EfficientDet ve YOLO11#
En uygun sinir ağı mimarisini seçmek, herhangi bir başarılı computer vision uygulamasının temelidir. Bu kapsamlı rehber, Google'ın EfficientDet modeli ile Ultralytics YOLO11 arasında mimari farklarını, performans metriklerini ve ideal dağıtım senaryolarını analiz eden derinlemesine bir teknik karşılaştırma sunar.
edge AI cihazlarında milisaniye düzeyinde gecikmeyi hedefliyorsan veya bulut tabanlı çıkarım için ölçeklenebilir doğruluğa ihtiyacın varsa, bu modellerin inceliklerini anlamak çok önemlidir.
Model Profilleri ve Teknik Detaylar#
Her mimarinin geçmişini ve temel tasarım felsefesini anlamak, gerçek dünya object detection görevlerindeki performanslarını bağlama oturtmana yardımcı olur.
EfficientDet#
Google Brain araştırmacıları tarafından geliştirilen EfficientDet, özgün BiFPN (Çift Yönlü Özellik Piramidi Ağı) ile birlikte nesne algılama ağlarını ölçeklendirmeye yönelik ilkeli bir yaklaşım getirdi.
- Yazarlar: Mingxing Tan, Ruoming Pang ve Quoc V. Le
- Kuruluş: Google
- Tarih: 2019-11-20
- Arxiv: https://arxiv.org/abs/1911.09070
- GitHub: https://github.com/google/automl/tree/master/efficientdet
- Docs: https://github.com/google/automl/tree/master/efficientdet#readme
EfficientDet hakkında daha fazla bilgi edinin
YOLO11#
YOLO11, Ultralytics ekosisteminde önemli bir evrimi temsil eder ve gerçek zamanlı performans, parametre verimliliği ve çok görevli öğrenmenin sınırlarını zorlar.
- Yazarlar: Glenn Jocher ve Jing Qiu
- Kuruluş: Ultralytics
- Tarih: 2024-09-27
- GitHub: https://github.com/ultralytics/ultralytics
- Belgeler: https://docs.ultralytics.com/models/yolo11
YOLO11 hakkında daha fazla bilgi edinin
Mimari Karşılaştırma#
Bu iki model arasındaki mimari farklılıklar, yıllar içindeki tasarım stratejilerindeki ayrışmayı gözler önüne seriyor.
EfficientDet, EfficientNet omurgasından yararlanır ve yukarıdan aşağıya ile aşağıdan yukarıya çok ölçekli özellik kaynaşmasına olanak tanıyan BiFPN'i sunar. Tüm omurga, özellik ağı ve kutu/sınıf tahmin ağları için çözünürlüğü, derinliği ve genişliği aynı anda tekdüze şekilde ölçeklendiren bir bileşik ölçeklendirme yöntemi kullanır. mean Average Precision (mAP) değerini maksimize etmek için son derece etkili olsa da, BiFPN'deki karmaşık yönlendirme bazen çıkarım sırasında bellek bant genişliğini darboğaza sokabilir.
Öte yandan YOLO11, optimize edilmiş bir C3k2 modülü ve gelişmiş bir çapasız (anchor-free) tespit başlığı kullanır. Bu kolaylaştırılmış yaklaşım, özellik çıkarma sırasındaki ek yükü en aza indirir. Ultralytics, YOLO11'i GPU donanım kullanımını maksimize edecek şekilde tasarladı; bu sayede eski mimarilere veya ağır transformer modellerine kıyasla hem eğitim hem de çıkarım sırasında çok daha düşük bellek gereksinimleri ortaya çıkar.
EfficientDet kesinlikle bir nesne dedektörüyken, YOLO11 olağanüstü bir çok yönlülüğe sahiptir. Tek bir YOLO11 mimarisi; Instance Segmentation, Image Classification, Pose Estimation ve Oriented Bounding Boxes (OBB) özelliklerini yerel olarak destekler.
Performans Karşılaştırmaları#
Aşağıdaki tablo, COCO dataset üzerinde her iki model ailesinin çeşitli ölçeklerdeki performansını karşılaştırmaktadır.
| Model | boyut (piksel) | mAPval 50-95 | Hız CPU ONNX (ms) | Hız T4 TensorRT10 (ms) | parametreler (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 |
| YOLO11n | 640 | 39.5 | 56.1 | 1.5 | 2.6 | 6.5 |
| YOLO11s | 640 | 47.0 | 90.0 | 2.5 | 9.4 | 21.5 |
| YOLO11m | 640 | 51.5 | 183.2 | 4.7 | 20.1 | 68.0 |
| YOLO11l | 640 | 53.4 | 238.6 | 6.2 | 25.3 | 86.9 |
| YOLO11x | 640 | 54.7 | 462.8 | 11.3 | 56.9 | 194.9 |
Dengeli Analiz: Güçlü ve Zayıf Yönler#
GPU Hızlandırma: YOLO11, GPU ortamlarında üstünlük kurar. Örneğin YOLO11m, TensorRT kullanarak bir T4 GPU üzerinde 4.7ms gibi şaşırtıcı bir sürede %51.5 mAP sunar. Benzer bir doğruluğa ulaşmak için EfficientDet-d5 67.86ms harcar; bu da 14 kattan daha yavaştır. Bu durum, gerçek zamanlı uygulamalar için Ultralytics modellerinin üstün performans dengesini vurgulamaktadır.
CPU Ortamları: EfficientDet, ONNX kullanan daha küçük varyantlarında (d0 ve d1 gibi) son derece optimize edilmiş CPU çıkarım hızları sergiler. Ancak doğruluk oranı, d7 gibi daha büyük varyantlarda devasa GPU gecikme cezalarıyla karşılaşmadan zayıf bir şekilde ölçeklenir.
Eğitim Metodolojisi ve Ekosistem#
Geliştirici deneyimi, genellikle modelin teorik yetenekleri kadar kritiktir. Ultralytics ekosisteminin parladığı nokta tam olarak burasıdır.
EfficientDet, büyük ölçüde eski TensorFlow ekosistemine ve karmaşık AutoML kütüphanelerine dayanır. Özel bir eğitim boru hattı kurmak; dik öğrenme eğrilerini, karmaşık bağımlılık yönetimini ve çapa ile loss functions değerlerinin manuel olarak yapılandırılmasını gerektirir.
Buna karşılık Ultralytics, benzersiz bir kullanım kolaylığı sunar. Bakımlı bir PyTorch ekosistemi tarafından desteklenen bir YOLO modelini eğitmek yalnızca birkaç satır kod gerektirir. Çerçeve, hyperparameter tuning, gelişmiş veri artırımları (augmentations) ve optimal öğrenme hızı planlamasını kutudan çıktığı gibi otomatik olarak yönetir.
Kod Örneği: Ultralytics ile Başlangıç#
Bu sağlam ve üretime hazır kod parçacığı, Python API içinde eğitimin ve çıkarımın ne kadar anlaşılır olduğunu göstermektedir.
from ultralytics import YOLO
# Load a pre-trained YOLO11 small model
model = YOLO("yolo11s.pt")
# Train the model on your custom dataset with automated hyperparameter tuning
train_results = model.train(data="coco8.yaml", epochs=50, imgsz=640, device=0)
# Perform fast inference on an image
results = model.predict("https://ultralytics.com/images/bus.jpg")
results[0].show()İdeal Kullanım Senaryoları#
EfficientDet ne zaman kullanılır: EfficientDet, TensorFlow hatlarına yoğun bir şekilde gömülü olan araştırma ortamları veya d0 gibi ilk mimarilerin yeterli olduğu özel CPU kısıtlamaları için hala geçerli bir seçenektir.
YOLO11 ne zaman kullanılır: YOLO11, modern kurumsal dağıtımlar için kesin tercihtir. İstisnai hızı onu autonomous vehicles, gerçek zamanlı spor analitiği ve yüksek verimli üretim kusur tespiti için mükemmel kılmaktadır. Dahası, daha düşük bellek kullanımı, NVIDIA Jetson gibi kaynak kısıtlı donanımlar üzerinde esnek dağıtıma olanak tanır.
Geleceğe Bakış: YOLO26 Yükseltmesi#
YOLO11 son derece yetenekli olsa da, yeni projelere başlayan geliştiriciler kanıtlanmış YOLOv8 veya yeni yayınlanan YOLO26 gibi diğer Ultralytics mimarilerini değerlendirmelidir. 2026'nın başlarında yayınlanan YOLO26, YOLO11'in temelini alarak birkaç çığır açıcı yenilik sunar:
- Uçtan Uca NMS İçermeyen Tasarım: YOLOv10 mirası üzerine inşa edilen YOLO26, son işleme sırasındaki Maksimum Olmayan Bastırma (NMS) adımını tamamen ortadan kaldırarak gecikmeyi düşürür ve dağıtım boru hatlarını basitleştirir.
- MuSGD Optimize Edici: Standart SGD'yi (büyük dil modeli eğitiminden esinlenen) Muon ile harmanlayan ve eğitim kararlılığını önemli ölçüde artıran hibrit bir optimize edici.
- %43'e Kadar Daha Hızlı CPU Çıkarımı: Özel optimizasyonlar, YOLO26'yı harici GPU'su olmayan uç cihazlarda inanılmaz derecede güçlü kılar.
- ProgLoss + STAL: Hava görüntüleri ve robotik için kritik olan küçük nesne algılamasını önemli ölçüde iyileştiren gelişmiş kayıp fonksiyonları.
Kapsamlı Ultralytics Docs sayfamızda, RT-DETR gibi transformer tabanlı dedektörler dahil olmak üzere vizyon mimarilerinin daha geniş yelpazesini keşfet.