EfficientDet ve YOLOv5 Karşılaştırması#
En uygun sinir ağı mimarisini seçmek, her 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, son derece etkili iki nesne tespit çerçevesini derinlemesine analiz eder: Google'ın EfficientDet'i ve Ultralytics YOLOv5.
Geliştiriciler, mimari yeniliklerini, eğitim yöntemlerini ve dağıtım yeteneklerini karşılaştırarak ister bulut sunucuları genelinde ölçeklendirme ister kısıtlı uç cihazlarda çalıştırma için kendi dağıtım ortamlarına uygun bilinçli kararlar verebilir.
EfficientDet: BiFPN ile Ölçeklenebilir Mimari#
Google Research tarafından tanıtılan EfficientDet, önceki son teknoloji modellere kıyasla daha az parametreyle yüksek doğruluk elde etmek amacıyla hem omurgayı hem de özellik ağını sistematik olarak ölçeklendirmek üzere tasarlanmıştır.
Model Ayrıntıları#
- Yazarlar: Mingxing Tan, Ruoming Pang ve Quoc V. Le
- Kuruluş: Google Research
- Tarih: 20 Kasım 2019
- Arxiv: EfficientDet: Ölçeklenebilir ve Verimli Nesne Tespiti
- GitHub: google/automl/efficientdet
Mimari Yenilikler#
EfficientDet, omurgası olarak EfficientNet sınıflandırma modelinden yararlanır ve ağ genişliğini, derinliğini ve çözünürlüğünü tekdüze biçimde ölçeklendiren bileşik bir ölçekleme yöntemi kullanır. Nesne tespiti alanına en önemli katkısı, Çift Yönlü Özellik Piramidi Ağını (BiFPN) sunmasıdır. Özellikleri yalnızca yukarıdan aşağıya birleştiren standart Özellik Piramidi Ağlarının aksine BiFPN, karmaşık çift yönlü ölçekler arası bağlantılara olanak tanır ve farklı girdi özelliklerinin önemini belirlemek için öğrenilebilir ağırlıklar sunar.
EfficientDet son derece doğru olsa da TensorFlow ekosistemine ve belirli AutoML kitaplıklarına büyük ölçüde dayanır. Bu bağımlılık, özel ve hafif dağıtım iş akışlarına veya dinamik hesaplama grafiklerini tercih eden ortamlara entegrasyonu zaman zaman zahmetli hâle getirebilir.
EfficientDet hakkında daha fazla bilgi edin
Ultralytics YOLOv5: Gerçek Zamanlı Yapay Zekâyı Herkes İçin Erişilebilir Kılmak#
EfficientDet'den kısa süre sonra piyasaya sürülen Ultralytics YOLOv5, YOLO mimarisinin son derece erişilebilir, yerel bir PyTorch uygulamasını sunarak sektörde devrim yarattı. Geliştirici deneyimi, eğitim verimliliği ve gerçek zamanlı dağıtım esnekliği için yeni bir standart belirledi.
Model Ayrıntıları#
- Yazar: Glenn Jocher
- Kuruluş: Ultralytics
- Tarih: 26 Haziran 2020
- GitHub: ultralytics/yolov5
- Belgeler: YOLOv5 Belgeleri
Mimari Yenilikler#
YOLOv5, öncüllerine kıyasla önemli geliştirmeler sundu ve genel parametre sayısını azaltırken gradyan akışını önemli ölçüde iyileştiren CSPDarknet (Aşamalar Arası Kısmi) omurgasını kullandı. Ayrıca YOLOv5, belirli özel eğitim verilerine göre en uygun sınırlayıcı kutu öncüllerini otomatik olarak hesaplayan Otomatik Öğrenen Çapa Kutularını kullanır ve manuel hiperparametre ayarlama gereksinimini ortadan kaldırır.
YOLOv5 ayrıca Mozaik Veri Artırma yönteminden yoğun biçimde yararlanır ve birbirinden farklı dört görüntüyü tek bir eğitim döşemesinde birleştirir. Bu, modelin küçük nesneleri tespit etme yeteneğini büyük ölçüde geliştirir ve bağlamsal anlayışını genelleştirerek farklı ortamlarda son derece dayanıklı olmasını sağlar.
Performans ve Karşılaştırmalı Testler#
Modelleri COCO veri kümesi gibi standart kıyaslamalarda değerlendirmek, kesinlik ve hız arasındaki ödünleşimleri anlamak için kritik öneme sahiptir. Aşağıdaki tablo, farklı EfficientDet ve YOLOv5 boyutlarının standartlaştırılmış koşullarda nasıl performans gösterdiğini ortaya koymaktadır.
| 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 |
| YOLOv5n | 640 | 28.0 | 73.6 | 1.12 | 2.6 | 7.7 |
| YOLOv5s | 640 | 37.4 | 120.7 | 1.92 | 9.1 | 24.0 |
| YOLOv5m | 640 | 45.4 | 233.9 | 4.03 | 25.1 | 64.2 |
| YOLOv5l | 640 | 49.0 | 408.4 | 6.61 | 53.2 | 135.0 |
| YOLOv5x | 640 | 50.7 | 763.2 | 11.89 | 97.2 | 246.4 |
Ödünleşimlerin Analizi#
EfficientDet-d7, 53,7 gibi etkileyici bir en yüksek mAP değerine ulaşsa da YOLO mimarilerine kıyasla GPU donanımında önemli çıkarım gecikmesi yaşar. Buna karşılık YOLOv5, donanım hızlandırmada öne çıkar. YOLOv5n varyantı, NVIDIA TensorRT kullanarak T4 GPU üzerinde 1,12 ms gibi şaşırtıcı derecede hızlı bir çıkarım süresine ulaşır; bu da onu otonom sürüş veya yüksek hızlı üretim hatları gibi gerçek zamanlı uygulamalar için çok daha üstün kılar.
Ayrıca YOLOv5 modelleri, eğitim sırasında karmaşık bileşik ölçeklemeli ağlara veya büyük Transformer modellerine kıyasla çok daha düşük CUDA bellek gereksinimleri gösterir. Bu yalın bellek profili, son teknoloji yapay zekâya erişimi demokratikleştirerek araştırmacıların standart tüketici donanımlarında dayanıklı modeller eğitmesine olanak tanır.
Uç cihazlarda YOLOv5 modelinden saniyedeki kare sayısını (FPS) en üst düzeye çıkarmak için PyTorch ağırlıklarını NVIDIA GPU'ları için TensorRT'ye veya Intel CPU'ları için OpenVINO'ya aktar. Bu adım, çıkarım hızını çoğu zaman iki katına çıkarabilir.
Eğitim Ekosistemi ve Geliştirici Deneyimi#
Ultralytics ekosisteminin asıl avantajı, sadeleştirilmiş kullanıcı deneyiminde yatar. EfficientDet, TensorFlow nesne tespit API'si hakkında derin bilgi gerektirirken YOLOv5 tutarlı ve basit bir Python API'si sunar.
İyi bakımı yapılan Ultralytics ekosistemi, geliştiricilerin sık güncellemelere, aktif topluluk desteğine ve Weights & Biases ile ClearML gibi deney izleme araçlarıyla sorunsuz entegrasyonlara erişmesini sağlar.
Kod Örneği: YOLOv5 ile Başlarken#
Önceden eğitilmiş bir YOLOv5 modeliyle çıkarım çalıştırmak, PyTorch Hub aracılığıyla yalnızca 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()Çok Yönlülük ve Gerçek Dünya Uygulamaları#
EfficientDet kesinlikle bir nesne tespit çerçevesidir ve bu durum karmaşık görü iş akışlarındaki kullanım alanını sınırlar. Buna karşılık YOLOv5, birden çok bilgisayarlı görü görevini destekleyecek şekilde geliştirilmiştir. Modelin modern sürümleri, son derece doğru örnek bölütlemeyi ve görüntü sınıflandırmayı destekleyerek geliştiricilerin makine öğrenimi yığınlarını birleştirmesine olanak tanır.
İdeal Kullanım Alanları#
- EfficientDet: Gecikme yerine en yüksek doğruluğun önceliklendirildiği ve sunucu sınıfı TPU'ların veya yüksek belleğe sahip GPU'ların kullanılabildiği çevrimdışı işleme, akademik araştırma ve bulut tabanlı analizler için en uygundur.
- YOLOv5: Uç yapay zekâ dağıtımları için kesin tercihtir. Düşük gecikme, küçük parametre ayak izi ve yüksek doğruluğun birleşimi, onu drone analizleri, gerçek zamanlı perakende otomasyonu ve CoreML veya TFLite aracılığıyla mobil uygulamalar için ideal kılar.
Yeni Nesil: YOLO26'ya Yükseltme#
YOLOv5 güçlü ve yaygın olarak dağıtılan bir model olmaya devam etse de yapay zekâ alanı hızla ilerliyor. Yeni projelere başlayan veya modern performansın mutlak zirvesini arayan ekipler için Ultralytics, Ocak 2026'da yayımlanan YOLO26'yı tanıttı.
YOLO26, dağıtımı kolaylaştıran ve çıkarımı hızlandıran çığır açıcı mimari değişiklikler sunarak hız ve doğruluk Pareto sınırını yeniden tanımlıyor.
YOLO26'daki Temel Geliştirmeler#
- Uçtan Uca NMS'siz Tasarım: YOLO26, Maksimum Olmayan Bastırma son işleme adımını yerel olarak ortadan kaldırır. Bu, dağıtım mantığını büyük ölçüde sadeleştirir ve gecikme değişkenliğini azaltır; YOLOv10'daki ilk deneylerden geliştirilen çığır açıcı bir yaklaşımdır.
- %43'e Kadar Daha Hızlı CPU Çıkarımı: Özel GPU'lar olmadan çalışan uç bilişim ve düşük güç tüketimli IoT cihazları için özel olarak tasarlanmıştır.
- MuSGD Optimize Edici: Büyük dil modeli eğitim tekniklerinden (Moonshot AI'ın Kimi K2'si gibi) ilham alan bu SGD ve Muon melezi, LLM yeniliklerini bilgisayarlı görüye taşıyarak daha hızlı yakınsama ve son derece kararlı eğitim dinamikleri sağlar.
- ProgLoss + STAL: Bu gelişmiş kayıp işlevleri, hava görüntüleri ve robotik için kritik olan küçük nesne tanımada kayda değer iyileştirmeler sağlar.
- DFL'nin Kaldırılması: Dağılımsal Odak Kayıp çıkarılarak model başlığı büyük ölçüde sadeleştirilir ve eski veya son derece kısıtlı uç donanımlara aktarım sırasında daha iyi uyumluluk sağlanır.
Çok görevli iş akışları dağıtan ekipler için YOLO26, bölütleme için çok ölçekli proto ve yönelimli sınırlayıcı kutular (OBB) için özel açı kaybı gibi göreve özgü geliştirmeler de sunar. Ekosistem içindeki diğer modern alternatifleri keşfetmek için YOLO11'i veya YOLOv8 mimarisini de inceleyebilirsin.
Sonuç#
EfficientDet ve YOLOv5 arasında seçim yapmak büyük ölçüde dağıtım hedefinize bağlıdır. EfficientDet, bulut ağırlıklı çıkarım için uygun, matematiksel açıdan zarif bir ölçekleme yaklaşımı sunar. Ancak YOLOv5'in üstün geliştirici deneyimi, son derece hızlı PyTorch eğitim döngüleri ve yüksek düzeyde optimize edilmiş uç dağıtım yetenekleri, onu gerçek dünyadaki gerçek zamanlı uygulamaların büyük çoğunluğu için tercih edilen seçenek hâline getirir. Ekipler, Ultralytics tarafından sağlanan kapsamlı araçlardan yararlanarak pazara sunma sürelerini kısaltabilir ve yüksek tepki hızına sahip yapay zekâ sistemleri geliştirebilir.