Link to this sectionEfficientDet ile YOLO11 Karşılaştırması: Kapsamlı Bir Teknik İnceleme#
En uygun sinir ağı mimarisini seçmek, başarılı her bilgisayarlı görü uygulamasının temelidir. Bu kapsamlı rehber, Google'ın EfficientDet modeli ile Ultralytics YOLO11 arasında derinlemesine bir teknik karşılaştırma sunarak mimari farklılıklarını, performans metriklerini ve ideal dağıtım senaryolarını analiz eder.
İster uç yapay zeka cihazlarında milisaniyelik gecikmeyi hedefliyor, ister bulut tabanlı çıkarım için ölçeklenebilir doğruluk gerektiriyor ol, bu modellerin inceliklerini anlaman çok önemlidir.
Link to this sectionModel Profilleri ve Teknik Detaylar#
Her mimarinin geçmişini ve altında yatan tasarım felsefesini anlamak, gerçek dünyadaki nesne algılama görevlerindeki performanslarını bağlamına oturtmana yardımcı olur.
Link to this sectionEfficientDet#
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
- Dokümanlar: https://github.com/google/automl/tree/master/efficientdet#readme
EfficientDet hakkında daha fazla bilgi edinin
Link to this sectionYOLO11#
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
- Dokümantasyon: https://docs.ultralytics.com/models/yolo11/
YOLO11 hakkında daha fazla bilgi edinin
Link to this sectionMimari Karşılaştırma#
Bu iki model arasındaki mimari farklılıklar, yıllar içindeki tasarım stratejilerindeki ayrışmayı gözler önüne seriyor.
EfficientDet, EfficientNet omurgasından yararlanır ve yukarıdan aşağıya ve aşağıdan yukarıya çok ölçekli özellik füzyonuna izin veren BiFPN'i tanıtır. Tüm omurga, özellik ağı ve kutu/sınıf tahmin ağları için çözünürlüğü, derinliği ve genişliği eşzamanlı olarak tek tip ölçeklendiren bir bileşik ölçekleme yöntemi kullanır. ortalama Hassasiyet (mAP) değerini maksimize etmek için oldukça etkili olsa da, BiFPN'deki karmaşık yönlendirme bazen çıkarım sırasında bellek bant genişliğini darboğaza sokabilir.
YOLO11 ise optimize edilmiş bir C3k2 modülü ve gelişmiş, çapasız (anchor-free) bir algılama başlığı kullanır. Bu sadeleştirilmiş yaklaşım, özellik çıkarımı sırasındaki ek yükü en aza indirir. Ultralytics, YOLO11'i GPU donanım kullanımını en üst düzeye çıkaracak şekilde tasarladı; bu da daha eski mimarilere veya ağır transformer modellerine kıyasla hem eğitim hem de çıkarım sırasında önemli ölçüde daha düşük bellek gereksinimi ile sonuçlandı.
EfficientDet kesinlikle bir nesne algılayıcı iken, YOLO11 olağanüstü bir çok yönlülüğe sahiptir. Tek bir YOLO11 mimarisi; Örnek Bölütleme, Görüntü Sınıflandırma, Poz Tahmini ve Yönelimli Sınırlayıcı Kutular (OBB) işlemlerini yerel olarak destekler.
Link to this sectionPerformans Karşılaştırmaları#
Aşağıdaki tablo, COCO veri seti 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 |
Link to this sectionDengeli Analiz: Güçlü ve Zayıf Yönler#
GPU Hızlandırma: YOLO11, GPU ortamlarında hakimdir. Örneğin YOLO11m, TensorRT kullanan bir T4 GPU üzerinde 4.7ms'lik müthiş bir hızla 51.5% mAP sağlar. Karşılaştırılabilir bir doğruluk elde etmek için EfficientDet-d5, 67.86ms sürer; yani 14 kattan daha yavaştır. Bu, gerçek zamanlı uygulamalar için Ultralytics modellerinin üstün performans dengesini vurgular.
CPU Ortamları: EfficientDet, ONNX kullanarak daha küçük varyantlarında (d0 ve d1 gibi) oldukça optimize edilmiş CPU çıkarım hızları sergiler. Ancak doğruluğu, d7 gibi daha büyük varyantlarda devasa GPU gecikme cezalarına uğramadan ölçeklenemez.
Link to this sectionEğitim 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 hattı kurmak, dik öğrenme eğrileri, karmaşık bağımlılık yönetimi ve çapalar ile kayıp fonksiyonlarının manuel yapılandırılmasını gerektirir.
Buna karşılık Ultralytics, benzersiz bir kullanım kolaylığı sunar. İyi desteklenen bir PyTorch ekosistemiyle, bir YOLO modelini eğitmek sadece birkaç satır kod gerektirir. Çerçeve, hiperparametre ayarlama, gelişmiş veri artırma teknikleri ve en uygun öğrenme oranı planlamasını kutudan çıktığı gibi otomatik olarak yönetir.
Link to this sectionKod Örneği: Ultralytics ile Başlangıç#
Bu sağlam ve üretime hazır kod parçacığı, Python API içerisinde eğitimin ve çıkarımın ne kadar basit 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()Link to this sectionİdeal 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. Olağanüstü hızı onu otonom araçlar, gerçek zamanlı spor analizleri ve yüksek hacimli üretim hatası algılama için mükemmel kılar. Ayrıca, düşük bellek kullanımı, NVIDIA Jetson gibi kaynak kısıtlı donanımlarda esnek dağıtıma olanak tanır.
Link to this sectionGeleceğe Bakış: YOLO26 Yükseltmesi#
YOLO11 son derece yetenekli olsa da, yeni projelere başlayan geliştiriciler, kendini kanıtlamış YOLOv8 veya yeni yayınlanan YOLO26 gibi diğer Ultralytics mimarilerini değerlendirmelidir. 2026'nın başlarında yayınlanan YOLO26, YOLO11'in temelini alır ve birçok çığır açan yenilik getirir:
- Uçtan Uca NMS'siz Tasarım: YOLOv10 mirasının üzerine inşa edilen YOLO26, işlem sonrası aşamada (post-processing) Maksimum Olmayan Bastırma (NMS) işlemini tamamen ortadan kaldırarak gecikmeyi azaltır ve dağıtım 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.
RT-DETR gibi transformer tabanlı algılayıcılar da dahil olmak üzere, kapsamlı Ultralytics Dokümantasyonumuzda görüntü mimarilerinin daha geniş yelpazesini keşfet.