EfficientDet ve YOLOv10#

Hızla gelişen bilgisayarlı görü alanında doğru nesne algılama mimarisini seçmek; doğruluk, gecikme ve hesaplama verimliliğini dengelemek açısından kritiktir. Bu kapsamlı teknik kılavuz, etkili iki modeli karşılaştırır: Google'ın EfficientDet modeli ve Tsinghua Üniversitesinin YOLOv10 modeli. Her iki model de nesne algılamada önemli ilerlemeleri temsil etse de mimari tasarıma ve model optimizasyonuna çok farklı açılardan yaklaşır.

Temel mimarilerini inceleyecek, COCO gibi standart veri kümelerindeki performans kıyaslamalarını değerlendirecek ve modern makine öğrenimi işlem hatlarına nasıl entegre olduklarını tartışacağız; özellikle kapsamlı Ultralytics ekosisteminin avantajlarını vurgulayacağız.

EfficientDet: Bileşik Ölçeklemenin Öncüsü#

2019'un sonlarında tanıtılan EfficientDet, ağ boyutlarını ölçeklendirmeye yönelik ilkeli bir yaklaşım sunarak ölçeklenebilir ve yüksek doğruluklu nesne algılamada yeni bir ölçüt belirledi.

Temel Yenilikler ve Mimari#

• Yazarlar: Mingxing Tan, Ruoming Pang ve Quoc V. Le
• Kuruluş: Google Brain
• Tarih: 2019-11-20
• Arxiv: https://arxiv.org/abs/1911.09070
• GitHub: EfficientDet Deposu

EfficientDet, EfficientNet omurgası üzerine kuruludur ve yeni bir Çift Yönlü Özellik Piramit Ağından (BiFPN) yararlanır. Özellikleri önemlerini ayırt etmeden toplayan geleneksel Özellik Piramit Ağlarının (FPN) aksine BiFPN, çok ölçekli özellikleri birleştirmek için öğrenilebilir ağırlıklar kullanır. Bu sayede ağ, hangi çözünürlükteki özelliklerin nihai tahmine en fazla katkıda bulunduğunu etkili biçimde öğrenir. Ayrıca EfficientDet, omurga, özellik ağı ve kutu/sınıf tahmin ağlarının çözünürlüğünü, derinliğini ve genişliğini aynı anda ve tutarlı biçimde ölçeklendiren bileşik ölçekleme yöntemini kullanır.

EfficientDet, eski TensorFlow işlem hatlarıyla derin biçimde bütünleşmiş eski sistemler için sağlam bir seçenek olmaya devam etse de eğitim sırasında önemli bellek gereksinimleri doğurur ve modern, dinamik çerçevelere kıyasla kullanımı zahmetli olabilen eski bir ekosisteme dayanır.

EfficientDet hakkında daha fazla bilgi edin

YOLOv10: NMS İçermeyen Yenilikçi Model#

2024'ün ortalarında yayımlanan YOLOv10, son işlem sırasında Maksimum Olmayan Bastırma (NMS) gereksinimini ortadan kaldırarak gerçek zamanlı nesne algılama yaklaşımını kökten değiştirdi ve çıkarım gecikmesini önemli ölçüde azalttı.

Temel Yenilikler ve Mimari#

• Yazarlar: Ao Wang, Hui Chen, Lihao Liu ve diğerleri
• Kuruluş: Tsinghua Üniversitesi
• Tarih: 2024-05-23
• Arxiv: https://arxiv.org/abs/2405.14458
• GitHub: YOLOv10 Deposu

YOLOv10, NMS içermeyen eğitim için tutarlı bir çift atama stratejisi sunar. Ağ, eğitim sırasında hem çoktan-bire hem de bire bir etiket atamalarından yararlanarak yinelenenleri ayıklamak için NMS'ye ihtiyaç duymadan benzersiz biçimde eşleşen sınırlayıcı kutular üretmeyi öğrenir. Verimlilik ve doğruluğu bütünsel olarak gözeten bu model tasarımı, hesaplama tekrarlarını azaltarak uç bilişim ve düşük gecikmeli video akışı uygulamaları için mükemmel bir aday oluşturur. Ultralytics ekosistemine sorunsuz biçimde entegre olur ve geliştiricilere son derece basit bir Python API sunar.

YOLOv10 hakkında daha fazla bilgi edin

Performans Karşılaştırması: Doğruluk, Hız ve Verimlilik#

Modelleri gerçek dünya senaryolarında dağıtırken geliştiriciler, ortalama Ortalama Hassasiyeti (mAP) parametre sayıları ve hesaplama işlemleriyle (FLOP) birlikte değerlendirmelidir. Aşağıdaki tablo, her iki modelin ölçeklendirme varyantları için bu ölçütleri ayrıntılı biçimde gösterir.

Not: YOLOv10n varyantı, ilk EfficientDet sürümlerine kıyasla çok daha az parametre (2,3M) gerektirir ve çok daha yüksek TensorRT hızlarına (1,84 ms) ulaşır; bu da onu üretimde gerçek zamanlı çıkarım için çok daha uygun kılar.

Model Dağıtımı için Neden Ultralytics'i Seçmelisin?#

Her iki model de tarihsel ve yapısal açıdan önemli olsa da modern işlem hatlarına entegre edilmeleri zor olabilir. Ultralytics Platformunun öne çıktığı nokta da budur. Birleşik bir ekosistem sunan Ultralytics, veri etiketlemeden dağıtıma kadar tüm yaşam döngüsünü basitleştirir.

1. Kullanım Kolaylığı: Ultralytics Python paketi, model eğitimi, doğrulama ve dışa aktarma için tek bir arayüz sunar; yüzlerce satırlık standart kodu kısa komutlarla değiştirir.
2. Ekosistem ve Çok Yönlülük: EfficientDet, algılama konusunda oldukça uzmanlaşmışken Ultralytics YOLO modelleri doğal olarak Örnek Segmentasyonuna, Poz Tahminine, Yönlendirilmiş Sınırlayıcı Kutulara (OBB) ve Sınıflandırmaya da genişletilebilir.
3. Eğitim Verimliliği: Otomatik gruplama ve dağıtılmış eğitim gibi gelişmiş tekniklerden yararlanan Ultralytics modelleri, ağır Transformer veya eski çok dallı TF mimarilerinden daha hızlı eğitilir ve çok daha az CUDA belleği kullanır.

Kod Örneği: YOLOv10 Eğitimi#

Ultralytics ile YOLOv10 dağıtmak son derece kolaydır. Aşağıdaki kod örneği, YOLOv10 ağının tamamen Python API içinde nasıl başlatılacağını, eğitileceğini ve değerlendirileceğini gösterir.

from ultralytics import YOLO

# Önceden eğitilmiş bir YOLOv10 modeli yükle (uçta hız için nano varyantı)
model = YOLO("yolov10n.pt")

# Modeli COCO8 veri kümesinde eğit
results = model.train(data="coco8.yaml", epochs=50, imgsz=640, batch=16)

# Modeli doğrulama kümesinde değerlendir
metrics = model.val()

# Modeli üretim dağıtımı için ONNX biçimine aktar
model.export(format="onnx")

Kullanım Alanları ve Öneriler#

EfficientDet ile YOLOv10 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 yerel optimizasyona sahip olduğu, Google Cloud Vision API'leriyle veya TPU altyapısıyla sıkı biçimde bütünleşik 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.

YOLOv10'u Ne Zaman Seçmeli?#

YOLOv10 şu durumlarda önerilir:

• NMS Olmadan Gerçek Zamanlı Algılama: Maksimum Olmayan Bastırma olmadan uçtan uca algılamadan yararlanan ve dağıtım karmaşıklığını azaltan uygulamalar.
• Hız ve Doğruluk Arasında Dengeli Ödünleşimler: Çeşitli model ölçeklerinde çıkarım hızı ile algılama doğruluğu arasında güçlü bir denge gerektiren projeler.
• Tutarlı Gecikme Gerektiren Uygulamalar: Robotik veya otonom sistemler gibi öngörülebilir çıkarım sürelerinin kritik olduğu dağıtım senaryoları.

Ultralytics'i (YOLO26) Ne Zaman Seçmeli#

Yeni projelerin çoğu için Ultralytics YOLO26, performans ve geliştirici deneyiminin en iyi bileşimini sunar:

• NMS Olmadan Uç Dağıtımı: Maksimum Olmayan Bastırma son işleminin karmaşıklığı olmadan tutarlı ve düşük gecikmeli çıkarım gerektiren uygulamalar.
• Yalnızca CPU Kullanılan Ortamlar: YOLO26'nın CPU'da %43'e varan daha hızlı çıkarımının belirleyici bir avantaj sağladığı, özel GPU hızlandırması bulunmayan cihazlar.
• Küçük Nesne Algılama: ProgLoss ve STAL'ın çok küçük nesnelerde doğruluğu önemli ölçüde artırdığı havadan drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolar.

Gelecek Şimdi: Ultralytics YOLO26 Sahneye Çıkıyor#

YOLOv10 devrim niteliğindeki NMS'siz tasarımı sunmuş olsa da teknoloji gelişimini sürdürdü. Ocak 2026'da yayımlanan Ultralytics YOLO26, görü teknolojisinde en ileri noktayı temsil eder. Önceki mimarilerin en iyi yönlerini (örneğin YOLO11 modelinin çok görevli yeteneklerini ve RT-DETR modelinin kararlılığını) tek ve son derece optimize edilmiş güçlü bir yapıda birleştirir.

YOLO26'daki Temel Yenilikler:

• Uçtan Uca, NMS İçermeyen Tasarım: YOLOv10'un temelleri üzerine kurulan YOLO26, NMS'yi atlayan ve dağıtım mantığını en yalın hâle indirgeyen, isteğe bağlı uçtan uca bire bir başlık (nms=False) sunar.
• CPU Çıkarımında %43'e Kadar Daha Hızlı: Dağılım Odaklı Kayıp'ın (DFL) kaldırılması, YOLO26'nın hesaplama ek yükünü önemli ölçüde azaltarak onu uç AI cihazlarında rakipsiz kılar.
• MuSGD Optimize Edici: YOLO26, Büyük Dil Modeli (LLM) eğitimindeki yeniliklerden yararlanır. SGD'nin kararlılığını Muon'un hızıyla birleştirerek önceki tüm modellerden daha hızlı ve güvenilir biçimde yakınsar.
• ProgLoss + STAL: Üstün kayıp formülasyonları, EfficientDet'in geleneksel olarak zorlandığı küçük nesne algılamadaki uzun süreli sorunları etkili biçimde çözer.

Sonuç: Modelleri Kullanım Alanlarına Göre Eşleştirme#

Bu ağlar arasındaki seçim, sonuç olarak dağıtım kısıtlarına bağlıdır:

• EfficientDet, bileşik ölçekleme açısından akademik ilgi konusu olmaya devam eder ve çalışma zamanı hızından çok model ağırlık dosyasının boyutunun önemli olduğu mevcut TensorFlow sistemlerini sürdüren araştırmacılar için uygundur.
• YOLOv10, öncü NMS'siz mimarisi sayesinde yüksek hızlı çoklu nesne takibi ve trafik izleme gibi ultra düşük gecikme gerektiren uygulamalarda olağanüstü performans gösterir.
• YOLO26 ise sağlam Ultralytics ekosistemiyle desteklenen doğruluk, düşük bellek kullanımı ve çok görevli çok yönlülük açısından en üst düzey Performans Dengesini sunarak modern bilgisayarlı görü projeleri için en iyi öneridir.