EfficientDet ve DAMO-YOLO#
Ölçeklenebilir bilgisayarlı görü işlem hatları oluştururken doğru model mimarisini seçmek, hem dağıtım yapılabilirliğini hem de algılama doğruluğunu etkileyen kritik bir karardır. Bu kılavuz, görsel tanıma alanındaki iki tanınmış mimari olan EfficientDet ve DAMO-YOLO arasında derinlemesine, teknik bir karşılaştırma sunar.
Her iki model de nesne algılama alanına önemli yenilikler kazandırmış olsa da görsel yapay zekânın hızlı ilerlemesi, daha entegre ekosistemlerin önünü açtı. Bu analiz boyunca bu eski ağların temel çalışma mekanizmalarını inceleyecek ve Ultralytics Platform ile Ultralytics YOLO26 gibi modern çözümlerin üretim ortamlarında neden sektör standardı hâline geldiğini göstereceğiz.
EfficientDet: Ölçeklenebilir ve Verimli Nesne Algılama#
Google araştırmacıları tarafından tanıtılan EfficientDet, yüksek verimliliği korurken model mimarisini sistematik olarak ölçeklendirmek üzere tasarlandı. Bunu ağ derinliği, genişliği ve girdi çözünürlüğünde bileşik ölçeklendirmeden yararlanarak 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'lerin aksine BiFPN, farklı girdi özelliklerinin önemini anlamak için öğrenilebilir ağırlıklardan yararlanarak çok ölçekli özellik birleştirmeyi kolay ve hızlı hâle getirir. Bu yapı EfficientNet omurgası ile birleştirilerek öngörülebilir biçimde ölçeklenen D0'dan D7'ye kadar bir model ailesi oluşturur.
Güçlü ve Zayıf Yönler#
EfficientDet'in en önemli gücü parametre verimliliğidir. Ortalama Kesinlik (mAP) kaynakları ciddi ölçüde kısıtlı bulut ortamlarında en üst düzeye çıkarılmak istendiğinde, bileşik ölçeklendirme yöntemi son derece öngörülebilirdir. Ancak EfficientDet'i sıfırdan eğitmek herkesçe bilinen bir zorluk olup çoğu zaman kapsamlı hiperparametre ayarlaması gerektirir. Ayrıca belirli TensorFlow işlemlerine yoğun biçimde dayanması, ONNX veya TensorRT üzerinden uç cihazlara geçişi, modern YOLO modellerinde bulunan yalın dışa aktarma özelliklerine kıyasla daha zahmetli hâle getirir.
EfficientDet hakkında daha fazla bilgi edin
DAMO-YOLO: Otomatik Mimari Arama Uygulamada#
DAMO-YOLO, gerçek zamanlı çıkarım için en uygun ağ yapılarını otomatik olarak tasarlamak üzere Sinir Ağı Mimarisi Aramasını (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 çeşitli yeni teknolojiler sunar. MAE-NAS adlı, NAS tarafından oluşturulmuş bir omurga, boyun bölümü için verimli bir RepGFPN ve algılama başlığının hesaplama maliyetini önemli ölçüde azaltan bir ZeroHead tasarımı kullanır. Ayrıca etiket ataması için AlignedOTA'dan yararlanır ve daha küçük varyantlarının performansını artırmak için bilgi damıtma geliştirmesine büyük ölçüde dayanır.
Güçlü ve Zayıf Yönler#
DAMO-YOLO, özellikle TensorRT kullanılarak NVIDIA mimarilerinde dağıtım için tasarlanmış GPU çıkarım hızlarıyla öne çıkar. Ağır başlık yapılarını kaldıran model, düşük gecikmeli tahminler sunar. Buna karşılık otomatik mimari arama, model yapısını anlaşılması güç hâle getirebilir ve özel uç cihazlarda elle hata ayıklamayı veya ince ayar yapmayı zorlaştırabilir. Oldukça esnek Ultralytics YOLO11'den farklı olarak DAMO-YOLO, öncelikle standart sınırlayıcı kutu algılamaya odaklanır; poz tahmini veya yönlendirilmiş sınırlayıcı kutu (OBB) algılama gibi gelişmiş görevler için yerel desteği kutudan çıktığı hâliyle sunmaz.
DAMO-YOLO hakkında daha fazla bilgi edin
Performans Karşılaştırması#
Bir model seçmek için deneysel ödünleşimleri anlamak çok önemlidir. Aşağıdaki tablo, EfficientDet ailesini temel performans ölçütleri üzerinden DAMO-YOLO serisiyle karşılaştırır.
| Model | boyut (piksel) | mAPval 50-95 | Hız CPU ONNX (ms) | Hız T4 TensorRT10 (ms) | parametre (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| 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 |
| 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 teorik doğruluğa ulaşır, ancak çok büyük hesaplama gücü gerektirir ve bu nedenle uç yapay zekâ için uygun değildir. DAMO-YOLO olağanüstü TensorRT hızları sunar, ancak benzer doğruluğa ulaşmak için genellikle alt seviye EfficientDet modellerinden daha fazla parametre gerektirir.
Kullanım Alanları ve Öneriler#
EfficientDet ile DAMO-YOLO arasındaki seçim, özel proje gereksinimlerine, dağıtım kısıtlamalarına ve ekosistem tercihlerine bağlıdır.
EfficientDet Ne Zaman Seçilmeli?#
EfficientDet şu durumlar için güçlü bir seçenektir:
- Google Cloud ve TPU İş Akışları: EfficientDet'in yerel optimizasyona sahip olduğu, Google Cloud Vision API'leriyle veya TPU altyapısıyla derinlemesine entegre sistemler.
- Bileşik Ölçekleme Araştırması: Dengeli ağ derinliği, genişliği ve çözünürlük ölçeklemesinin etkilerini incelemeye odaklanan akademik kıyaslamalar.
- TFLite ile Mobil Dağıtım: Android veya gömülü Linux cihazları için özel olarak TensorFlow Lite dışa aktarması gerektiren projeler.
DAMO-YOLO Ne Zaman Seçilmeli?#
DAMO-YOLO şu durumlar için önerilir:
- Yüksek İş Hacimli Video Analitiği: Batch-1 iş hacminin temel ölçüt olduğu sabit NVIDIA GPU altyapısında yüksek FPS'li video akışlarını işleme.
- Endüstriyel Üretim Hatları: Montaj hatlarında gerçek zamanlı kalite denetimi gibi özel donanım üzerinde katı GPU gecikme kısıtlarının bulunduğu senaryolar.
- Sinir Ağı Mimarisi Araması Araştırmaları: Otomatik mimari aramasının (MAE-NAS) ve verimli yeniden parametrelendirilmiş omurgaların algılama performansı üzerindeki etkilerini inceleme.
Ultralytics (YOLO26) Ne Zaman Seçilmeli?#
Yeni projelerin çoğu için Ultralytics YOLO26, performans ve geliştirici deneyiminin en iyi birleşimini sunar:
- NMS'siz Uç Dağıtımı: Maksimum Olmayan Bastırma son işleme karmaşıklığı olmadan tutarlı ve düşük gecikmeli çıkarım gerektiren uygulamalar.
- Yalnızca CPU Kullanılan Ortamlar: Özel GPU hızlandırması olmayan ve YOLO26'nın %43'e varan daha hızlı CPU çıkarımının belirleyici bir avantaj sağladığı cihazlar.
- Küçük Nesne Algılama: ProgLoss ve STAL'ın küçük nesnelerde doğruluğu önemli ölçüde artırdığı hava drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolar.
Ultralytics Avantajı: Eski Modellerin Ötesine Geçmek#
EfficientDet ve DAMO-YOLO değerli akademik içgörüler sunsa da modern geliştiriciler, en gelişmiş performansı geliştirici deneyimiyle dengeleyen çerçevelere ihtiyaç duyar. Ultralytics ekosistemi tam da bu noktada öne çıkar.
Rakipsiz Kullanım Kolaylığı ve Ekosistem#
Ayrı ve yoğun biçimde özelleştirilmiş araştırma depolarındaki modelleri dağıtmak çoğu zaman entegrasyon kâbuslarına yol açar. Ultralytics, kapsamlı belgeleri ve Python tarzı API'siyle birleşik ve bakımı iyi yapılan bir ekosistem sunar. İster eğitim için Google Colab kullan ister mobil çıkarım için CoreML'e dışa aktar, işlem hattı yalnızca birkaç satır kod gerektirir.
from ultralytics import YOLO
# Load the highly recommended YOLO26 nano model
model = YOLO("yolo26n.pt")
# Train the model effortlessly on a custom dataset
model.train(data="coco8.yaml", epochs=50, imgsz=640)
# Export the trained model to ONNX for production
model.export(format="onnx")YOLO26 Devrimi#
EfficientDet veya DAMO-YOLO'yu değerlendiren geliştiriciler için Ultralytics YOLO26 nihai evrimsel adımı temsil eder. 2026'nın başlarında piyasaya sürülen model, paradigma değiştiren özellikler sunar:
- Uçtan Uca NMS'siz Tasarım: İlk olarak YOLOv10 tarafından öncülük edilen YOLO26, Maksimum Olmayan Bastırma (NMS) son işleme ihtiyacını yerel olarak ortadan kaldırır. Bu, çok daha basit dağıtım mimarileri ve farklı donanımlar arasında tutarlı gecikme sağlar.
- %43'e Kadar Daha Hızlı CPU Çıkarımı: Güçlü GPU'lara sahip olmayan uç dağıtımlarda —DAMO-YOLO'nun zorlandığı senaryolarda— YOLO26 kapsamlı biçimde optimize edilmiştir ve standart CPU'larda büyük hız artışları sağlar.
- MuSGD Optimizasyonu: LLM yenilikleri ile bilgisayarlı görü arasındaki boşluğu kapatan YOLO26, MuSGD optimizasyonunu (Moonshot AI'dan esinlenilmiştir) kullanır ve 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 cihazlarıyla üstün uyumluluk sağlar.
- ProgLoss + STAL: Bu gelişmiş kayıp işlevleri, eski mimarilerin geleneksel olarak başarısız olduğu küçük nesne tanımada çarpıcı iyileştirmeler sağlar.
Bellek Verimliliği ve Görev Çeşitliliği#
Transformer modellerinin veya yoğun biçimde birleştirilmiş NAS ağlarının aksine Ultralytics modelleri, sıkı bellek verimlilikleriyle tanımlanır. Eğitim sırasında çok daha az CUDA belleği tüketerek tüketici sınıfı donanımlarda hızlı yinelemeye olanak tanırlar.
Ayrıca EfficientDet ve DAMO-YOLO sınırlayıcı kutularla katı biçimde kısıtlıyken Ultralytics, aynı sezgisel çerçeve içinde yerel olarak örnek segmentasyonunu ve görüntü sınıflandırmayı destekler. Eski projelerin bakımını yapan kullanıcılar için Ultralytics YOLOv8, incelenmeye değer, sağlam ve yaygın olarak dağıtılmış bir alternatif olmaya devam eder.
Sonuç#
Doğru görü mimarisini seçmek, ham teorik performans ile gerçek dağıtım koşullarını tartmayı gerektirir. EfficientDet matematiksel açıdan zarif bir ölçeklendirme 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 öndedir. YOLO26, NMS'siz çıkarım ve MuSGD optimizasyonu gibi yenilikleri bir araya getirerek bilgisayarlı görü projelerinin günümüzde mevcut en yetenekli, bakımı en kolay ve en verimli temel üzerine kurulmasını sağlar.