EfficientDet ve YOLOv5#
En uygun sinir ağı mimarisini seçmek, her bilgisayarlı görü girişiminde belirleyici bir adımdır. Çıkarım gecikmesi, parametre verimliliği ve algılama doğruluğu arasındaki denge, modelin gerçek dünyadaki performansını belirler. Bu kapsamlı teknik kılavuz, etkili iki nesne algılama çatısı olan Google'ın EfficientDet'i ile Ultralytics YOLOv5'i derinlemesine inceliyor.
Geliştiriciler; mimari yenilikleri, eğitim yöntemlerini ve dağıtım olanaklarını karşılaştırarak bulut sunucularında ölçeklendirme veya kısıtlı uç cihazlarda çalıştırma gibi kendi dağıtım ortamlarına yönelik bilinçli kararlar verebilir.
EfficientDet: BiFPN ile Ölçeklenebilir Mimari#
Google Research tarafından sunulan EfficientDet, önceki en gelişmiş modellere kıyasla daha az parametreyle yüksek doğruluk elde etmek için hem omurgayı hem de özellik ağını sistematik biçimde ölçeklendirecek şekilde tasarlandı.
Model Ayrıntıları#
- Yazarlar: Mingxing Tan, Ruoming Pang ve Quoc V. Le
- Kuruluş: Google Research
- Tarih: 20 Kasım 2019
- Arxiv: EfficientDet: Ölçeklenebilir ve Verimli Nesne Algılama
- GitHub: google/automl/efficientdet
Mimari Yenilikler#
EfficientDet, omurga olarak EfficientNet sınıflandırma modelinden yararlanır ve ağın genişliğini, derinliğini ve çözünürlüğünü tutarlı biçimde ölçeklendiren bir bileşik ölçeklendirme yöntemi kullanır. Nesne algılamaya en dikkat çekici katkısı, Çift Yönlü Özellik Piramit Ağını (BiFPN) sunmasıdır. Özellikleri yalnızca yukarıdan aşağıya birleştiren standart Özellik Piramit Ağlarının aksine BiFPN, karmaşık ve çift yönlü ölçekler arası bağlantılara olanak tanır; farklı girdi özelliklerinin önemini belirlemek için öğrenilebilir ağırlıklar ekler.
Yüksek doğruluk sunmasına rağmen EfficientDet, TensorFlow ekosistemine ve belirli AutoML kütüphanelerine büyük ölçüde bağımlıdır. Bu bağımlılık, özel ve hafif dağıtım işlem hatlarına ya da dinamik hesaplama grafiklerini tercih eden ortamlara entegrasyonu zaman zaman zorlaştırabilir.
EfficientDet hakkında daha fazla bilgi edin
Ultralytics YOLOv5: Gerçek Zamanlı Yapay Zekâyı Herkes İçin Erişilebilir Kılmak#
EfficientDet'ten kısa süre sonra yayımlanan Ultralytics YOLOv5, YOLO mimarisinin son derece erişilebilir, yerel 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, önceki sürümlerine kıyasla önemli iyileştirmeler sundu; gradyan akışını belirgin biçimde iyileştirirken toplam parametre sayısını azaltan CSPDarknet (Aşamalı Kısmi) omurgasını kullandı. Ayrıca YOLOv5, özel eğitim verilerine göre en uygun sınırlayıcı kutu öncüllerini otomatik hesaplayan Otomatik Öğrenen Çapa Kutuları özelliğini içerir ve elle hiperparametre ayarlama ihtiyacını ortadan kaldırır.
YOLOv5 ayrıca Mozaik Veri Artırma yönteminden yoğun biçimde yararlanır ve birbirinden farklı dört görüntüyü tek bir eğitim döşemesinde birleştirir. Bu yöntem, modelin küçük nesneleri algılama yeteneğini ve bağlamsal anlayışını genelleştirme becerisini önemli ölçüde iyileştirerek onu çeşitli ortamlarda son derece sağlam hâle getirir.
Performans ve Kıyaslamalar#
Kesinlik ve hız arasındaki ödünleşimleri anlamak için modelleri COCO veri kümesi gibi standart kıyaslamalarda değerlendirmek çok önemlidir. Aşağıdaki tablo, farklı EfficientDet ve YOLOv5 boyutlarının standart koşullardaki performansını gösteriyor.
| 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 | - | 1.12 | 1.9 | 4.5 |
| YOLOv5s | 640 | 37.4 | - | 1.92 | 7.2 | 16.5 |
| YOLOv5m | 640 | 45.4 | - | 4.03 | 21.2 | 49.0 |
| YOLOv5l | 640 | 49.0 | - | 6.61 | 46.5 | 109.1 |
| YOLOv5x | 640 | 50.7 | - | 11.89 | 86.7 | 205.7 |
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 modeli, NVIDIA TensorRT kullanarak T4 GPU'da şaşırtıcı derecede hızlı 1,12 ms çıkarım süresine ulaşır; bu da onu otonom sürüş veya yüksek hızlı üretim hatları gibi gerçek zamanlı uygulamalarda çok daha üstün kılar.
Ayrıca YOLOv5 modelleri, eğitim sırasında karmaşık bileşik ölçekli ağlara veya büyük Transformer modellerine kıyasla çok daha az CUDA belleği gerektirir. Bu düşük bellek kullanımı, en yeni yapay zekâya erişimi demokratikleştirerek araştırmacıların standart tüketici donanımlarında sağlam modeller eğitmesini sağlar.
Uç cihazlarda YOLOv5 modelinden saniyedeki en yüksek kare sayısını (FPS) elde etmek için PyTorch ağırlıklarını NVIDIA GPU'larda TensorRT'ye veya Intel CPU'larda OpenVINO'ya aktar. Bu adım çoğu zaman çıkarım hızını iki katına çıkarabilir.
Eğitim Ekosistemi ve Geliştirici Deneyimi#
Ultralytics ekosisteminin asıl avantajı, akıcı kullanıcı deneyiminde yatar. EfficientDet, TensorFlow nesne algılama API'si hakkında derin bilgi gerektirirken YOLOv5 tutarlı ve basit bir Python API sunar.
İyi bakımı yapılan Ultralytics ekosistemi, geliştiricilere sık güncellemeler, etkin topluluk desteği ve Weights & Biases ile ClearML gibi deney izleme araçlarıyla sorunsuz entegrasyonlar sağlar.
Kod Örneği: YOLOv5 ile Başlarken#
Önceden eğitilmiş bir YOLOv5 modeliyle çıkarım yapmak, Ultralytics Python paketi aracılığıyla yalnızca birkaç satır kod gerektirir:
from ultralytics import YOLO
# Yüksek verimli YOLOv5s modelini yükle
model = YOLO("yolov5su.pt") # YOLOv5u: ultralytics paketi için anchorsız YOLOv5 ağırlıkları
# Bir görüntü üzerinde çıkarım yap
results = model("https://ultralytics.com/images/zidane.jpg")
# Algılanan sınırlayıcı kutuları görüntüle
results[0].show()Çok Yönlülük ve Gerçek Dünya Uygulamaları#
EfficientDet yalnızca nesne algılama için tasarlanmış bir çatı olduğundan karmaşık görü iş akışlarındaki kullanım alanı sınırlıdır. Buna karşılık YOLOv5, birden fazla bilgisayarlı görü görevini destekleyecek şekilde gelişti. Modelin modern sürümleri yüksek doğruluklu örnek segmentasyonunu ve görüntü sınıflandırmasını destekleyerek geliştiricilerin makine öğrenimi yığınlarını birleştirmesine olanak tanır.
İdeal Kullanım Alanları#
- EfficientDet: Gecikme yerine en yüksek doğruluğa öncelik verilen, 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 zekâ dağıtımları için kesin tercih. Düşük gecikme, az sayıda parametre ve yüksek doğruluk birleşimi; drone analizleri, gerçek zamanlı perakende otomasyonu ve CoreML ya da LiteRT aracılığıyla mobil uygulamalar için idealdir.
Yeni Nesil: YOLO26'ya Geçiş#
YOLOv5 sağlam ve yaygın biçimde kullanılan bir model olmaya devam etse de yapay zekâ alanı hızla gelişiyor. Yeni projelere başlayan veya modern performansın zirvesini arayan ekipler için Ultralytics, Ocak 2026'da yayımlanan YOLO26 modelini sundu.
YOLO26, hız ve doğruluk Pareto sınırını yeniden tanımlıyor; dağıtımı kolaylaştıran ve çıkarımı hızlandıran çığır açıcı mimari değişiklikler sunuyor.
YOLO26'daki Temel Gelişmeler#
- Uçtan Uca, NMS Gerektirmeyen Tasarım: YOLO26'nın isteğe bağlı uçtan uca başlığı (
nms=False), Maksimum Olmayan Bastırma son işlemini ortadan kaldırır. Bu, dağıtım mantığını büyük ölçüde basitleştirir ve gecikme değişkenliğini azaltır; YOLOv10'daki ilk deneylerden geliştirilmiş çığır açıcı bir yaklaşımdır. - CPU'da %43'e Varan Hız Artışı: Özel GPU olmadan çalışan uç bilişim ve düşük güç tüketimli IoT cihazları için özel olarak tasarlandı.
- MuSGD Optimizatörü: Büyük dil modeli eğitim tekniklerinden (Moonshot AI'ın Kimi K2'si gibi) esinlenen bu SGD ve Muon birleşimi, LLM yeniliklerini bilgisayarlı görüye taşır; daha hızlı yakınsama ve son derece kararlı eğitim dinamikleri sağlar.
- ProgLoss + STAL: Bu gelişmiş kayıp fonksiyonları, hava görüntüleri ve robotik için kritik olan küçük nesne tanımada dikkate değer iyileştirmeler sağlar.
- DFL'nin Kaldırılması: Dağılım Odaklı Kayıp çıkarılarak model başlığı büyük ölçüde basitleştirilir ve eski ya da kaynakları son derece kısıtlı uç donanımlara aktarım sırasında uyumluluk artırılır.
Çok görevli işlem hatları dağıtan ekipler için YOLO26, segmentasyona yönelik çok ölçekli proto ve yönlendirilmiş sınırlayıcı kutular (OBB) için özel açı kaybı gibi göreve özgü yükseltmeler de sunar. Ekosistemdeki diğer modern seçenekleri keşfetmek için YOLO11 modelini veya YOLOv8 mimarisini de inceleyebilirsin.
Sonuç#
EfficientDet ile YOLOv5 arasındaki seçim büyük ölçüde dağıtım hedefinize bağlıdır. EfficientDet, bulut ağırlıklı çıkarıma uygun, matematiksel açıdan zarif bir ölçeklendirme yaklaşımı sunar. Ancak YOLOv5'in daha iyi geliştirici deneyimi, son derece hızlı PyTorch eğitim döngüleri ve yüksek düzeyde optimize edilmiş uç dağıtım yetenekleri, onu gerçek dünyadaki gerçek zamanlı uygulamaların büyük çoğunluğunda tercih edilen seçenek hâline getirir. Ultralytics'in sunduğu kapsamlı araçlardan yararlanan ekipler pazara çıkış süresini kısaltabilir ve son derece hızlı tepki veren yapay zekâ sistemleri geliştirebilir.