YOLO26 ve EfficientDet: Nesne Algılamada Yeni Standart
Hızla gelişen bilgisayar görme alanında, doğru model mimarisini seçmek doğruluk, hız ve hesaplama verimliliği arasında denge sağlamak için çok önemlidir. Bu alanda öne çıkan iki rakip, gerçek zamanlı algılamanın en son teknolojisini temsil eden Ultralytics ve ölçeklenebilir verimliliği ile tanınan, saygın bir mimari olan EfficientDet'tir. Bu teknik karşılaştırma, geliştiricilerin belirli uygulamaları için en iyi aracı seçmelerine yardımcı olmak amacıyla mimari yeniliklerini, performans karşılaştırmalarını ve ideal kullanım örneklerini incelemektedir.
Yönetici Özeti
EfficientDet, bu alana bileşik ölçeklendirme gibi güçlü bir kavramı getirirken, YOLO26 sadece parametre verimliliğini değil, aynı zamanda uygulama pratikliğini de ön planda tutan yeni nesil görsel yapay zeka teknolojisini temsil ediyor. 2026 yılının başında piyasaya sürülen YOLO26, uçtan uca NMS tasarım, uç cihazlarda önemli ölçüde daha hızlı çıkarım ve basit sınır kutusu algılamanın ötesinde çeşitli görevleri destekleyen kapsamlı bir ekosistem sunuyor.
Ultralytics Genel Bakış
YOLO26, ünlü YOLO You Only Look Once) serisinin en son versiyonudur ve Ultralyticstarafından tasarlanmıştır. YOLO11 ve YOLOv10gibi modellerin başarısını temel alarak, tüketici donanımları ve uç cihazlarda mümkün olanın sınırlarını zorluyor.
Yazarlar: Glenn Jocher ve Jing Qiu
Kuruluş:Ultralytics
Tarih: 2026-01-14
GitHub:Ultralytics Deposu
Belgeler:YOLO26 Belgeleri
YOLO26 hakkında daha fazla bilgi edinin
Temel Mimari Yenilikler
YOLO26, geleneksel dedektörlerden ayıran birkaç çığır açan özellik sunar:
- Uçtan Uca NMS Tasarım: Çakışan kutuları filtrelemek için Non-Maximum Suppression (NMS) son işlemine büyük ölçüde dayanan EfficientDet'in aksine, YOLO26 doğal olarak uçtan uca bir sistemdir. Bu, NMS ortadan kaldırarak dağıtım sürecini basitleştirir ve gerçek zamanlı çıkarım için kritik öneme sahip gecikme varyansını azaltır.
- MuSGD Optimizer: Moonshot AI'nın Kimi K2 gibi Büyük Dil Modeli (LLM) eğitim tekniklerinden esinlenerek geliştirilen YOLO26, aşağıdakileri birleştiren hibrit bir optimizer kullanır SGD ve Muon'u birleştiren hibrit bir optimize edici kullanır. Bu yenilik, daha istikrarlı eğitim dinamikleri ve daha hızlı yakınsama sağlayarak büyük modellerin eğitim maliyetini düşürür.
- ProgLoss + STAL: Progressive Loss ve Soft Target Anchor Loss (STAL) entegrasyonu, hava görüntüleme ve hassas tarım gibi uygulamalarda sıkça karşılaşılan bir zorluk olan küçük nesne algılamada önemli iyileştirmeler sağlar.
- Basitleştirilmiş Dışa Aktarım: Dağıtım Odak Kaybını (DFL) ortadan kaldırarak, YOLO26 model grafiğini basitleştirir ve ONNX ve TensorRT gibi formatlara dışa aktarımı kolaylaştırarak düşük güçlü uç cihazlarla maksimum uyumluluk sağlar.
EfficientDet'e Genel Bakış
EfficientDet, ölçeklenebilir nesne algılama ihtiyacını karşılamak için Google ekibi tarafından geliştirilmiştir. backbone, özellik ağı ve tahmin ağının çözünürlüğünü, derinliğini ve genişliğini eşit şekilde ölçekleyen bileşik bir ölçekleme yöntemi kullanır.
Yazarlar: Mingxing Tan, Ruoming Pang ve Quoc V. Le
Kuruluş:Google
Tarih: 2019-11-20
Arxiv:EfficientDet Makale
GitHub:Google Deposu
Temel Mimari Özellikler
- BiFPN: Çift Yönlü Özellik Piramit Ağı, çok ölçekli özelliklerin kolayca birleştirilmesini sağlar.
- Bileşik Ölçeklendirme: Tek bir bileşik katsayısı $\phi$, tüm ağ boyutlarının ölçeklendirilmesini kontrol ederek, doğruluk ve hesaplama maliyetinde dengeli bir artış sağlar.
Teknik Karşılaştırma
Aşağıdaki tablo, EfficientDet ile karşılaştırıldığında YOLO26'nın performans ölçütlerini göstermektedir. YOLO26, özellikle standart donanımlarda üstün hız ve doğruluk sergilemektedir.
| Model | boyut (piksel) | mAPval 50-95 | Hız CPU ONNX (ms) | Hız T4 TensorRT10 (ms) | parametreler (M) | FLOP'lar (B) |
|---|---|---|---|---|---|---|
| YOLO26n | 640 | 40.9 | 38.9 | 1.7 | 2.4 | 5.4 |
| YOLO26s | 640 | 48.6 | 87.2 | 2.5 | 9.5 | 20.7 |
| YOLO26m | 640 | 53.1 | 220.0 | 4.7 | 20.4 | 68.2 |
| YOLO26l | 640 | 55.0 | 286.2 | 6.2 | 24.8 | 86.4 |
| YOLO26x | 640 | 57.5 | 525.8 | 11.8 | 55.7 | 193.9 |
| 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 |
*Not: EfficientDet CPU , göreceli mimari karmaşıklığı ve eski benchmarklara göre tahmin edilmektedir, çünkü modern standartlaştırılmış CPU bu konuda daha az yaygındır.
Performans Analizi
- Çıkarım Hızı: YOLO26, özellikle CPU'larda önemli ölçüde daha hızlı çıkarım sunar. Örneğin, YOLO26n, EfficientDet varyantlarının gecikmeyle mücadele edebileceği uç cihazlarda gerçek zamanlı performans sergileyebilir. NMS kaldırılması, çıkarım süresini daha da stabilize ederek robotik için deterministik ve güvenilir hale getirir.
- Doğruluk: YOLO26 daha yüksek mAP elde eder. YOLO26x, 57,5 mAP ulaşarak, çok daha büyük olan EfficientDet-d7'yi (53,7 mAP) bile geride bırakırken, aynı zamanda çok daha hızlıdır.
- Eğitim Verimliliği: MuSGD optimizörü ile YOLO26 daha hızlı yakınsar ve gerekli dönem sayısını azaltır. Bu, araştırma ve geliştirme için daha düşük bulut hesaplama maliyetleri ve daha hızlı yineleme döngüleri anlamına gelir.
Bellek Verimliliği
Ultralytics YOLO , eski mimarilere veya Transformer tabanlı modellere kıyasla, eğitim sırasında genellikle daha düşük CUDA gereksinimleri sergiler. Bu, geliştiricilerin daha büyük parti boyutlarıyla tüketici sınıfı GPU'larda en son teknolojiye sahip modelleri eğitmelerine olanak tanır.
Kullanım Alanları ve Uygulamalar
Ultralytics Üstün Olduğu Alanlar
- Gerçek Zamanlı Kenar AI: %43 daha hızlı CPU sahip olan YOLO26, Raspberry Pi, cep telefonları veya akıllı kameralara dağıtım için ideal seçimdir.
- Robotik ve Otonom Sistemler: NMS tasarımın sağladığı deterministik gecikme süresi, otonom navigasyon ve endüstriyel robotik gibi güvenlik açısından kritik uygulamalar için çok önemlidir.
- Çeşitli Görme Görevleri: Algılamanın ötesinde, YOLO26, örnek segmentasyonu, poz tahmini ve OBB'yi yerel olarak destekleyerek karmaşık boru hatları backbone çok yönlü bir backbone oluşturur.
EfficientDet'in uygun olduğu yerler
EfficientDet, TensorFlow veya Google AutoML boru hattıyla zaten entegre edilmiş eski sistemler için geçerli bir seçenek olmaya devam ediyor. Bileşik ölçeklendirmesi, mimari ölçeklendirme yasalarını inceleyen araştırmacılar için faydalıdır, ancak 2026'da pratik olarak kullanıma sunulması için hız-doğruluk dengesi açısından modern YOLO gerisinde kalmaktadır.
Ultralytics'in Avantajı
EfficientDet yerine Ultralytics seçmek, geliştiricilere sadece bir modelden daha fazlasını sunar; gelişen bir ekosisteme giriş imkanı sağlar.
- Kullanım Kolaylığı: Ultralytics , "sıfırdan kahramana" bir deneyim sunmak üzere tasarlanmıştır. Sadece birkaç satırlık Python ile bir modeli yükleyebilir, eğitebilir ve dağıtabilirsiniz.
- İyi Bakımlı Ekosistem: Ultralytics , sık güncellemeler, kapsamlı belgeler ve araçlarınızın asla eskimeyeceğinden emin olmanızı sağlayan bir topluluk Ultralytics .
- Çok yönlülük: EfficientDet öncelikle bir nesne algılayıcı olsa da, YOLO26 sınıflandırma ve izleme dahil olmak üzere birçok bilgisayar görme görevi için birleşik bir çerçeve görevi görür.
- Sorunsuz Entegrasyon: Ultralytics , zahmetsiz veri kümesi yönetimi, model eğitimi ve çeşitli formatlara tek tıklamayla dağıtım imkanı sunar.
Kod Örneği: YOLO26 ile Başlarken
YOLO26'ya geçiş oldukça basittir. Python kullanarak bir görüntü üzerinde çıkarım yapmanın yolu aşağıda açıklanmıştır:
from ultralytics import YOLO
# Load the nano model for maximum speed
model = YOLO("yolo26n.pt")
# Run inference on a local image
results = model("path/to/image.jpg")
# Process results
for result in results:
result.show() # Display the image
result.save(filename="output.jpg") # Save the result
Diğer modern mimarileri keşfetmek isteyen kullanıcılar için, belgeler ayrıca şunları da kapsamaktadır YOLO11 ve RT-DETR'yi de ele almakta ve her türlü bilgisayar görme zorluğu için geniş bir araç yelpazesi sunmaktadır.
Sonuç
EfficientDet, verimli sinir ağlarının tarihinde önemli bir rol oynarken, YOLO26, 2026 yılında mümkün olanlar için yeni bir standart belirliyor. Üstün doğruluğu, CPU'larda daha hızlı çıkarım hızları ve NMS mimarisi ile YOLO26, yeni nesil akıllı uygulamalar geliştiren geliştiriciler için açık bir tercih. Ultralytics kullanım kolaylığı ve desteği ile birleştiğinde, ekiplerin konseptten üretime her zamankinden daha hızlı geçmelerini sağlar.