EfficientDet ve YOLO11#

En uygun sinir ağı mimarisini seçmek, her başarılı bilgisayarlı görü uygulamasının temelidir. Bu kapsamlı kılavuz, Google'ın EfficientDet modeli ile Ultralytics YOLO11 arasında mimari farklılıkları, performans ölçütlerini ve ideal dağıtım senaryolarını inceleyen ayrıntılı bir teknik karşılaştırma sunar.

İster uç AI cihazlarında milisaniye düzeyinde gecikme hedefliyor ister bulut tabanlı çıkarım için ölçeklenebilir doğruluğa ihtiyaç duyuyor ol, bu modellerin inceliklerini anlamak çok önemlidir.

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.

• 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 gelişmeyi temsil eder.

• 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

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 birleştirmeyi mümkün kılan BiFPN'yi sunar. Tüm omurga, özellik ağı ve kutu/sınıf tahmin ağlarının çözünürlüğünü, derinliğini ve genişliğini aynı anda ve tutarlı biçimde ölçeklendiren bileşik ölçekleme yöntemini kullanır. ortalama Ortalama Hassasiyeti (mAP) en üst düzeye çıkarmada oldukça etkili olsa da BiFPN'deki karmaşık yönlendirme, çıkarım sırasında bazen bellek bant genişliğini darboğaza sokabilir.

YOLO11 ise optimize edilmiş bir C3k2 modülünden ve gelişmiş, çapadan bağımsız bir algılama başlığından yararlanır. Bu yalın yaklaşım, özellik çıkarımı sırasındaki ek yükü en aza indirir. Ultralytics, YOLO11'i GPU donanım kullanımını en üst düzeye çıkaracak şekilde tasarladı; bunun sonucunda YOLO11, eğitim ve çıkarım sırasında eski mimarilere veya ağır Transformer modellerine kıyasla çok daha az bellek gerektirir.

Performans Karşılaştırmaları#

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

Dengeli Analiz: Güçlü ve Zayıf Yönler#

GPU Hızlandırması: YOLO11, GPU ortamlarında öne çıkar. Örneğin YOLO11m, TensorRT kullanan bir T4 GPU'da 4,7 ms gibi etkileyici bir sürede %51,5 mAP değerine ulaşır. Benzer doğruluğu elde etmek EfficientDet-d5 ile 67,86 ms sürer; yani 14 kattan fazla yavaştır. Bu, Ultralytics modellerinin gerçek zamanlı uygulamalardaki üstün performans dengesini gösterir.

CPU Ortamları: EfficientDet, küçük varyantlarında (d0 ve d1 gibi) ONNX kullanarak son derece optimize edilmiş CPU çıkarım hızları sunar. Ancak d7 gibi büyük varyantlarda ciddi GPU gecikmesi maliyetleri olmadan doğruluğunu iyi ölçekleyemez.

Eğitim Yöntemi 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 kurmak; zorlu öğrenme süreçleri, karmaşık bağımlılık yönetimi ve çapalar ile kayıp fonksiyonlarının elle yapılandırılmasını gerektirir.

Buna karşılık Ultralytics, benzersiz bir kullanım kolaylığı sunar. İyi bakımı yapılan PyTorch ekosistemiyle desteklenen bir YOLO modelini eğitmek yalnızca birkaç satır kod gerektirir. Çerçeve, gelişmiş veri artırmalarını ve öğrenme oranı zamanlamasını kullanıma hazır biçimde otomatik olarak yönetir ve yerleşik hiperparametre ayarı içerir.

Kod Örneği: Ultralytics ile Başlangıç#

Üretime hazır bu sağlam kod örneği, Python API içinde 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 kullanıldığı araştırma ortamlarında veya d0 gibi erken mimarilerin yeterli performans gösterdiği CPU kısıtlı belirli senaryolarda hâlâ geçerli bir seçenektir.

YOLO11 ne zaman kullanılmalı: YOLO11, modern kurumsal dağıtımlar için kesin bir tercihtir. Olağanüstü hızı, onu otonom araçlar, gerçek zamanlı spor analizleri ve yüksek verimli üretim kusuru algılama için ideal kılar. Ayrıca düşük bellek kullanımı, NVIDIA Jetson gibi kaynakları kısıtlı donanımlarda esnek dağıtım olanağı sağlar.

Geleceğe Bakış: YOLO26'ya Geçiş#

YOLO11 son derece yetenekli olsa da yeni projelere başlayan geliştiriciler, kendini kanıtlamış YOLOv8 veya yeni yayımlanan YOLO26 gibi diğer Ultralytics mimarilerini değerlendirmeli. 2026'nın başlarında yayımlanan YOLO26, YOLO11'in temelini alıp çığır açan çeşitli yenilikler ekler:

• Uçtan Uca, NMS İçermeyen Tasarım: YOLOv10 mirasını temel alan YOLO26, isteğe bağlı bire bir başlığı (nms=False) sayesinde Maksimum Olmayan Bastırma (NMS) son işlemeyi tamamen atlayarak gecikmeyi azaltır ve dağıtım işlem hatlarını basitleştirir.
• MuSGD Optimize Edici: Standart SGD'yi Muon ile harmanlayan hibrit bir optimize edicidir (büyük dil modeli eğitiminden esinlenmiştir) ve eğitim kararlılığını büyük ölçüde artırır.
• CPU Çıkarımında %43'e Kadar Daha Hızlı: Belirli optimizasyonlar, YOLO26'yı ayrık GPU'su olmayan uç cihazlarda son derece güçlü kılar.
• ProgLoss + STAL: Özellikle hava görüntüleri ve robotik için kritik olan küçük nesne algılamayı belirgin biçimde iyileştiren gelişmiş kayıp fonksiyonları.

RT-DETR gibi Transformer tabanlı algılayıcılar da dâhil olmak üzere bilgisayarlı görü mimarilerinin daha geniş yelpazesini kapsamlı Ultralytics Belgeleri içinde keşfet.