Başla

EfficientDet ve YOLO26

Doğru bilgisayarlı görü mimarisini seçmek, ölçeklenebilir ve verimli yapay zekâ sistemleri kurmanın kritik bir adımıdır. Bu kılavuz, 2019'da yayımlanan Google EfficientDet ile Ocak 2026'da yayımlanan Ultralytics YOLO26 arasında teknik bir karşılaştırma sunuyor. Dağıtım kısıtlarına en uygun modeli seçmene yardımcı olmak için modellerin temel mimarilerini, performans ölçütlerini ve eğitim yöntemlerini değerlendiriyor.

Modelin Kökeni ve Geliştiricileri#

Bu mimarilerin kökenlerini anlamak, tasarım felsefeleri ve hedeflenen kullanım alanları hakkında değerli bilgiler sağlar.

EfficientDet

EfficientDet hakkında daha fazla bilgi edin

YOLO26

Mimari Yenilikler#

Bu iki modelin mimari farklılıkları belirgindir ve son birkaç yılda derin öğrenme alanında yaşanan hızlı ilerlemeyi yansıtır.

EfficientDet, BiFPN (Çift Yönlü Özellik Piramidi Ağı) temelinde geliştirildi ve çözünürlük, derinlik ve genişlik için bileşik ölçeklendirme yöntemi kullanıyor. 2019'da mükemmel verimlilik sunsa da eski TensorFlow çerçevelerine ve özel veri kümelerine uyarlaması çoğu zaman zahmetli olan karmaşık AutoML arama algoritmalarına büyük ölçüde dayanıyor.

Buna karşılık Ultralytics YOLO26, gerçek zamanlı bilgisayarlı görü için en yeni Ultralytics modelidir. Modern dağıtım işlem hatları için tasarlanmış çeşitli mimari iyileştirmeler sunar:

  • Uçtan Uca NMS'siz Tasarım: YOLO26, uçtan uca çalışan yerel bir bire bir başlık (nms=False) sunarak Maksimum Olmayan Bastırma (NMS) son işlemesine duyulan ihtiyacı ortadan kaldırır. İlk olarak YOLOv10 ile sunulan bu yaklaşım, dağıtım mantığını hızlandırır ve basitleştirir; uç yongalardaki gecikme değişkenliğini azaltır.
  • DFL'nin Kaldırılması: Distribution Focal Loss'un (DFL) kaldırılmasıyla YOLO26, çıktı başlığını sadeleştirerek uç bilişim ve düşük güçlü cihazlarla uyumluluğu artırır.
  • MuSGD Optimizasyonu: YOLO26, Moonshot AI'nin Kimi K2'sinin arkasındaki teknikler gibi büyük dil modeli eğitim tekniklerinden esinlenerek SGD ile Muon'un hibriti olan MuSGD optimizasyonunu kullanır. Bu, standart optimizasyonlara kıyasla daha kararlı eğitim ve daha hızlı yakınsama sağlar.
  • ProgLoss + STAL: Aşamalı Kayıp (ProgLoss) ile Küçük Hedef Farkındalıklı Etiket Atama'nın (STAL) birleşimi, hava görüntülerinde ve robotikte kritik önem taşıyan küçük nesne tanımada dikkate değer iyileştirmeler sağlar.
Uzman İpucu: NMS İçermeyen Dağıtım

NMS içermeyen başlık seçildiğinde (nms=False), modelin tamamı tek ve kesintisiz bir hesaplama grafiği olarak çalıştırılabilir. Bu, ONNX veya TensorRT gibi biçimlere dışa aktarmayı kolaylaştırır ve NPU/GPU kullanımını iyileştirir.

Performans Ölçütleri ve Kıyaslamalar#

Herhangi bir nesne algılama modelinin gerçek sınavı, gerçek dünya performansıdır. Aşağıdaki tablo, ortalama Hassasiyet (mAP) ile ölçülen doğruluğu çıkarım hızları ve hesaplama gereksinimleriyle karşılaştırır.

Modelboyut
(piksel)
mAPval50-95Hız
CPU ONNX
(ms)
Hız
T4 TensorRT10
(ms)
parametre
(M)
FLOPs
(B)
EfficientDet-d051234.6-3.923.92.54
EfficientDet-d164040.5-7.316.66.1
EfficientDet-d276843.0-10.928.111.0
EfficientDet-d389647.5-19.5912.024.9
EfficientDet-d4102449.7-33.5520.755.2
EfficientDet-d5128051.5-67.8633.7130.0
EfficientDet-d6128052.6-89.2951.9226.0
EfficientDet-d7153653.7-128.0751.9325.0
YOLO26n64040.938.91.72.45.5
YOLO26s64048.687.22.59.520.9
YOLO26m64053.1220.04.720.468.4
YOLO26l64055.0286.26.224.886.8
YOLO26x64057.5525.811.855.7194.4

Yukarıda gösterildiği gibi YOLO26, çok daha iyi bir Performans Dengesi sunar. En küçük EfficientDet çeşitlerinin FLOP değerleri çok düşük olsa da YOLO26, her doğruluk düzeyinde GPU çıkarımını önemli ölçüde daha hızlı gerçekleştirir. Örneğin YOLO26x, T4 TensorRT'de EfficientDet-d7'den 10 kat daha hızlı çalışırken 57.5 mAP değerine ulaşır. YOLO26n ayrıca YOLO11n'den %43'e kadar daha hızlı CPU çıkarımı sunarak YOLO26'yı uç yapay zekâ için güçlü bir seçenek hâline getirir.

Ultralytics Ekosisteminin Avantajı#

Mimari seçimi nadiren yalnızca teorik FLOP değerleriyle ilgilidir; mühendislik iş akışlarına büyük ölçüde bağlıdır. Pek çok geliştirici, Kullanım Kolaylığı nedeniyle Ultralytics'i tercih eder.

EfficientDet eğitimi çoğunlukla karmaşık bağımlılık yönetimi, elle hiperparametre ayarı ve eski TensorFlow kurulumları gerektirir. Buna karşılık Ultralytics modelleri, basit bir API sunar. Aynı deneyim; bulut eğitimini, veri etiketlemeyi ve gerçek zamanlı deney takibini kullanıma hazır olarak yöneten Ultralytics Platformu için de geçerlidir.

Transformer tabanlı algılayıcılar ve karmaşık AutoML modelleri de genellikle büyük miktarda bellek tüketir. Ultralytics modelleri verimli Bellek Gereksinimleri ile bilinir; bu sayede bellek yetersizliği (OOM) hatalarıyla karşılaşmadan tüketici sınıfı donanımlarda güçlü modeller eğitebilirsin.

Çok Yönlülük ve Görev Desteği#

EfficientDet, yalnızca bir nesne algılama ağıdır. YOLO26 ise birleşik, çok görevli bir öğrenicidir. Mimariye yerel olarak entegre edilmiş göreve özgü yenilikler içerir:

Eski Sürümler için Destek

Eski sistemleri yönetiyorsan Ultralytics, YOLO11 ve daha eski sürümleri aynı API içinde tam olarak desteklemeye devam eder. Ancak tüm yeni geliştirmeler için YOLO26, kaynak kullanımına göre en iyi doğruluk verimini sunar.

Kullanım Alanları ve Öneriler#

EfficientDet ile YOLO26 arasında seçim yapmak, belirli proje gereksinimlerine, dağıtım kısıtlarına ve ekosistem tercihlerine bağlıdır.

EfficientDet Ne Zaman Seçilmeli#

EfficientDet şu durumlarda iyi bir seçenektir:

  • Google Cloud ve TPU İşlem Hatları: EfficientDet'in referans uygulamasının TPU eğitimini desteklediği Google Cloud TPU altyapısındaki TensorFlow tabanlı sistemler.
  • Bileşik Ölçekleme Araştırmaları: Dengeli ağ derinliği, genişliği ve çözünürlüğü ölçeklemenin etkilerini incelemeye odaklanan akademik karşılaştırmalar.
  • LiteRT ile Mobil Dağıtım: Android veya gömülü Linux cihazlarına dağıtım için özellikle LiteRT (eski adıyla TensorFlow Lite) biçimine dışa aktarma gerektiren projeler.

YOLO26'yı Ne Zaman Seçmeli?#

YOLO26 şu durumlar için önerilir:

  • NMS Olmadan Uç Dağıtımı: Maksimum Olmayan Bastırma son işleminin karmaşıklığı olmadan tutarlı ve düşük gecikmeli çıkarım gerektiren uygulamalar.
  • Yalnızca CPU Kullanılan Ortamlar: Özel GPU hızlandırması olmayan cihazlarda, YOLO26'nın CPU çıkarımında YOLO11n'ye kıyasla %43'e varan hız avantajı belirgin bir üstünlük sağlar.
  • Küçük Nesne Algılama: ProgLoss ve STAL'ın küçük nesnelerde doğruluğu önemli ölçüde artırdığı, hava araçlarından alınan görüntüler veya IoT sensör analizi gibi zorlu senaryolar.

Uygulama Örneği: YOLO26'yı Eğitme#

Ultralytics Python paketiyle optimize edilmiş bir eğitim çalıştırması başlatmak yalnızca birkaç satır kod gerektirir. Çatı; karma hassasiyet ölçeklendirmesini, PyTorch üzerinden çoklu GPU düzenlemesini ve artırma işlem hatlarını yerel olarak yönetir.

from ultralytics import YOLO

# Load the lightweight, end-to-end YOLO26n model
model = YOLO("yolo26n.pt")

# Train on the COCO8 dataset
results = model.train(
    data="coco8.yaml",
    epochs=100,
    imgsz=640,
    device=0,  # Train on the first CUDA GPU
)

# Export the NMS-free end-to-end head to ONNX
exported_path = model.export(format="onnx", nms=False)
print(f"Model seamlessly exported to: {exported_path}")

Sonuç: Hangi Modeli Seçmelisin?#

EfficientDet, bileşik ölçeklendirme araştırmalarında önemli bir basamak olmayı sürdürüyor. Ancak bulut kümelerinde veya kısıtlı Raspberry Pi cihazlarında çalıştırılan modern uygulamalarda karşılaştırma, Ultralytics YOLO26 lehinedir.

NMS'yi ortadan kaldıran, VRAM gereksinimlerini azaltan ve olgun bir geliştirici ekosistemiyle bütünleşen YOLO26, sağlam ve üretime hazır bilgisayarlı görü için önerilen mimaridir. Üretim kusurlarını algılıyor veya tarımsal verimi haritalıyor olsan da Ultralytics Platformu, veri kümesinden dağıtıma hızla ilerlemene yardımcı olur.

Katkıda Bulunanlar

Yorumlar

Bir soru sor, sonuçlarını paylaş veya başka birine yardım et.