Link to this sectionEfficientDet ile YOLOv5 Karşılaştırması#

En uygun sinir ağı mimarisini seçmek, herhangi bir bilgisayarlı görü girişiminde belirleyici bir adımdır. Çıkarım gecikmesi, parametre verimliliği ve tespit doğruluğu arasındaki denge, bir modelin gerçek dünyada ne kadar iyi performans göstereceğini belirler. Bu kapsamlı teknik kılavuz, oldukça etkili iki nesne tespit çerçevesinin derinlemesine analizini sunar: Google'ın EfficientDet modeli ve Ultralytics YOLOv5.

Geliştiriciler, mimari yeniliklerini, eğitim metodolojilerini ve dağıtım yeteneklerini karşılaştırarak, ister bulut sunucularında ölçeklendiriyor ister kısıtlı uç cihazlarda çalıştırıyor olsunlar, kendi özel dağıtım ortamları için bilinçli kararlar verebilirler.

Link to this sectionEfficientDet: BiFPN ile Ölçeklenebilir Mimari#

Google Research tarafından tanıtılan EfficientDet, önceki en gelişmiş modellere göre daha az parametreyle yüksek doğruluk elde etmek için hem omurgayı hem de özellik ağını sistematik olarak ölçeklendirmek üzere tasarlanmıştır.

Link to this sectionModel Detayları#

• Yazarlar: Mingxing Tan, Ruoming Pang ve Quoc V. Le
• Kuruluş: Google Research
• Tarih: 20 Kasım 2019
• Arxiv: EfficientDet: Scalable and Efficient Object Detection
• GitHub: google/automl/efficientdet

Link to this sectionMimari Yenilikler#

EfficientDet, omurgası olarak EfficientNet sınıflandırma modelinden yararlanır ve ağ genişliğini, derinliğini ve çözünürlüğünü tekdüze bir şekilde ölçeklendiren bir bileşik ölçekleme yöntemi kullanır. Nesne tespiti konusuna en önemli katkısı, İki Yönlü Özellik Piramidi Ağı'nın (BiFPN) tanıtılmasıdır. Özellikleri basitçe yukarıdan aşağıya toplayan standart Özellik Piramidi Ağlarının aksine BiFPN, karmaşık, iki yönlü ölçekler arası bağlantılara izin verir ve farklı giriş özelliklerinin önemini belirlemek için öğrenilebilir ağırlıklar sunar.

Oldukça doğru olmasına rağmen EfficientDet, büyük ölçüde TensorFlow ekosistemine ve özel AutoML kütüphanelerine bağımlıdır. Bu bağımlılık, bazen onu özel, hafif dağıtım hatlarına veya dinamik hesaplama grafiklerini tercih eden ortamlara entegre etmeyi hantal hale getirebilir.

EfficientDet hakkında daha fazla bilgi edin

Link to this sectionUltralytics YOLOv5: Gerçek Zamanlı Yapay Zekayı Demokratikleştirme#

EfficientDet'ten kısa bir süre sonra yayınlanan Ultralytics YOLOv5, YOLO mimarisinin inanılmaz derecede erişilebilir, yerel bir PyTorch uygulamasını sunarak endüstride devrim yarattı. Geliştirici deneyimi, eğitim verimliliği ve gerçek zamanlı dağıtım esnekliği için yeni bir standart belirledi.

Link to this sectionModel Detayları#

• Yazarlar: Glenn Jocher
• Kuruluş: Ultralytics
• Tarih: 26 Haziran 2020
• GitHub: ultralytics/yolov5
• Dokümanlar: YOLOv5 Dokümantasyonu

Link to this sectionMimari Yenilikler#

YOLOv5, öncüllerine göre önemli yükseltmeler getirdi; genel parametre sayısını azaltırken gradyan akışını önemli ölçüde artıran bir CSPDarknet (Çapraz Aşamalı Kısmi) omurgası kullandı. Ayrıca YOLOv5, manuel hiperparametre ayarlama ihtiyacını ortadan kaldırarak özel eğitim verilerine dayalı olarak en uygun sınırlayıcı kutu ön kabullerini otomatik olarak hesaplayan Otomatik Öğrenen Çapa Kutularını (Auto-Learning Anchor Boxes) içerir.

YOLOv5 ayrıca dört farklı görüntüyü tek bir eğitim kutucuğunda harmanlayan Mosaic Veri Artırma yöntemini yoğun bir şekilde kullanır. Bu, modelin küçük nesneleri tespit etme yeteneğini büyük ölçüde geliştirir ve bağlamsal anlayışı genelleştirerek onu çeşitli ortamlarda oldukça sağlam hale getirir.

YOLOv5 hakkında daha fazla bilgi edin

Link to this sectionPerformans ve Kıyaslamalar#

COCO veri kümesi gibi standart karşılaştırma ölçütlerinde modelleri değerlendirmek, kesinlik ve hız arasındaki dengeyi anlamak için çok önemlidir. Aşağıdaki tablo, EfficientDet ve YOLOv5'in farklı boyutlarının standart koşullar altında nasıl performans gösterdiğini göstermektedir.

Link to this sectionDengeleri Analiz Etme#

EfficientDet-d7, 53,7'lik etkileyici bir tepe mAP değerine kadar ölçeklense de, YOLO mimarilerine kıyasla GPU donanımında önemli çıkarım gecikmeleri yaşar. Tersine, YOLOv5 donanım hızlandırmada mükemmeldir. YOLOv5n varyantı, NVIDIA TensorRT kullanılarak bir T4 GPU üzerinde şaşırtıcı derecede hızlı olan 1,12 ms'lik bir çıkarım süresine ulaşır, bu da onu otonom sürüş veya yüksek hızlı üretim hatları gibi gerçek zamanlı uygulamalar için çok daha üstün kılar.

Ek olarak, YOLOv5 modelleri, karmaşık bileşik ölçekli ağlara veya büyük Transformer modellerine kıyasla eğitim sırasında çok daha düşük CUDA bellek gereksinimleri gösterir. Bu yalın bellek profili, araştırmacıların standart tüketici donanımlarında sağlam modeller eğitmelerine olanak tanıyarak en gelişmiş yapay zekaya erişimi demokratikleştirir.

Link to this sectionEğitim Ekosistemi ve Geliştirici Deneyimi#

Ultralytics ekosisteminin gerçek avantajı, akıcılaştırılmış kullanıcı deneyiminde yatar. EfficientDet, TensorFlow nesne tespiti API'si hakkında derin bilgi gerektirirken, YOLOv5 tutarlı ve basit bir Python API'si sunar.

İyi yönetilen Ultralytics ekosistemi, geliştiricilerin sık güncellemelere, aktif topluluk desteğine ve Weights & Biases ve ClearML gibi deney izleme araçlarıyla sorunsuz entegrasyonlara erişebilmelerini sağlar.

Link to this sectionKod Örneği: YOLOv5 ile Başlangıç#

Önceden eğitilmiş bir YOLOv5 modeliyle çıkarım çalıştırmak, PyTorch Hub aracılığıyla sadece birkaç satır kod gerektirir:

from ultralytics import YOLO

# Load the highly efficient YOLOv5s model
model = YOLO("yolov5su.pt")

# Run inference on an image
results = model("https://ultralytics.com/images/zidane.jpg")

# Display the detected bounding boxes
results[0].show()

Link to this sectionÇok Yönlülük ve Gerçek Dünya Uygulamaları#

EfficientDet kesinlikle bir nesne tespit çerçevesidir, bu da karmaşık görü hatlarındaki kullanışlılığını sınırlar. Diğer taraftan YOLOv5, birden fazla bilgisayarlı görü görevini destekleyecek şekilde gelişmiştir. Modelin modern sürümleri, son derece doğru örnek bölümleme ve görüntü sınıflandırma işlemlerini destekler, böylece geliştiricilerin makine öğrenimi yığınlarını birleştirmelerine olanak tanır.

Link to this sectionİdeal Kullanım Senaryoları#

• EfficientDet: Maksimum doğruluğun gecikmeye tercih edildiği ve sunucu sınıfı TPU'ların veya yüksek bellekli GPU'ların mevcut olduğu çevrimdışı işleme, akademik araştırma ve bulut tabanlı analizler için en uygunudur.
• YOLOv5: Uç yapay zeka dağıtımları için kesin tercihtir. Düşük gecikme süresi, küçük parametre kaplama alanı ve yüksek doğruluğun birleşimi, onu drone analitiği, gerçek zamanlı perakende otomasyonu ve CoreML veya TFLite aracılığıyla mobil uygulamalar için ideal kılar.

Link to this sectionYeni Nesil: YOLO26'ya Yükseltme#

YOLOv5 sağlam ve yaygın olarak dağıtılan bir model olmaya devam etse de, yapay zeka alanı hızla ilerlemektedir. Yeni projelere başlayan veya modern performansın zirvesini hedefleyen ekipler için Ultralytics, Ocak 2026'da yayınlanan YOLO26 modelini tanıttı.

YOLO26, hız ve doğruluk Pareto sınırını yeniden tanımlayarak dağıtımı kolaylaştıran ve çıkarımı hızlandıran çığır açan mimari değişiklikler getiriyor.

Link to this sectionÖnemli YOLO26 İyileştirmeleri#

• Uçtan Uca NMS'siz Tasarım: YOLO26, Non-Maximum Suppression (NMS) işlem sonrası adımlarını yerel olarak ortadan kaldırır. Bu, dağıtım mantığını büyük ölçüde basitleştirir ve YOLOv10'daki ilk denemelerden geliştirilen çığır açıcı bir yaklaşımla gecikme değişkenliğini azaltır.
• %43'e Kadar Daha Hızlı CPU Çıkarımı: Özel GPU'lar olmadan çalışan uç bilgi işlem ve düşük güç tüketen IoT cihazları için özel olarak tasarlanmıştır.
• MuSGD Optimize Edici: Büyük dil modeli eğitim tekniklerinden (Moonshot AI'nın Kimi K2'si gibi) esinlenen bu SGD ve Muon hibriti, LLM yeniliklerini bilgisayarlı görüye getirerek daha hızlı yakınsama ve son derece kararlı eğitim dinamikleri sağlar.
• ProgLoss + STAL: Bu gelişmiş kayıp fonksiyonları, hava görüntüleme ve robotik için kritik olan küçük nesne tanımada kayda değer iyileşmeler sağlar.
• DFL Kaldırma: Distribution Focal Loss (DFL) çıkarılarak model başlığı büyük ölçüde basitleştirilmiştir; bu da eski veya oldukça kısıtlı uç donanımlarına dışa aktarırken daha iyi uyumluluk sağlar.

Çok görevli hatları dağıtan ekipler için YOLO26, bölümleme için çok ölçekli proto ve yönlendirilmiş sınırlayıcı kutular (OBB) için özel açı kaybı gibi göreve özel yükseltmeler de getiriyor. Ekosistemdeki diğer modern alternatifleri keşfetmek için YOLO11 modelini veya YOLOv8 mimarisini de inceleyebilirsin.

Link to this sectionSonuç#

EfficientDet ve YOLOv5 arasındaki seçim, büyük ölçüde dağıtım hedefine bağlıdır. EfficientDet, bulut odaklı çıkarım için uygun, matematiksel olarak zarif bir ölçekleme yaklaşımı sunar. Bununla birlikte, YOLOv5'in üstün geliştirici deneyimi, son derece hızlı PyTorch eğitim döngüleri ve yüksek düzeyde optimize edilmiş uç dağıtım yetenekleri, onu gerçek dünya ve gerçek zamanlı uygulamaların büyük çoğunluğu için tercih edilen seçenek haline getirir. Ultralytics tarafından sağlanan kapsamlı araçlardan yararlanarak, ekipler pazara çıkış sürelerini hızlandırabilir ve son derece duyarlı yapay zeka sistemleri oluşturabilirler.