Başla

EfficientDet ve YOLO11

Doğru sinir ağı mimarisini seçmek, başarılı her bilgisayarlı görü uygulamasının temelidir. Bu kılavuz, Google'ın EfficientDet modeliyle Ultralytics YOLO11 arasında teknik bir karşılaştırma sunarak mimari farklılıklarını, performans ölçütlerini ve en uygun dağıtım senaryolarını inceler.

Uç yapay zekâ cihazlarında milisaniyelik gecikme hedefliyor veya bulut tabanlı çıkarım için ölçeklenebilir doğruluğa ihtiyaç duyuyor ol; bu modellerin nasıl farklılaştığını anlamak işine yarar.

Model Profilleri ve Teknik Ayrıntılar#

Her mimarinin kökenini ve temel tasarım felsefesini anlamak, gerçek dünyadaki nesne algılama görevlerindeki performanslarını bağlama oturtmaya yardımcı olur.

EfficientDet#

Google Brain araştırmacıları tarafından geliştirilen EfficientDet, BiFPN (Çift Yönlü Özellik Piramit Ağı) adlı yeni yapının yanı sıra nesne algılama ağlarını ölçeklendirmeye yönelik ilkeli bir yaklaşım getirdi.

EfficientDet hakkında daha fazla bilgi edin

YOLO11#

YOLO11, Ultralytics ekosisteminde önemli bir evrimi temsil eder; gerçek zamanlı performansı, parametre verimliliğini ve çok görevli öğrenmeyi iyileştirir.

Mimari Karşılaştırması#

Bu iki model arasındaki mimari farklılıklar, yıllar içinde tasarım stratejilerinin nasıl ayrıştığını ortaya koyar.

EfficientDet, EfficientNet omurgasını kullanır ve yukarıdan aşağıya ve aşağıdan yukarıya çok ölçekli özellik birleştirmesine olanak tanıyan BiFPN'i sunar. Tüm omurga, özellik ağı ve kutu/sınıf tahmin ağlarının çözünürlüğünü, derinliğini ve genişliğini aynı anda ve tutarlı biçimde ölçeklendiren bir bileşik ölçeklendirme yöntemi kullanır. Ortalama Hassasiyeti (mAP) en üst düzeye çıkarmada oldukça etkili olsa da BiFPN'deki karmaşık yönlendirme, çıkarım sırasında bazen bellek bant genişliğini darboğaza sokabilir.

Öte yandan YOLO11, optimize edilmiş bir C3k2 modülü ve çapaya dayanmayan bir algılama başlığı kullanır. Bu yalın yaklaşım, özellik çıkarımı sırasındaki ek yükü en aza indirir. Ultralytics, YOLO11'i GPU donanımından en iyi şekilde yararlanacak biçimde tasarladı; böylece eğitim ve çıkarım sırasında eski mimarilere veya ağır Transformer modellerine kıyasla bellek gereksinimleri önemli ölçüde azalır.

Çoklu Görev Esnekliği

EfficientDet yalnızca nesne algılayıcıyken YOLO11 oldukça çok yönlüdür. Tek bir YOLO11 mimarisi yerel olarak Örnek Bölütleme, Görüntü Sınıflandırma, Poz Tahmini ve Yönlendirilmiş Sınırlayıcı Kutuları (OBB) destekler.

Performans Karşılaştırmaları#

Aşağıdaki tablo, her iki model ailesinin farklı ölçeklerdeki performansını COCO veri kümesi üzerinde karşılaştırır.

Modelboyut
(piksel)
mAPval50-95Hız
CPU ONNX
(ms)
Hız
T4 TensorRT10
(ms)
parametre
(M)
FLOPs
(B)
EfficientDet-d051234.6-3.923.92.54
EfficientDet-d164040.5-7.316.66.1
EfficientDet-d276843.0-10.928.111.0
EfficientDet-d389647.5-19.5912.024.9
EfficientDet-d4102449.7-33.5520.755.2
EfficientDet-d5128051.5-67.8633.7130.0
EfficientDet-d6128052.6-89.2951.9226.0
EfficientDet-d7153653.7-128.0751.9325.0
YOLO11n64039.556.11.52.66.5
YOLO11s64047.090.02.59.421.6
YOLO11m64051.5183.24.720.168.1
YOLO11l64053.4238.66.225.387.2
YOLO11x64054.7462.811.356.9195.3

Dengeli Analiz: Güçlü ve Zayıf Yönler#

YOLO11, GPU ortamlarında öne çıkar. Örneğin YOLO11m, TensorRT kullanarak T4 GPU'da 4.7 ms'de %51.5 mAP elde eder. Aynı doğruluğa ulaşmak EfficientDet-d5 için 67.86 ms sürer; bu, 14 kattan fazla yavaştır. Bu durum, Ultralytics modellerinin gerçek zamanlı uygulamalar için sunduğu performans dengesini ortaya koyar.

Eğitim Yöntemi ve Ekosistem#

Geliştirici deneyimi, çoğunlukla modelin teorik yetenekleri kadar kritik öneme sahiptir. Ultralytics ekosistemi burada öne çıkar.

EfficientDet, eski TensorFlow ekosistemine ve karmaşık AutoML kütüphanelerine büyük ölçüde dayanır. Özel bir eğitim işlem hattı kurmak; zorlu bir öğrenme süreci, karmaşık bağımlılık yönetimi ve çapalarla kayıp fonksiyonlarının elle yapılandırılmasını gerektirir.

Buna karşılık Ultralytics kullanım kolaylığı için tasarlanmıştır. İyi bakımı yapılan bir PyTorch ekosisteminin desteğiyle YOLO modeli eğitmek yalnızca birkaç satır kod gerektirir. Çatı, veri artırma ve öğrenme oranı zamanlamasını kullanıma hazır olarak otomatik yönetir ve yerleşik hiperparametre ayarı içerir.

Kod Örneği: Ultralytics ile Başlangıç#

Bu kod parçacığı, Python API ile eğitim ve çıkarımın ne kadar kolay olduğunu gösterir.

from ultralytics import YOLO

# Önceden eğitilmiş küçük bir YOLO11 modelini yükle
model = YOLO("yolo11s.pt")

# Modeli özel veri kümenle eğit
train_results = model.train(data="coco8.yaml", epochs=50, imgsz=640, device=0)

# Bir görüntü üzerinde hızlı çıkarım yap
results = model.predict("https://ultralytics.com/images/bus.jpg")
results[0].show()

İdeal Kullanım Alanları#

EfficientDet ne zaman kullanılmalı: EfficientDet, TensorFlow işlem hatlarının yoğun biçimde yerleşik olduğu araştırma ortamlarında geçerli bir seçenek olmaya devam ediyor.

YOLO11'i ne zaman kullanmalı: YOLO11, modern kurumsal dağıtımlar için güçlü bir seçenektir. Hızı, modeli otonom araçlar, gerçek zamanlı spor analitiği ve yüksek verimli üretim kusuru algılama için uygun hâle getirir. Daha düşük bellek kullanımı, NVIDIA Jetson gibi kaynakları kısıtlı donanımlarda esnek dağıtım olanağı da sağlar.

Geleceğe Bakış: YOLO26'ya Geçiş#

YOLO11 oldukça yetenekli olsa da yeni projelere başlayan geliştiriciler, yeni yayımlanan YOLO26 modelini değerlendirmeli; kanıtlanmış YOLOv8 ise mevcut dağıtımlar için kullanılabilir durumda. Ocak 2026'da yayımlanan YOLO26, YOLO11'in temelini geliştirerek çeşitli yenilikler sunar:

  • Uçtan Uca NMS'siz Tasarım: YOLOv10 temel alınarak geliştirilen YOLO26, isteğe bağlı bire bir başlığı (nms=False) sayesinde Maksimum Olmayan Bastırma (NMS) son işlemesini tamamen atlayabilir; böylece gecikme azalır ve dağıtım işlem hatları sadeleşir.
  • MuSGD Optimizasyonu: Standart SGD'yi Muon'la harmanlayan (büyük dil modeli eğitiminden esinlenen) hibrit optimizasyon, eğitim kararlılığını artırır.
  • %43'e Kadar Daha Hızlı CPU Çıkarımı: YOLO26n, CPU'da YOLO11n'den %43'e kadar daha hızlı çalışarak YOLO26'yı ayrık GPU'su olmayan uç cihazlar için uygun hâle getirir.
  • ProgLoss + STAL: Aşamalı Kayıp ve küçük hedef farkındalıklı etiket atama, küçük nesne algılamayı iyileştirir; bu, hava görüntüleri ve robotik için kritik önem taşır.

RT-DETR gibi Transformer tabanlı algılayıcılar da dâhil olmak üzere daha geniş görü mimarileri yelpazesini Ultralytics Docs'ta keşfet.

Katkıda Bulunanlar

Yorumlar

Bir soru sor, sonuçlarını paylaş veya başka birine yardım et.