Başla

EfficientDet ve YOLOv10

Bilgisayarlı görü alanında doğru nesne algılama mimarisini seçmek; doğruluğu, gecikmeyi ve hesaplama verimliliğini dengelemek için kritik öneme sahiptir. Bu 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.

Bu kılavuz temel mimarileri ele alır, COCO gibi standart veri kümelerindeki performans kıyaslamalarını inceler ve Ultralytics ekosistemi dâhil modern makine öğrenimi işlem hatlarıyla nasıl bütünleştiklerini tartışır.

EfficientDet: Bileşik Ölçeklemenin Öncüsü#

2019'un sonlarında tanıtılan EfficientDet, ağ boyutlarını ölçeklendirmeye yönelik ilkeli yaklaşımıyla ölçeklenebilir ve doğru nesne algılama için yeni bir ölçüt belirledi.

Temel Yenilikler ve Mimari#

EfficientDet, EfficientNet omurgası üzerine kuruludur ve yeni bir Çift Yönlü Özellik Piramidi Ağı (BiFPN) kullanır. Özellikleri önemlerini ayırt etmeden toplayan geleneksel Özellik Piramidi Ağlarının (FPN) aksine BiFPN, çok ölçekli özellikleri birleştirmek için öğrenilebilir ağırlıklardan yararlanır. Bu sayede ağ, son tahmine en fazla katkıda bulunan çözünürlük özelliklerini etkili biçimde öğrenebilir. EfficientDet ayrıca omurga, özellik ağı ve kutu/sınıf tahmin ağlarının çözünürlüğünü, derinliğini ve genişliğini aynı anda tutarlı biçimde ölçeklendiren bir bileşik ölçeklendirme yöntemi 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 işleme sırasında Maksimum Olmayan Bastırma (NMS) gereksinimini ortadan kaldırarak gerçek zamanlı nesne algılamayı değiştirdi ve çıkarım gecikmesini önemli ölçüde azalttı.

Temel Yenilikler ve Mimari#

YOLOv10, NMS'siz eğitim için tutarlı bir çift atama stratejisi sunar. Ağ, eğitim sırasında hem çoktan bire hem de bire bir etiket atamalarından yararlanarak, yinelenenleri filtrelemek için NMS'ye ihtiyaç duymadan benzersiz biçimde eşleşen sınırlayıcı kutular üretmeyi öğrenir. Bu bütünsel verimlilik ve doğruluk odaklı model tasarımı, hesaplama tekrarlarını azaltarak uç bilişim ve düşük gecikmeli video akışı uygulamaları için güçlü bir aday olmasını sağlar. Ayrıca Ultralytics ekosistemine entegre olarak geliştiricilere basit bir Python API sunar.

YOLOv10 hakkında daha fazla bilgi edin

NMS'siz Tasarımın Etkisi

NMS adımını kaldıran YOLOv10, sahnede algılanan nesne sayısından bağımsız olarak çıkarım hızını tutarlı kılar ve kalabalık bilgisayarlı görü uygulamalarında sıkça görülen gecikme sıçramalarını ortadan kaldırır.

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.

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
YOLOv10n64038.5-1.842.36.7
YOLOv10s64046.3-2.497.221.6
YOLOv10m64051.1-4.7415.459.1
YOLOv10b64052.5-5.7419.192.0
YOLOv10l64053.2-7.2824.4120.3
YOLOv10x64054.4-10.7029.5160.4

Not: YOLOv10n çeşidi, en küçük EfficientDet çeşitlerinden daha az parametre (2.3M) gerektirir ve çok daha yüksek TensorRT hızlarına (1.84ms) ulaşır; bu da onu üretimde gerçek zamanlı çıkarım için çok daha uygulanabilir kılar.

Model Dağıtımı için Neden Ultralytics'i Seçmelisin?#

Her iki modelin de tarihsel ve yapısal önemi olsa da modern işlem hatlarına entegre edilmeleri zor olabilir. Ultralytics Platformu burada yardımcı olur. 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 uzmanlaşmışken Ultralytics YOLO modelleri Örnek Bölütleme, Sınıflandırma, Poz Tahmini ve Yönlendirilmiş Sınırlayıcı Kutulara (OBB) uzanır.
  3. Eğitim Verimliliği: Otomatik gruplama ve dağıtık eğitim gibi teknikleri kullanan Ultralytics modelleri, ağır Transformer veya eski çok dallı TensorFlow mimarilerinden daha hızlı eğitilir ve çok daha az CUDA belleği tüketir.

Kod Örneği: YOLOv10 Eğitimi#

YOLOv10'u Ultralytics ile dağıtmak kolaydır. Aşağıdaki kod parçacığı, bir YOLOv10 ağının tümüyle Python API içinde başlatılmasını, eğitilmesini ve değerlendirilmesini 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 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.

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: Özel GPU hızlandırması olmayan cihazlarda YOLO26n'in YOLO11n'e kıyasla CPU'da %43'e varan hızlı çıkarım sunması belirgin bir avantaj sağlar.
  • 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, NMS'siz YOLO tasarımını sunmuş olsa da teknoloji gelişti. Ocak 2026'da yayımlanan Ultralytics YOLO26, şu anda yapay görü için önerilen Ultralytics modelidir. YOLO11 modelinin çok görevli yetenekleri ve RT-DETR modelinin uçtan uca algılaması gibi önceki mimarilerin güçlü yanlarını, tek bir optimize edilmiş model ailesinde birleştirir.

YOLO26'nın Avantajı

Yeni bir projeye başlıyorsan YOLO26 ile başla. Ultralytics Platformu üzerinden esneklik ve kullanım kolaylığı sunar.

YOLO26'daki Temel Yenilikler:

  • Uçtan Uca NMS'siz Tasarım: YOLOv10'un temelleri üzerine inşa edilen YOLO26, NMS'yi atlayan isteğe bağlı uçtan uca bire bir başlık (nms=False) sunarak dağıtım mantığını en aza indirir.
  • %43'e Kadar Daha Hızlı CPU Çıkarımı: Distribution Focal Loss'un (DFL) kaldırılmasıyla YOLO26, hesaplama yükünü önemli ölçüde azaltır. YOLO26n CPU'da YOLO11n'den %43'e kadar daha hızlı çalışır ve bu sayede uç yapay zekâ cihazları için uygundur.
  • MuSGD Optimizasyonu: YOLO26, Büyük Dil Modeli (LLM) eğitiminden teknikler alır. SGD'nin kararlılığını Muon'un hızıyla birleştirerek daha hızlı ve daha güvenilir biçimde yakınsar.
  • ProgLoss + STAL: Aşamalı Kayıp ve küçük hedef farkındalıklı etiket atama, EfficientDet'in geleneksel olarak zorlandığı küçük nesne algılamadaki uzun süredir devam eden sorunları ele alır.

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, NMS'siz mimarisi sayesinde yüksek hızlı çoklu nesne takibi ve trafik izleme gibi son derece düşük gecikme gerektiren uygulamalar için uygundur.
  • Buna karşılık YOLO26, sağlam Ultralytics ekosisteminin desteğiyle doğruluk, düşük bellek kullanımı ve çok görevli çok yönlülük arasında güçlü bir performans dengesi sunarak modern bilgisayarlı görü projeleri için en çok önerilen seçenektir.
Katkıda Bulunanlar

Yorumlar

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