EfficientDet ve DAMO-YOLO#

Ölçeklenebilir bilgisayarlı görü işlem hatları oluştururken doğru model mimarisini seçmek, hem dağıtım uygulanabilirliğini hem de tespit doğruluğunu etkileyen kritik bir karardır. Bu kılavuz, görsel tanıma alanında tanınmış iki mimari olan EfficientDet ve DAMO-YOLO'yu derinlemesine ve teknik açıdan karşılaştırıyor.

Her iki model de nesne tespiti alanına önemli yenilikler getirmiş olsa da görsel AI'daki hızlı ilerleme, daha bütünleşik ekosistemlerin önünü açtı. Bu analiz boyunca, köklü ağların temel işleyişini incelerken Ultralytics Platformu ve Ultralytics YOLO26 gibi modern çözümlerin üretim ortamlarında neden sektör standardı hâline geldiğini açıklayacağız.

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 başlıca katkısı Çift Yönlü Özellik Piramit Ağı'dır (BiFPN). Geleneksel FPN'lerden farklı olarak BiFPN, farklı giriş özelliklerinin önemini kavramak için öğrenilebilir ağırlıklardan yararlanarak çok ölçekli özelliklerin kolay ve hızlı biçimde birleştirilmesini sağlar. Bu yapının EfficientNet omurgası ile birleştirilmesi, öngörülebilir biçimde ölçeklenen bir model ailesi (D0'dan D7'ye) ortaya çıkarır.

Güçlü ve Zayıf Yönler#

EfficientDet'in temel gücü, parametre verimliliğinde yatar. Ortalama Hassasiyetin (mAP) kaynakları ciddi ölçüde kısıtlı bulut ortamlarında en üst düzeye çıkarılması gereken görevlerde bileşik ölçekleme yöntemi son derece öngörülebilirdir. Ancak EfficientDet'i sıfırdan eğitmek oldukça karmaşıktır ve çoğu zaman kapsamlı hiperparametre ayarı gerektirir. Ayrıca belirli TensorFlow işlemlerine fazlasıyla bağlı olması, modern YOLO modellerindeki akıcı dışa aktarma olanaklarına kıyasla ONNX veya TensorRT aracılığıyla uç cihazlara dağıtımı daha zahmetli hâle getirir.

EfficientDet hakkında daha fazla bilgi edin

DAMO-YOLO: Otomatik Mimari Arama İş Başında#

DAMO-YOLO, gerçek zamanlı çıkarım için en uygun ağ yapılarını otomatik olarak tasarlamak üzere Sinir Mimarisi Arama (NAS) kullanan farklı bir yaklaşımı temsil eder.

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. MAE-NAS adlı, NAS tarafından oluşturulmuş bir omurga, boyun kısmı için verimli bir RepGFPN ve tespit başlığının hesaplama maliyetini önemli ölçüde düşüren bir ZeroHead tasarımı kullanır. Ayrıca etiket ataması için AlignedOTA'dan yararlanır ve küçük varyantlarının performansını artırmak için bilgi damıtma yöntemine büyük ölçüde dayanır.

Güçlü ve Zayıf Yönler#

DAMO-YOLO, özellikle TensorRT kullanarak NVIDIA mimarilerine dağıtım için tasarlanmış GPU çıkarım hızlarıyla öne çıkar. Ağır başlık yapılarını kaldıran model, düşük gecikmeli tahminler sunar. Buna karşılık, otomatik mimari arama model yapısını belirsizleştirebilir ve özel uç cihazlar için elle hata ayıklamayı veya ince ayar yapmayı zorlaştırabilir. Son derece çok yönlü Ultralytics YOLO11 modelinden farklı olarak DAMO-YOLO, öncelikli olarak standart sınırlayıcı kutu tespitine odaklanır ve kutudan çıktığı hâliyle poz tahmini veya yönlendirilmiş sınırlayıcı kutu (OBB) tespiti gibi gelişmiş görevleri 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.

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 yerel optimizasyona sahip olduğu, Google Cloud Vision API'leriyle veya TPU altyapısıyla sıkı biçimde bütünleşik 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 çoğu için Ultralytics YOLO26, performans ve geliştirici deneyiminin en iyi bileşimini sunar:

• NMS Olmadan Uç Dağıtımı: Maksimum Olmayan Bastırma son işleminin karmaşıklığı olmadan tutarlı ve düşük gecikmeli çıkarım gerektiren uygulamalar.
• Yalnızca CPU Kullanılan Ortamlar: YOLO26'nın CPU'da %43'e varan daha hızlı çıkarımının belirleyici bir avantaj sağladığı, özel GPU hızlandırması bulunmayan cihazlar.
• 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 bilgiler sunsa da günümüz geliştiricileri, en yeni performansı geliştirici deneyimiyle dengeleyen çatılara ihtiyaç duyar. Ultralytics ekosistemi bu noktada öne çıkar.

Eşsiz Kullanım Kolaylığı ve Ekosistem#

Ayrı ve yoğun biçimde özelleştirilmiş araştırma depolarındaki modelleri dağıtmak, çoğu zaman entegrasyonu kâbusa dönüştürür. Ultralytics, kapsamlı belgeler ve Python'a özgü bir API içeren, birleşik ve bakımı son derece iyi yapılan bir ekosistem sunar. Eğitim için Google Colab veya mobil çıkarım için CoreML kullanıyor ol, işlem hattı yalnızca birkaç satır kod gerektirir.

from ultralytics import YOLO

# Şiddetle önerilen YOLO26 nano modelini yükle
model = YOLO("yolo26n.pt")

# Özel bir veri kümesinde modeli zahmetsizce eğit
model.train(data="coco8.yaml", epochs=50, imgsz=640)

# Eğitilmiş modeli üretimde kullanmak üzere ONNX'e aktar
model.export(format="onnx")

YOLO26 Devrimi#

EfficientDet veya DAMO-YOLO'yu değerlendiren geliştiriciler için Ultralytics YOLO26, evrimin ulaştığı son noktayı temsil ediyor. 2026'nın başlarında yayımlanan YOLO26, çığır açan şu özellikleri sunuyor:

• Uçtan Uca, NMS'siz Tasarım: İlk olarak YOLOv10 ile uygulamaya konan YOLO26'nın yerel bire bir başlığı (nms=False), Maksimum Olmayan Bastırma (NMS) son işlemesine duyulan ihtiyacı ortadan kaldırır. Bu da dağıtım mimarilerini çok daha basit hâle getirir ve farklı donanımlarda tutarlı gecikme sağlar.
• %43'e Kadar Daha Hızlı CPU Çıkarımı: Güçlü GPU'lardan yoksun uç cihaz dağıtımlarında—DAMO-YOLO'nun zorlandığı senaryolarda—YOLO26 büyük ölçüde optimize edilerek standart CPU'larda ciddi hız artışları sağlar.
• MuSGD İyileştiricisi: LLM yenilikleriyle bilgisayarlı görü arasındaki boşluğu kapatan YOLO26, MuSGD iyileştiricisini (Moonshot AI'dan esinlenilmiştir) kullanarak EfficientDet'in kırılgan eğitim döngülerine kıyasla son derece kararlı eğitim ve hızlı yakınsama sağlar.
• DFL'nin Kaldırılması: Distribution Focal Loss'un kaldırılması dışa aktarma sürecini basitleştirerek düşük güçlü mikrodenetleyiciler ve Raspberry Pi cihazlarla üstün uyumluluk sağlar.
• ProgLoss + STAL: Bu gelişmiş kayıp fonksiyonları, eski mimarilerin geleneksel olarak yetersiz kaldığı küçük nesne tanıma alanında önemli iyileşmeler sağlar.

Bellek Verimliliği ve Görev Çok Yönlülüğü#

Transformer modellerinden veya yoğun biçimde birleştirilmiş NAS ağlarından farklı olarak Ultralytics modelleri, son derece düşük bellek kullanımıyla öne çıkar. Eğitim sırasında çok daha az CUDA belleği kullanarak tüketici sınıfı donanımlarda hızlı yineleme yapılmasını sağlar.

EfficientDet ve DAMO-YOLO yalnızca sınırlayıcı kutularla kısıtlıyken Ultralytics, aynı sezgisel çatı içinde örnek segmentasyonunu ve görüntü sınıflandırmasını yerel olarak destekler. Eski projelerini sürdüren kullanıcılar için Ultralytics YOLOv8, keşfedilmeye değer, son derece sağlam ve yaygın olarak kullanılan bir alternatif olmaya devam ediyor.

Sonuç#

Doğru görsel mimariyi seçmek, teorik ham performansı gerçek dağıtım koşullarıyla karşılaştırmayı gerektirir. EfficientDet matematiksel açıdan zarif bir ölçekleme yaklaşımı sunarken DAMO-YOLO etkileyici ham GPU hızları sağlar. Ancak hızlı geliştirmeye, güvenilir dağıtımlara ve en yeni özelliklere öncelik veren ekipler için Ultralytics modelleri açıkça öne çıkar. NMS'siz çıkarım ve MuSGD optimizasyonu gibi yenilikleri bir araya getiren YOLO26, bilgisayarlı görü projelerinin bugün mevcut en yetenekli, bakımı en kolay ve en verimli temel üzerine kurulmasını sağlar.