EfficientDet ve PP-YOLOE+#

Bilgisayarlı görü alanı, nesne tespit modellerinin sürekli gelişiminden büyük ölçüde etkilenmiştir. Bu gelişim sürecindeki iki önemli kilometre taşı, Google'ın EfficientDet'i ve Baidu'nun PP-YOLOE+'ıdır. Her iki mimari de hesaplama verimliliği ile tespit doğruluğu arasındaki hassas dengeyi kurmak üzere tasarlanmış olsa da bu zorluğa temelden farklı tasarım yaklaşımlarıyla çözüm getirir.

Bu kapsamlı kılavuz, bir sonraki bilgisayarlı görü uygulaman için en uygun sinir ağını seçmene yardımcı olmak üzere mimarileri, eğitim yöntemlerini ve gerçek dünyadaki dağıtım senaryolarını ayrıntılı biçimde inceliyor.

Mimari Yenilikler ve Tasarım Yaklaşımları#

Uç cihazlarda veya bulut sunucularında üretim ortamlarına etkili biçimde dağıtım yapabilmek için bu modellerin temel mimarisini anlamak çok önemlidir.

EfficientDet: Bileşik Ölçeklemenin Gücü#

Google Research tarafından geliştirilen EfficientDet, model ölçeklemeyi gelişigüzel bir süreç olarak değil, matematiksel temellere dayanan bir bileşik ölçekleme yöntemi olarak ele alarak yeni bir yaklaşım ortaya koydu.

• Yazarlar: Mingxing Tan, Ruoming Pang ve Quoc V. Le
• Kuruluş: Google Research
• Tarih: 2019-11-20
• ArXiv: 1911.09070
• GitHub: google/automl
• Belgeler: EfficientDet Belgeleri

EfficientDet hakkında daha fazla bilgi edin

EfficientDet'in temel yeniliği Çift Yönlü Özellik Piramit Ağı (BiFPN) yapısında yatar. Özellikleri yalnızca yukarıdan aşağıya toplayan geleneksel FPN'lerin aksine BiFPN, hem yukarıdan aşağıya hem de aşağıdan yukarıya, ölçekler arası özellik birleştirmesi yapmak için öğrenilebilir ağırlıklar kullanır. Böylece ağ, farklı giriş özelliklerinin önemini sezgisel olarak kavrayabilir. EfficientNet omurgası ile birlikte EfficientDet, çözünürlüğü, derinliği ve genişliği eş zamanlı ölçeklendirerek farklı hesaplama bütçelerine uygun bir model ailesi (d0'dan d7'ye) oluşturur.

PP-YOLOE+: PaddlePaddle'ın Sınırlarını Zorluyor#

Önceki modellerinin başarısını temel alan PP-YOLOE+, en yeni performansı sunmak üzere Baidu'daki PaddlePaddle ekibi tarafından geliştirildi ve özellikle yüksek iş hacimli sunucu dağıtımları için optimize edildi.

• Yazarlar: PaddlePaddle yazarları
• Kurum: Baidu
• Tarih: 2022-04-02
• Arxiv: 2203.16250
• GitHub: PaddlePaddle/PaddleDetection
• Belgeler: PP-YOLOE+ Yapılandırması

PP-YOLOE+ hakkında daha fazla bilgi edin

PP-YOLOE+, özellik çıkarımını artırırken çıkarım gecikmesini yükseltmemek için Cross Stage Partial ağlarını yeniden parametreleştirme teknikleriyle birleştiren bir CSPRepResNet omurgasına sahiptir. ET-head (Verimli Görev Uyumlu başlık), sınıflandırma ve konum belirleme görevleri arasındaki uyumu önemli ölçüde iyileştirir. Ayrıca, eğitim sürecini kolaylaştıran ve farklı veri kümelerine genellemeyi iyileştiren, dinamik etiket atamasıyla (TAL) birleştirilmiş bağlantı noktası içermeyen bir tasarım kullanır.

Performans Ölçütleri ve Kıyaslamalar#

Gerçek zamanlı çıkarım için model seçerken Ortalama Hassasiyet (mAP) ile hesaplama hızı arasındaki dengeyi değerlendirmek çok önemlidir. Aşağıdaki tabloda iki model ailesinin temel performans ölçütleri özetlenmiştir.

Görüldüğü gibi PP-YOLOE+, özellikle büyük varyantlarında (l ve x), eşit sayıda parametreyle genellikle daha yüksek doğruluk değerlerine ulaşır. GPU iş hacmi için yüksek düzeyde optimize edildiğinden toplu işleme sunucu dağıtımları için mükemmel bir seçenektir. Buna karşılık, küçük EfficientDet modellerinin parametre-FLOP oranı son derece verimlidir; bu özellik, bellek kısıtlarının çok katı olduğu ortamlarda avantaj sağlayabilir.

Uygun Kullanım Alanları ve Dağıtım Stratejileri#

Bu mimariler arasında seçim yapmak çoğu zaman mevcut teknoloji yığınına ve dağıtım donanımına bağlıdır.

EfficientDet'i ne zaman seçmelisin:

• AutoML İş Akışları: Google ekosistemini yoğun biçimde kullanıyor ve otomatik mimari arama özelliklerinden yararlanıyorsan.
• Kaynakları Kısıtlı Uç Cihazlar: Alt seviye modeller (d0, d1), parametre boyutunun katı bir kısıt olduğu mobil CPU'larda öngörülebilir performans sunar.

PP-YOLOE+'ı ne zaman seçmelisin:

• Üst Düzey GPU Sunucuları: Akıllı şehir gözetimi için yüzlerce eşzamanlı video akışını işlemek gibi, NVIDIA donanımında en yüksek iş hacmini gerektiren senaryolar.
• PaddlePaddle Ekosistemi: Geliştirme ekibin Baidu'nun derin öğrenme çatısını zaten kullanıyorsa PP-YOLOE+'ı entegre etmek sorunsuzdur.

Ultralytics'in Avantajı: YOLO26 ile Tanış#

EfficientDet ve PP-YOLOE+ güçlü modeller olsa da AI alanındaki hızlı yenilikler, hem en yeni performansı hem de benzersiz kullanım kolaylığını sunan çözümleri gerektiriyor. Ultralytics YOLO26 bu noktada öne çıkarak modern bilgisayarlı görü uygulamaları için en iyi seçenek olduğunu kanıtlıyor.

2026'da yayımlanan YOLO26, yerel Uçtan Uca, NMS'siz Tasarımı ile gerçek zamanlı nesne tespitini baştan tanımlıyor. Eski modellerde sürekli bir darboğaz olan Maksimum Olmayan Bastırma son işlemesini (nms=False) isteğe bağlı olarak atlayan YOLO26, dağıtımı çok daha basit hâle getiriyor ve çıkarım gecikmesindeki dalgalanmaları azaltıyor.

Ayrıca YOLO26, uç cihazlara dağıtım için özel olarak optimize edilmiştir. Distribution Focal Loss'un (DFL) kaldırılması, ONNX ve TensorRT gibi biçimlere dışa aktarma sürecini basitleştirir ve önceki nesillere kıyasla %43'e kadar daha hızlı CPU çıkarımı sağlar. Bu da YOLO26'yı pille çalışan IoT cihazları için son derece güçlü bir seçenek hâline getirir.

Geliştiriciler, hassas tarım uygulamaları için kritik önem taşıyan küçük nesne tanımada dikkat çekici iyileşmeler sağlayan ProgLoss + STAL dâhil, YOLO26'nın gelişmiş kayıp fonksiyonlarından da yararlanabilir.

Ultralytics ile Sorunsuz Dağıtım#

Ultralytics'in asıl gücü, birleşik ekosisteminde yatar. Karmaşık ve özel eğitim betikleri gerektiren modellerin aksine YOLO26, son derece basit bir API sunar. Özel veri kümen üzerinde model eğitmek için yalnızca birkaç satır Python kodu yeterlidir:

from ultralytics import YOLO

# Önceden eğitilmiş bir YOLO26 modelini yükle
model = YOLO("yolo26n.pt")

# Modeli COCO8 veri kümesinde eğit
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Yeni bir görüntü üzerinde çıkarım yap
predictions = model("https://ultralytics.com/images/bus.jpg")

# Dağıtım için ONNX biçimine aktar
model.export(format="onnx")

Standart tespit veya örnek segmentasyonu ve poz tahmini gibi özel görevler gerekiyor olsun, YOLO26 bunları çok ölçekli prototipler ve Artık Log-Olabilirlik Tahmini (RLE) ile aynı kullanıcı dostu çatı içinde yerel olarak destekler.

Diğer Önemli Modelleri İnceleme#

Belirli kurumsal gereksinimlere yönelik mimarileri değerlendiriyorsan, önceki nesil Ultralytics YOLO11 modelini de göz önünde bulundurabilirsin; bu model, üretimde kendini kanıtlamış güvenilir bir iş gücü olmaya devam ediyor. Transformer tabanlı mimarilerin tercih edildiği uygulamalar için RT-DETR ilginç bir alternatif sunar; ancak eğitim sırasında son derece verimli YOLO varyantlarına kıyasla genellikle daha fazla CUDA belleği gerektirir.

Sonuç olarak EfficientDet, temellere dayalı ölçekleme sunarken PP-YOLOE+ kendi özel çatısı içinde mükemmel GPU iş hacmi sağlıyor; ancak Ultralytics YOLO26 bugün mevcut en dengeli, çok yönlü ve geliştirici dostu çözümü sunuyor. Yerel uçtan uca mimarisi ve kapsamlı entegrasyon olanakları, YOLO26'yı yeni nesil görsel AI için önerilen temel hâline getiriyor.