Link to this sectionEfficientDet ile PP-YOLOE+ Karşılaştırması#

Bilgisayarlı görü alanı, nesne algılama modellerinin sürekli evrimiyle büyük ölçüde şekillenmiştir. Bu yolculuktaki iki önemli dönüm noktası, Google'ın EfficientDet modeli ve Baidu'nun PP-YOLOE+ modelidir. Her iki mimari de hesaplama verimliliği ile algılama doğruluğu arasındaki hassas dengeyi kurmak için tasarlanmış olsa da, bu zorluğa temelden farklı tasarım felsefeleriyle yaklaşırlar.

Bu kapsamlı rehber; mimarilerini, eğitim metodolojilerini ve gerçek dünya dağıtım senaryolarını inceleyerek, bir sonraki bilgisayarlı görü uygulaman için en uygun sinir ağını seçmene yardımcı olur.

Link to this sectionMimari Yenilikler ve Tasarım Felsefeleri#

Bu modellerin temel mimarisini anlamak, ister uç cihazlarda ister bulut sunucularında olsun, onları üretim ortamlarında etkili bir şekilde devreye alman için çok önemlidir.

Link to this sectionEfficientDet: Bileşik Ölçeklendirme Gücü#

Google Research tarafından geliştirilen EfficientDet, model ölçeklendirmeyi geçici bir süreç olarak değil, matematiksel olarak ilkeli bir bileşik ölçeklendirme yöntemi olarak ele alarak bir paradigma değişimi başlattı.

• Yazarlar: Mingxing Tan, Ruoming Pang ve Quoc V. Le
• Organizasyon: Google Research
• Tarih: 2019-11-20
• Arxiv: 1911.09070
• GitHub: google/automl
• Dokümantasyon: EfficientDet Dokümantasyonu

EfficientDet hakkında daha fazla bilgi edinin

EfficientDet'in temel yeniliği, Çift Yönlü Özellik Piramidi Ağı (BiFPN) içinde yatar. Yalnızca özellikleri yukarıdan aşağıya toplayan geleneksel FPN'lerin aksine, BiFPN hem yukarıdan aşağıya hem de aşağıdan yukarıya çapraz ölçekli özellik füzyonu gerçekleştirmek için öğrenilebilir ağırlıklar sunar. Bu, ağın farklı girdi özelliklerinin önemini sezgisel olarak anlamasını sağlar. EfficientNet omurgası ile birleştiğinde EfficientDet; çözünürlüğü, derinliği ve genişliği eş zamanlı olarak ölçeklendirerek, farklı hesaplama bütçelerine hitap eden bir model ailesi (d0'dan d7'ye) oluşturur.

Link to this sectionPP-YOLOE+: PaddlePaddle'ın Sınırlarını Zorlamak#

Öncüllerinin başarılarının üzerine inşa edilen PP-YOLOE+, Baidu bünyesindeki PaddlePaddle ekibi tarafından, özellikle yüksek verimli sunucu dağıtımları için optimize edilmiş, en son teknoloji ürünü bir performans sunmak üzere tasarlanmıştır.

• Yazarlar: PaddlePaddle Yazarları
• Kuruluş: Baidu
• Tarih: 2022-04-02
• Arxiv: 2203.16250
• GitHub: PaddlePaddle/PaddleDetection
• Dokümantasyon: PP-YOLOE+ Yapılandırması

PP-YOLOE+ hakkında daha fazla bilgi edin

PP-YOLOE+, çıkarım gecikmesini artırmadan özellik çıkarımını geliştirmek için yeniden parametrelendirme teknikleriyle birleştirilmiş Cross Stage Partial ağlarından yararlanan bir CSPRepResNet omurgasına sahiptir. ET-head (Verimli Görev hizalı başlık) bileşeni, sınıflandırma ve yerelleştirme görevleri arasındaki hizalamayı önemli ölçüde iyileştirir. Ayrıca, eğitim sürecini kolaylaştıran ve çeşitli veri kümelerinde genelleştirmeyi iyileştiren dinamik etiket atama (TAL) ile birleştirilmiş çapasız (anchor-free) bir tasarım kullanır.

Link to this sectionPerformans Metrikleri ve Kıyaslamalar#

Gerçek zamanlı çıkarım için bir model seçerken, ortalama Ortalama Hassasiyet (mAP) ile hesaplama hızı arasındaki dengeyi değerlendirmek çok önemlidir. Aşağıdaki tablo, her iki model ailesi için temel performans metriklerini özetlemektedir.

Görüldüğü üzere PP-YOLOE+, özellikle daha büyük varyantlarında (l ve x) eşdeğer parametre sayılarında genellikle daha yüksek doğruluk zirvelerine ulaşır. GPU verimliliği için oldukça optimize edilmiştir, bu da onu toplu işleme sunucu dağıtımları için mükemmel bir aday yapar. Buna karşılık, daha küçük EfficientDet modelleri, bellek açısından kısıtlı ortamlarda avantajlı olabilen, son derece verimli bir parametre/FLOP oranı sunar.

Link to this sectionİdeal Kullanım Senaryoları ve Dağıtım Stratejileri#

Bu mimariler arasında seçim yapmak genellikle mevcut teknoloji yığınağına ve dağıtım donanımına büyük ölçüde bağlıdır.

EfficientDet ne zaman seçilmeli:

• AutoML İş Akışları: Google'ın ekosistemine büyük yatırımlar yaptıysan ve otomatik mimari arama yeteneklerine güveniyorsan.
• Kaynak Kısıtlı Uç Cihazlar: Alt seviye modeller (d0, d1), parametre ayak izinin katı bir kısıtlama olduğu mobil CPU'larda tahmin edilebilir performans sağlar.

PP-YOLOE+ ne zaman seçilmeli:

• Üst Düzey GPU Sunucuları: Akıllı şehir gözetimi için yüzlerce eş zamanlı video akışını işlemek gibi, NVIDIA donanımında maksimum verim gerektiren senaryolar.
• PaddlePaddle Ekosistemi: Eğer geliştirme ekibin hâlihazırda Baidu'nun derin öğrenme çerçevesini kullanıyorsa, PP-YOLOE+ entegrasyonu sorunsuzdur.

Link to this sectionUltralytics Avantajı: YOLO26 ile Tanışın#

EfficientDet ve PP-YOLOE+ çok güçlü modeller olsalar da, yapay zekadaki hızlı inovasyon temposu, hem en ileri performansı hem de benzersiz bir kullanım kolaylığını sunan çözümler talep ediyor. Ultralytics YOLO26 işte tam bu noktada öne çıkarak, modern bilgisayarlı görü uygulamaları için birinci sınıf tercih olduğunu kanıtlıyor.

2026'da piyasaya sürülen YOLO26, yerel bir Uçtan Uca NMS'siz Tasarım sunarak gerçek zamanlı nesne algılamayı tamamen yeniden tanımlıyor. Eski modellerde sürekli bir darboğaz olan NMS (Baskın Olmayan Bastırma) son işleme adımını ortadan kaldıran YOLO26, çok daha basit bir dağıtım sunar ve çıkarım gecikmesindeki dalgalanmaları azaltır.

Ayrıca YOLO26, uç dağıtımlar için özel olarak optimize edilmiştir. Dağılım Odaklı Kaybın (DFL) kaldırılması, ONNX ve TensorRT gibi formatlara dışa aktarma sürecini basitleştirerek önceki nesillere kıyasla %43'e kadar daha hızlı CPU çıkarımı sağlar. Bu, onu pille çalışan IoT cihazları için mutlak bir güç merkezi hâline getirir.

Geliştiriciler ayrıca, hava görüntüleri ve hassas tarım uygulamaları için kritik bir gereklilik olan küçük nesne tanımada kayda değer iyileştirmeler gösteren ProgLoss + STAL dahil olmak üzere YOLO26'nın gelişmiş kayıp fonksiyonlarından yararlanabilirler.

Link to this sectionUltralytics ile Sorunsuz Dağıtım#

Ultralytics'in gerçek gücü birleşik ekosisteminde yatar. Karmaşık ve özel eğitim betikleri gerektiren modellerin aksine YOLO26, inanılmaz derecede aerodinamik bir API sunar. Kendi özel veri kümen üzerinde bir modeli eğitmek sadece birkaç satır Python kodu gerektirir:

from ultralytics import YOLO

# Load a pre-trained YOLO26 model
model = YOLO("yolo26n.pt")

# Train the model on the COCO8 dataset
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Run an inference on a new image
predictions = model("https://ultralytics.com/images/bus.jpg")

# Export to ONNX format for deployment
model.export(format="onnx")

İster standart algılama, ister örnek bölütleme ve poz tahmini gibi özel görevlere ihtiyacın olsun, YOLO26 bunları çok ölçekli prototipler ve Artık Olasılık Tahmini (RLE) ile tam olarak aynı kullanıcı dostu çerçeve içinde yerel olarak destekler.

Link to this sectionDiğer Önemli Modelleri Keşfet#

Belirli kurumsal gereksinimler için mimarileri değerlendiriyorsan, sağlam ve üretimde test edilmiş bir iş yükü olan önceki nesil Ultralytics YOLO11 modelini de değerlendirmeye değer. Transformer tabanlı mimarilerin istendiği uygulamalar için RT-DETR ilginç bir alternatif sunar, ancak genellikle son derece verimli YOLO varyantlarına kıyasla eğitim sırasında daha yüksek CUDA bellek yükü gerektirir.

Sonuç olarak, EfficientDet ilkeli ölçeklendirme sunarken ve PP-YOLOE+ kendi çerçevesi içinde mükemmel GPU verimliliği sağlarken, Ultralytics YOLO26 bugün mevcut olan en dengeli, çok yönlü ve geliştirici dostu çözümü sunmaktadır. Uçtan uca yerel mimarisi ve kapsamlı entegrasyon yetenekleri, onu yeni nesil yapay zeka görüş sistemleri için önerilen temel hâline getirir.