduğu görüntü sınıflandırma, özellik çıkarma ve transfer öğrenmesi görevleri için uygundur; kaynak kısıtlı cihazlardaki dağıtımlar dahil. Mobil veya gömülü hedefler için daha küçük bir varyant (B0–B2) ve GPU belleği bol olduğunda daha büyük bir varyant (B5–B7) seçin. Görevin görsel olduğunu varsayar ve büyük görüntü kümeleri üzerinde ön eğitime sahip olmaktan fayda görür. Görüntü dışı modaliteler, 1 boyutlu zaman serileri veya daha basit bir CNN'nin yeterli olabileceği çok küçük veri kümeleri için daha az uygundur.
Güçlü yönler & sınırlılıklar
- Tutarlı doğruluk-verimlilik ödünleşmesi: EfficientNet-B7, o zamanki en iyi ImageNet top-1 doğruluğunu (%84,4) bir sonraki en iyi modelden 8,4 kat daha az parametre ile yakaladı.
- Prensip sahibi ölçekleme: bileşik katsayı, hesaplama gücünü doğrulukla takas etmek için şeffaf, tekrarlanabilir bir yol sağlar ve ad hoc mimari mühendisliğinden kaçınır.
- Güçlü transfer öğrenmesi omurgası: önceden eğitilmiş EfficientNet özellikleri, mütevazı ince ayar verileriyle çeşitli aşağı akış görsel görevlerine iyi genelleme yapar.
- Ölçeklenebilir aile: tek bir tasarım felsefesi, mobil (B0, 5,3 M parametre) ile yüksek doğruluklu sunucu (B7, 66 M parametre) arasındaki tüm aralığı kapsar.
- Geniş ekosistem desteği: önceden eğitilmiş ağırlıklar TensorFlow/Keras, PyTorch (torchvision, timm) ve JAX/Flax'ta mevcuttur.
- Sıfırdan eğitim yavaştır: bileşik ölçekleme ve MBConv blokları, tam ImageNet eğitimini ResNet gibi daha basit mimarilere göre önemli ölçüde daha uzun sürdürür.
- Yüksek çözünürlükte bellek yoğunluğu: B6 ve B7 büyük GPU belleği ve daha küçük toplu iş boyutları gerektirir, bu da toplu normalleştirmeyi istikrarsızlaştırabilir.
- Düzenlileştirmeye duyarlılık: EfficientNet dikkatli dropout ve veri artırma ayarlaması (RandAugment, Mixup, CutMix) gerektirir; aksi takdirde daha büyük varyantlar küçük veri kümelerinde aşırı uyum sağlar.
- Görüntü dışı veriler için tasarlanmamıştır: MBConv omurgası 2 boyutlu uzamsal girdiler için özelleşmiştir ve metin, tablo veya grafik verilerine doğal olarak aktarılmaz.
- Bazı kıyaslamalarda yerini başkalarına bırakmıştır: vizyon transformatörleri (ViT, Swin) ve EfficientNetV2, orijinal aileden çok büyük veri kümeleri ve modern eğitim tariflerinde daha iyi performans gösterir.
SSS
Hangi EfficientNet varyantıyla başlamalıyım?
Doğruluk-verimlilik temeli için B0 veya B1 ile başlayın. Doğruluk yetersizse ve GPU belleği izin veriyorsa B3–B5'e geçin. B6 ve B7 esas olarak büyük, çeşitli veri kümelerindeki liderlik tablosu düzeyindeki performans için geçerlidir ve sırasıyla 528px ve 600px yüksek çözünürlüklü girdiler gerektirir.
Pratikte bileşik katsayı phi nedir?
Phi, derinlik, genişlik ve çözünürlüğün B0 temel çizgisine göre ne kadar agresif ölçeklendiğini belirleyen bir tam sayıdır. B0, phi=0'a karşılık gelir; B1, phi=0.5'e; B7'ye kadar phi=6'ya. Phi'yi doğrudan ayarlamazsınız - yalnızca varyant etiketini (B0–B7) seçersiniz.
EfficientNet, ImageNet ön eğitimi olmadan kullanılabilir mi?
Evet, ancak sıfırdan eğitim büyük bir veri kümesi ve dikkatli düzenlileştirme gerektirir. Pratikte, ImageNet ağırlıklarından ince ayar yapmak çoğu aşağı akış görevi için daha hızlı yakınsar ve daha iyi genelleme yapar. Çok küçük veri kümeleri (birkaç binden az görüntü) için önceden eğitilmiş ağırlıkları kullanın ve gövdenin çoğunu dondurun.
EfficientNet, Vizyon Transformatörleriyle nasıl karşılaştırılır?
Standart ImageNet kıyaslamalarında orta düzeyde veriyle, EfficientNet varyantları benzer boyuttaki vizyon transformatörleriyle rekabetçidir. Transformatörler, çok büyük ölçeklerde ve büyük ön eğitim kümeleriyle (örneğin, JFT-300M) CNN'lerden daha iyi performans gösterme eğilimindedir, oysa EfficientNet orta aralıkta daha parametre açısından verimli kalır. EfficientNetV2, iyileştirilmiş eğitim tarifleriyle farkı kapatır.
Kaynaklar
- Tan, M. & Le, Q. V. (2019). EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks. Proceedings of the 36th International Conference on Machine Learning (ICML 2019), PMLR 97, 6105–6114. link ↗
- Goodfellow, I., Bengio, Y. & Courville, A. (2016). Deep Learning. MIT Press. ISBN: 978-0-262-03561-3
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks. ScholarGate. https://scholargate.app/tr/deep-learning/efficientnet
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- MobilNet: Mobil Görüş İçin Verimli Evrişimsel Sinir AğlarıDerin öğrenme↔ karşılaştır
- Sinirsel Mimari AramaDerin öğrenme↔ karşılaştır
- Artık Ağ (ResNet)Derin öğrenme↔ karşılaştır
- Transfer LearningMakine öğrenmesi↔ karşılaştır