EfficientDet ve DAMO-YOLO
Ölçeklenebilir bilgisayarlı görü işlem hatları oluştururken doğru model mimarisini seçmek, hem dağıtımın uygulanabilirliğini hem de algılama doğruluğunu etkileyen kritik bir karardır. Bu kılavuzda, iyi bilinen iki mimari teknik açıdan karşılaştırılıyor: EfficientDet ve DAMO-YOLO.
Her iki model de nesne algılama alanında önemli yenilikler getirmiş olsa da bilgisayarlı görü yapay zekâsı o zamandan beri daha bütünleşik ekosistemlere yöneldi. Bu analiz, önceki ağların temel çalışma mekanizmalarını ele alıyor ve Ultralytics Platform ile Ultralytics YOLO26 gibi modern çözümlerin üretim ortamlarında neden yaygın olarak kullanıldığını açıklıyor.
EfficientDet: Ölçeklenebilir ve Verimli Nesne Tespiti#
Google araştırmacıları tarafından tanıtılan EfficientDet, yüksek verimliliği korurken model mimarisini sistematik olarak ölçeklendirmek üzere tasarlandı. Ağ derinliği, genişliği ve giriş çözünürlüğünde bileşik ölçekleme kullanarak bunu başardı.
EfficientDet ayrıntıları:
- Yazarlar: Mingxing Tan, Ruoming Pang ve Quoc V. Le
- Kuruluş: Google Brain
- Tarih: 2019-11-20
- arXiv: 1911.09070
- GitHub: google/automl
Mimari Yenilikler#
EfficientDet'in temel katkısı, Çift Yönlü Özellik Piramidi Ağıdır (BiFPN). Geleneksel FPN'lerden farklı olarak BiFPN, farklı girdi özelliklerinin önemini belirlemek için öğrenilebilir ağırlıklar kullanarak hızlı çok ölçekli özellik birleştirmeyi mümkün kılar. Bu yöntem, EfficientNet omurgası ile birleştirilerek öngörülebilir biçimde ölçeklenen bir model ailesi (D0'dan D7'ye) ortaya çıkarır.
Güçlü ve Zayıf Yönler#
EfficientDet'in temel gücü, parametre verimliliğidir. Sabit bir hesaplama bütçesi içinde ortalama Hassasiyetin (mAP) en üst düzeye çıkarılması gereken görevlerde bileşik ölçekleme yöntemi son derece öngörülebilirdir. Ancak EfficientDet'i sıfırdan eğitmek karmaşıktır ve çoğu zaman kapsamlı hiperparametre ayarı gerektirir. Belirli TensorFlow işlemlerine yoğun biçimde bağlı olması, ONNX veya TensorRT üzerinden uç dağıtımlara geçişi, modern YOLO modellerinin sunduğu sadeleştirilmiş dışa aktarma özelliklerine kıyasla daha zahmetli hâle getirir.
EfficientDet hakkında daha fazla bilgi edin
DAMO-YOLO: Otomatik Mimari Arama İş Başında#
DAMO-YOLO, gerçek zamanlı çıkarım için verimli ağ yapılarını otomatik olarak tasarlamak üzere Sinir Mimarisi Araması (NAS) kullanan farklı bir yaklaşım sunar.
DAMO-YOLO Ayrıntıları:
- Yazarlar: Xianzhe Xu, Yiqi Jiang, Weihua Chen, Yilun Huang, Yuan Zhang ve Xiuyu Sun
- Kuruluş: Alibaba Group
- Tarih: 2022-11-23
- arXiv: 2211.15444v2
- GitHub: tinyvision/DAMO-YOLO
Mimari Yenilikler#
DAMO-YOLO birçok yeni teknoloji sunar. NAS tarafından oluşturulmuş MAE-NAS adlı bir omurga, boyun kısmında verimli bir RepGFPN ve algılama başlığının hesaplama maliyetini büyük ölçüde azaltan bir ZeroHead tasarımı kullanır. Ayrıca etiket atama için AlignedOTA'dan yararlanır ve daha küçük varyantlarının performansını artırmak için büyük ölçüde bilgi damıtmaya dayanır.
Güçlü ve Zayıf Yönler#
DAMO-YOLO, GPU çıkarım hızıyla öne çıkar ve TensorRT kullanan NVIDIA mimarilerinde dağıtılmak üzere tasarlanmıştır. Ağır başlık yapılarını kaldırarak düşük gecikmeli tahminler sunar. Ancak otomatik mimari araması, model yapısını belirsiz hâle getirerek özel uç cihazlarda manuel hata ayıklamayı veya ince ayar yapmayı zorlaştırabilir. Çok yönlü Ultralytics YOLO11 modelinden farklı olarak DAMO-YOLO, öncelikle standart sınırlayıcı kutu algılamaya odaklanır; poz tahmini veya yönlendirilmiş sınırlayıcı kutu (OBB) algılama gibi görevleri kutudan çıktığı hâliyle yerel olarak desteklemez.
DAMO-YOLO hakkında daha fazla bilgi edin
Performans Karşılaştırması#
Bir model seçerken ampirik ödünleşimleri anlamak çok önemlidir. Aşağıdaki tabloda EfficientDet ailesi ile DAMO-YOLO serisi, önemli performans ölçütleri bakımından karşılaştırılıyor.
| Model | boyut (piksel) | mAPval50-95 | Hız CPU ONNX (ms) | Hız T4 TensorRT10 (ms) | parametre (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| EfficientDet-d0 | 512 | 34.6 | - | 3.92 | 3.9 | 2.54 |
| EfficientDet-d1 | 640 | 40.5 | - | 7.31 | 6.6 | 6.1 |
| EfficientDet-d2 | 768 | 43.0 | - | 10.92 | 8.1 | 11.0 |
| EfficientDet-d3 | 896 | 47.5 | - | 19.59 | 12.0 | 24.9 |
| EfficientDet-d4 | 1024 | 49.7 | - | 33.55 | 20.7 | 55.2 |
| EfficientDet-d5 | 1280 | 51.5 | - | 67.86 | 33.7 | 130.0 |
| EfficientDet-d6 | 1280 | 52.6 | - | 89.29 | 51.9 | 226.0 |
| EfficientDet-d7 | 1536 | 53.7 | - | 128.07 | 51.9 | 325.0 |
| DAMO-YOLOt | 640 | 42.0 | - | 2.32 | 8.5 | 18.1 |
| DAMO-YOLOs | 640 | 46.0 | - | 3.45 | 16.3 | 37.8 |
| DAMO-YOLOm | 640 | 49.2 | - | 5.09 | 28.2 | 61.8 |
| DAMO-YOLOl | 640 | 50.8 | - | 7.18 | 42.1 | 97.3 |
EfficientDet-d7 en yüksek doğruluğu sunar ancak önemli ölçüde hesaplama gücü gerektirdiğinden uç yapay zekâ için uygun değildir. DAMO-YOLO, TensorRT ile yüksek hız sunar; ancak benzer doğruluğa ulaşmak için genellikle alt seviye EfficientDet modellerinden daha fazla parametre gerektirir.
Kullanım Alanları ve Öneriler#
EfficientDet ile DAMO-YOLO arasında seçim yapmak, projenin gereksinimlerine, dağıtım kısıtlarına ve ekosistem tercihlerine bağlıdır.
EfficientDet Ne Zaman Seçilmeli#
EfficientDet şu durumlarda iyi bir seçenektir:
- Google Cloud ve TPU İşlem Hatları: EfficientDet'in referans uygulamasının TPU eğitimini desteklediği Google Cloud TPU altyapısındaki TensorFlow tabanlı sistemler.
- Bileşik Ölçekleme Araştırmaları: Dengeli ağ derinliği, genişliği ve çözünürlüğü ölçeklemenin etkilerini incelemeye odaklanan akademik karşılaştırmalar.
- LiteRT ile Mobil Dağıtım: Android veya gömülü Linux cihazlarına dağıtım için özellikle LiteRT (eski adıyla TensorFlow Lite) biçimine dışa aktarma gerektiren projeler.
DAMO-YOLO'yu Ne Zaman Seçmeli#
DAMO-YOLO şu durumlarda önerilir:
- Yüksek Aktarım Hızlı Video Analitiği: Toplu iş boyutu 1 aktarım hızının temel ölçüt olduğu, sabit NVIDIA GPU altyapısında yüksek FPS'li video akışlarını işleme.
- Endüstriyel Üretim Hatları: Montaj hatlarında gerçek zamanlı kalite denetimi gibi, özel donanımda GPU gecikmesi için katı kısıtların bulunduğu senaryolar.
- Sinir Mimarisi Arama Araştırmaları: Otomatik mimari aramanın (MAE-NAS) ve verimli yeniden parametrelendirilmiş omurgaların tespit performansı üzerindeki etkilerini inceleme.
Ultralytics'i (YOLO26) Ne Zaman Seçmeli#
Yeni projelerin çoğunda Ultralytics YOLO26, performans ile geliştirici deneyiminin en iyi birleşimini sunar:
- Uçta NMS'siz Dağıtım: Maksimum Olmayanların Bastırılması (NMS) son işleminin karmaşıklığı olmadan tutarlı ve düşük gecikmeli çıkarım gerektiren uygulamalar.
- Yalnızca CPU Kullanılan Ortamlar: Özel GPU hızlandırması olmayan cihazlarda, YOLO26'nın CPU çıkarımında YOLO11n'ye kıyasla %43'e varan hız avantajı belirgin bir üstünlük sağlar.
- Küçük Nesne Algılama: ProgLoss ve STAL'ın çok küçük nesnelerde doğruluğu önemli ölçüde artırdığı havadan drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolar.
Ultralytics'in Avantajı: Eski Modellerin Ötesine Geçiş#
EfficientDet ve DAMO-YOLO değerli akademik içgörüler sunsa da modern geliştiricilerin yüksek performansı geliştirici deneyimiyle dengeleyen çerçevelere ihtiyacı var. Ultralytics ekosistemi bu noktada öne çıkar.
Kullanım Kolaylığı ve Ekosistem#
Ayrı ve yoğun biçimde özelleştirilmiş araştırma depolarındaki modelleri dağıtmak, genellikle entegrasyon çalışmalarını zorlaştırır. Ultralytics, kapsamlı belgeler ve Python tarzı bir API içeren birleşik, bakımı iyi yapılan bir ekosistem sunar. Eğitim için Google Colab kullanıyor ya da mobil çıkarım için CoreML biçimine dışa aktarıyor ol, işlem hattı için yalnızca birkaç satır kod yeterlidir.
from ultralytics import YOLO
# Şiddetle önerilen YOLO26 nano modelini yükle
model = YOLO("yolo26n.pt")
# Modeli özel bir veri kümesiyle eğit
model.train(data="coco8.yaml", epochs=50, imgsz=640)
# Eğitilmiş modeli üretimde kullanmak üzere ONNX'e aktar
model.export(format="onnx")YOLO26'yı Tanıtıyoruz#
EfficientDet veya DAMO-YOLO'yu değerlendiren geliştiriciler için Ultralytics YOLO26 doğal bir sonraki adımdır. Ocak 2026'da yayımlanan model, birçok yeni özellik sunar:
- Uçtan Uca NMS'siz Tasarım: YOLOv10 modelinin NMS'siz eğitim yaklaşımını temel alan YOLO26'nın yerel bire bir başlığı (
nms=False), NMS son işleme adımını ortadan kaldırır. Bu sayede dağıtım mimarileri basitleşir ve farklı donanımlarda gecikme tutarlı hâle gelir. - %43'e Kadar Daha Hızlı CPU Çıkarımı: DAMO-YOLO'nun tasarlanmadığı, güçlü GPU'lara sahip olmayan uç dağıtımlarda YOLO26 standart CPU'lar için optimize edilmiştir ve YOLO26n, YOLO11n'den %43'e kadar daha hızlı çalışır.
- MuSGD Optimizer: LLM eğitim tekniklerini bilgisayarlı görüye taşıyan YOLO26, EfficientDet'in daha hassas eğitim kurulumuna kıyasla kararlı eğitim ve hızlı yakınsama için MuSGD optimizer'ı (Moonshot AI'dan ilham alarak) kullanır.
- DFL'nin Kaldırılması: Distribution Focal Loss bileşeninin kaldırılması, dışa aktarma sürecini basitleştirir ve Raspberry Pi gibi düşük güçlü uç cihazlarla uyumluluğu artırır.
- ProgLoss + STAL: Aşamalı kayıp ve küçük hedefleri dikkate alan etiket atama stratejisi, eski mimarilerin geleneksel olarak zorlandığı küçük nesnelerin tanınmasında kayda değer iyileşmeler sağlar.
Bellek Verimliliği ve Görev Çok Yönlülüğü#
Transformer modellerinin veya yoğun biçimde birleştirilmiş NAS ağlarının aksine Ultralytics modelleri, bellek verimliliğiyle bilinir. Eğitim sırasında çok daha az CUDA belleği kullanarak tüketici sınıfı donanımlarda hızlı yineleme yapılmasını sağlar.
EfficientDet ve DAMO-YOLO sınırlayıcı kutularla sınırlıyken Ultralytics, aynı sezgisel çerçevede örnek segmentasyonunu ve görüntü sınıflandırmasını yerel olarak destekler. Eski projelerin bakımını yapan kullanıcılar için Ultralytics YOLOv8, değerlendirilmeye değer güvenilir ve yaygın olarak kullanılan bir alternatif olmaya devam eder.
Sonuç#
Doğru görü mimarisini seçerken kuramsal ham performans ile gerçek dağıtım koşullarını tartmak gerekir. EfficientDet ilkeli bir ölçekleme yaklaşımı sunarken DAMO-YOLO, GPU'larda yüksek ham hız sağlar. Ancak hızlı geliştirmeye, güvenilir dağıtımlara ve modern özelliklere öncelik veren ekipler için Ultralytics modelleri daha güçlü bir seçenektir. NMS'siz çıkarım ve MuSGD optimizasyonu gibi yenilikleri bir araya getiren YOLO26, bilgisayarlı görü projeleri için yetenekli, bakımı kolay ve verimli bir temel sunar.
Yorumlar
Bir soru sor, sonuçlarını paylaş veya başka birine yardım et.