EfficientDet vs YOLO11: Kapsamlı Bir Teknik Karşılaştırma
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 gecikmeleri hedefliyor ol, ister bulut tabanlı çıkarım için ölçeklenebilir doğruluğa ihtiyaç duy; bu modellerin nüanslarını anlaman kritik önem taşır.
Model Profilleri ve Teknik Detaylar
Her mimarinin geçmişini ve temel tasarım felsefesini anlaman, gerçek dünya nesne algılama görevlerindeki performanslarını bağlamsallaştırmana yardımcı olur.
EfficientDet
Google Brain araştırmacıları tarafından geliştirilen EfficientDet, özgün BiFPN (Çift Yönlü Özellik Piramidi Ağı) ile birlikte nesne algılama ağlarını ölçeklendirmek için ilkeli bir yaklaşım getirdi.
- Yazarlar: Mingxing Tan, Ruoming Pang ve Quoc V. Le
- Kuruluş: Google
- Tarih: 20-11-2019
- 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
YOLO11
YOLO11, Ultralytics ekosisteminde önemli bir evrimi temsil eder; gerçek zamanlı performans, parametre verimliliği ve çok görevli öğrenme sınırlarını zorlar.
- Yazarlar: Glenn Jocher ve Jing Qiu
- Organizasyon: Ultralytics
- Tarih: 2024-09-27
- GitHub: https://github.com/ultralytics/ultralytics
- Dokümanlar: https://docs.ultralytics.com/models/yolo11/
YOLO11 hakkında daha fazla bilgi edin
Mimari Karşılaştırma
Bu iki model arasındaki mimari farklılıklar, yıllar içindeki tasarım stratejilerindeki ayrışmayı gözler önüne serer.
EfficientDet, EfficientNet omurgasından yararlanır ve yukarıdan aşağıya ve aşağıdan yukarıya çok ölçekli özellik füzyonuna izin veren BiFPN'i tanıtır. Çözünürlüğü, derinliği ve genişliği tüm omurga, özellik ağı ve kutu/sınıf tahmin ağları için eş zamanlı olarak tekdüze şekilde ölçeklendiren bir bileşik ölçeklendirme yöntemi kullanır. ortalama Ortalama Hassasiyeti (mAP) maksimize etmek için oldukça etkili olsa da, BiFPN içindeki karmaşık yönlendirme bazen çıkarım sırasında bellek bant genişliğini darboğaza sokabilir.
Öte yandan YOLO11, optimize edilmiş bir C2f modülü ve gelişmiş bir çapasız (anchor-free) algılama başlığı kullanır. Bu yalın yaklaşım, özellik çıkarma sırasındaki yükü minimize eder. Ultralytics, YOLO11'i GPU donanım kullanımını maksimize edecek şekilde tasarladı; bu da eski mimarilere veya ağır transformer modellerine kıyasla hem eğitim hem de çıkarım sırasında önemli ölçüde daha düşük bellek gereksinimi sağlar.
EfficientDet kesinlikle bir nesne dedektörü iken, YOLO11 üstün bir çok yönlülüğe sahiptir. Tek bir YOLO11 mimarisi; Örnek Bölütleme, Görüntü Sınıflandırma, Poz Kestirimi ve Yönlendirilmiş Sınırlayıcı Kutuları (OBB) yerel olarak destekler.
Performans Kıyaslamaları
Aşağıdaki tablo, her iki model ailesinin COCO veri kümesi genelindeki çeşitli ölçeklerdeki performanslarını karşılaştırır.
| Model | boyut (piksel) | mAPval 50-95 | Hız CPU ONNX (ms) | Hız T4 TensorRT10 (ms) | parametre (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 hakimdir. Örneğin, YOLO11m, TensorRT kullanan bir T4 GPU'da 4,7 ms gibi müthiş bir sürede 51,5% mAP sağlar. Benzer doğruluğa ulaşmak için EfficientDet-d5, 67,86 ms sürer; yani 14 kattan daha yavaştır. Bu, Ultralytics modellerinin gerçek zamanlı uygulamalar için sunduğu 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 maruz kalmadan ölçeklenemez.
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 hattı oluşturmak; dik öğrenme eğrilerini, karmaşık bağımlılık yönetimini ve çapaların (anchors) ve kayıp fonksiyonlarının manuel yapılandırılmasını gerektirir.
Buna karşılık Ultralytics, benzersiz bir kullanım kolaylığı sunar. İyi bakımlı bir PyTorch ekosistemiyle desteklenen YOLO modelini eğitmek sadece birkaç satır kod gerektirir. Çerçeve; hiperparametre optimizasyonunu, gelişmiş veri artırmaları ve optimal öğrenme oranı zamanlamasını kutudan çıktığı gibi otomatik olarak yönetir.
Kod Örneği: Ultralytics ile Başlarken
Bu sağlam ve üretime hazır kod parçacığı, Python API içinde eğitimin ve çıkarımın ne kadar basit 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 Durumları
EfficientDet ne zaman kullanılır: EfficientDet, TensorFlow hatlarına sıkı sıkıya bağlı araştırma ortamları veya d0 gibi ilk mimarilerin yeterli olduğu belirli CPU kısıtlı senaryolar için hala geçerli bir seçenek olmaya devam etmektedir.
YOLO11 ne zaman kullanılır: YOLO11, modern kurumsal dağıtımlar için kesin tercihtir. Olağanüstü hızı; onu otonom araçlar, gerçek zamanlı spor analitiği ve yüksek verimli üretim hattı kusur tespiti için mükemmel kılar. Ayrıca, daha düşük bellek kullanımı, NVIDIA Jetson gibi kaynak kısıtlı donanımlarda esnek dağıtıma olanak tanır.
Geleceğe Bakış: YOLO26 Yükseltmesi
YOLO11 son derece yetenekli olsa da, yeni projelere başlayan geliştiriciler kanıtlanmış YOLOv8 veya yeni piyasaya sürülen YOLO26 gibi diğer Ultralytics mimarilerini değerlendirmelidir. 2026'nın başlarında yayınlanan YOLO26, YOLO11'in temelini alır ve birkaç çığır açan yeniliği beraberinde getirir:
- Uçtan Uca NMS'siz Tasarım: YOLOv10 mirasının üzerine inşa edilen YOLO26, işlem sonrası aşamadaki NMS'i (Baskılayıcı Olmayan Maksimum) tamamen ortadan kaldırır, gecikmeyi azaltır ve dağıtım hatlarını basitleştirir.
- MuSGD Optimize Edici: Standart SGD'yi Muon ile harmanlayan (büyük dil modeli eğitiminden esinlenilmiştir) hibrit bir optimize edici, eğitim kararlılığını önemli ölçüde artırır.
- %43'e varan Daha Hızlı CPU Çıkarımı: Özel optimizasyonlar, YOLO26'yı bağımsız GPU'lara sahip 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.
Explore the broader landscape of vision architectures, including transformer-based detectors like RT-DETR, in our comprehensive Ultralytics Docs.