EfficientDet ve YOLO11#

En uygun sinir ağı mimarisini seçmek, başarılı her bilgisayarlı görü uygulamasının temelidir. Bu kapsamlı kılavuzda Google'ın EfficientDet'i ile Ultralytics YOLO11 arasında ayrıntılı bir teknik karşılaştırma sunulurken mimari farklılıklar, performans metrikleri ve ideal dağıtım senaryoları analiz edilmektedir.

İster uç AI cihazlarında milisaniyelik gecikmeyi hedefliyor ol ister bulut tabanlı çıkarım için ölçeklenebilir doğruluğa ihtiyaç duy, bu modellerin inceliklerini anlamak kritik önem taşır.

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'deki araştırmacılar tarafından geliştirilen EfficientDet, yeni BiFPN (Çift Yönlü Özellik Piramidi Ağı) ile birlikte nesne algılama ağlarını ölçeklendirmek için sistematik bir yaklaşım ortaya koydu.

• 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
• Belgeler: https://github.com/google/automl/tree/master/efficientdet#readme

EfficientDet hakkında daha fazla bilgi edin

YOLO11#

YOLO11, gerçek zamanlı performansın, parametre verimliliğinin ve çok görevli öğrenmenin sınırlarını zorlayarak Ultralytics ekosisteminde önemli bir evrimi temsil eder.

• Yazarlar: Glenn Jocher ve Jing Qiu
• Kuruluş: Ultralytics
• Tarih: 2024-09-27
• GitHub: https://github.com/ultralytics/ultralytics
• Dokümanlar: https://docs.ultralytics.com/models/yolo11

Mimari Karşılaştırması#

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

EfficientDet, EfficientNet omurgasından yararlanır ve yukarıdan aşağıya ve aşağıdan yukarıya çok ölçekli özellik birleştirmesine olanak tanıyan BiFPN'yi kullanıma sunar. Tüm omurga, özellik ağı ve kutu/sınıf tahmin ağlarının çözünürlüğünü, derinliğini ve genişliğini aynı anda ve tutarlı biçimde ölçeklendirmek için bileşik ölçeklendirme yöntemi kullanır. Ortalama kesinliği (mAP) en üst düzeye çıkarmada oldukça etkili olsa da BiFPN'deki karmaşık yönlendirme, çıkarım sırasında bellek bant genişliğinde darboğaza neden olabilir.

Öte yandan YOLO11, optimize edilmiş bir C3k2 modülü ve gelişmiş, bağlantı noktası gerektirmeyen bir algılama başlığı kullanır. Bu yalın yaklaşım, özellik çıkarma sırasındaki ek yükü en aza indirir. Ultralytics, YOLO11'i GPU donanım kullanımını en üst düzeye çıkaracak şekilde tasarladı; bunun sonucunda hem eğitim hem de çıkarım sırasında eski mimarilere veya ağır Transformer modellerine kıyasla bellek gereksinimleri önemli ölçüde azalır.

Performans Karşılaştırmaları#

Aşağıdaki tablo, her iki model ailesinin COCO veri kümesi üzerindeki çeşitli ölçeklerdeki performansını karşılaştırır.

Dengeli Analiz: Güçlü ve Zayıf Yönler#

GPU Hızlandırma: YOLO11, GPU ortamlarında öne çıkar. Örneğin YOLO11m, TensorRT kullanan bir T4 GPU üzerinde 4,7 ms gibi son derece kısa bir sürede %51,5 mAP sunar. Benzer doğruluğa ulaşmak için EfficientDet-d5 67,86 ms alır; yani 14 kattan daha yavaştır. Bu, gerçek zamanlı uygulamalarda Ultralytics modellerinin üstün performans dengesini ortaya koyar.

CPU Ortamları: EfficientDet, ONNX kullanarak daha küçük varyantlarında (d0 ve d1 gibi) oldukça optimize edilmiş CPU çıkarım hızları sunar. Ancak d7 gibi daha büyük varyantlarda, yüksek GPU gecikmesi cezasına katlanmadan doğruluğunu iyi ölçeklendiremez.

Eğitim Metodolojisi ve Ekosistem#

Geliştirici deneyimi, çoğu zaman modelin teorik yetenekleri kadar kritiktir. Ultralytics ekosisteminin öne çıktığı nokta da budur.

EfficientDet, büyük ölçüde eski TensorFlow ekosistemine ve karmaşık AutoML kütüphanelerine dayanır. Özel bir eğitim işlem hattı oluşturmak; zorlu öğrenme süreçleri, karmaşık bağımlılık yönetimi ve bağlantı noktaları ile kayıp fonksiyonlarının manuel yapılandırılmasını gerektirir.

Buna karşılık Ultralytics eşsiz bir kullanım kolaylığı sunar. İyi sürdürülen bir PyTorch ekosistemiyle desteklenen YOLO modeli eğitimi yalnızca birkaç satır kod gerektirir. Çerçeve, hiperparametre ayarlamasını, gelişmiş veri artırmalarını ve en uygun öğrenme oranı çizelgelemesini kullanıma hazır olarak otomatik şekilde yönetir.

Kod Örneği: Ultralytics ile Başlarken#

Üretime hazır bu güçlü kod parçacığı, Python API'si içinde eğitimin ve çıkarımın ne kadar kolay olduğunu gösterir.

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 Alanları#

EfficientDet ne zaman kullanılmalı: EfficientDet, TensorFlow işlem hatlarına büyük ölçüde bağlı araştırma ortamlarında veya d0 gibi ilk mimarilerin yeterli performans gösterdiği belirli CPU odaklı kısıtlamalarda hâlâ geçerli bir seçenektir.

YOLO11 ne zaman kullanılmalı: YOLO11, modern kurumsal dağıtımlar için kesin tercihtir. Olağanüstü hızı, onu otonom araçlar, gerçek zamanlı spor analitiği ve yüksek hacimli üretim kusuru algılama için ideal kılar. Ayrıca düşük bellek kullanımı, NVIDIA Jetson gibi kaynakları kısıtlı donanımlarda esnek dağıtıma olanak tanır.

Geleceğe Bakış: YOLO26 Yükseltmesi#

YOLO11 son derece yetenekli olsa da yeni projelere başlayan geliştiriciler, kendini kanıtlamış YOLOv8 veya yeni yayımlanan YOLO26 gibi diğer Ultralytics mimarilerini değerlendirmelidir. 2026'nın başlarında yayımlanan YOLO26, YOLO11'in temelini alır ve birçok çığır açan yenilik sunar:

• Uçtan Uca NMS'siz Tasarım: YOLOv10'un mirası üzerine inşa edilen YOLO26, son işleme sırasında Maksimum Olmayan Bastırmayı (NMS) tamamen ortadan kaldırarak gecikmeyi büyük ölçüde azaltır ve dağıtım işlem hatlarını basitleştirir.
• MuSGD Optimizasyon Algoritması: Standart SGD ile Muon'u (büyük dil modeli eğitiminden esinlenmiştir) birleştiren hibrit optimizasyon algoritması, eğitim kararlılığını büyük ölçüde iyileştirir.
• CPU Çıkarımında %43'e Kadar Daha Hızlı: Özel optimizasyonlar, YOLO26'i ayrık GPU'lara sahip olmayan uç cihazlarda son derece güçlü kılar.
• ProgLoss + STAL: Hava görüntüleri ve robotik için kritik olan küçük nesne algılamayı önemli ölçüde iyileştiren gelişmiş kayıp fonksiyonları.

Ultralytics Belgeleri kapsamlı kılavuzumuzda RT-DETR gibi Transformer tabanlı algılayıcılar da dahil olmak üzere görüntü mimarilerinin daha geniş kapsamını keşfet.