Başla

EfficientDet ve YOLOv5

Doğru sinir ağı mimarisini seçmek, her bilgisayarlı görü projesinde belirleyici bir adımdır. Çıkarım gecikmesi, parametre verimliliği ve tespit doğruluğu arasındaki denge, bir modelin gerçek dünyadaki performansını belirler. Bu teknik kılavuz, Google'ın EfficientDet'i ile Ultralytics YOLOv5 olmak üzere etkili iki nesne tespiti çerçevesini 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 tanıtılan EfficientDet, önceki önde gelen modellere kıyasla daha az parametreyle yüksek doğruluk elde etmek amacıyla hem omurgayı hem de özellik ağını sistematik biçimde ölçeklendirmek üzere tasarlandı.

Model Ayrıntıları#

Mimari Yenilikler#

EfficientDet, omurgası olarak EfficientNet sınıflandırma modelini kullanır ve ağ genişliğini, derinliğini ve çözünürlüğünü tutarlı biçimde ölçeklendiren bir bileşik ölçeklendirme yönteminden yararlanır. Nesne tespitine yaptığı en önemli katkı, Çift Yönlü Özellik Piramidi Ağı'nın (BiFPN) kullanıma sunulmasıdır. Özellikleri yalnızca yukarıdan aşağıya birleştiren standart Özellik Piramidi Ağlarının aksine BiFPN, karmaşık çift yönlü çapraz ölçek bağlantılarına olanak tanır ve farklı giriş 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#

2020'nin ortalarında yayımlanan Ultralytics YOLOv5, mimarinin yerel PyTorch uygulamasıyla YOLO'yu çok daha erişilebilir hâle getirdi. Geliştirici deneyimi, eğitim verimliliği ve gerçek zamanlı dağıtım esnekliği için yeni bir standart belirledi.

Model Ayrıntıları#

Mimari Yenilikler#

YOLOv5, önceki sürümlere kıyasla önemli iyileştirmeler getirdi ve gradyan akışını geliştirirken toplam parametre sayısını azaltan bir CSPDarknet (Aşamalar Arası Kısmi) omurgası kullandı. YOLOv5 ayrıca, özel eğitim verilerinden sınırlayıcı kutu öncüllerini otomatik olarak hesaplayan ve elle çapa ayarı yapma gereğini ortadan kaldıran otomatik öğrenen çapa kutuları içerir.

YOLOv5 ayrıca dört farklı görüntüyü tek bir eğitim döşemesinde birleştiren Mozaik veri artırma yönteminden yoğun biçimde yararlanır. Bu, modelin küçük nesneleri tespit etme becerisini ve bağlamsal anlayışını geliştirerek farklı ortamlarda dayanıklı olmasını sağlar.

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.

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
YOLOv5n64028.0-1.121.94.5
YOLOv5s64037.4-1.927.216.5
YOLOv5m64045.4-4.0321.249.0
YOLOv5l64049.0-6.6146.5109.1
YOLOv5x64050.7-11.8986.7205.7

Ödünleşimlerin Analizi#

EfficientDet-d7 en yüksek 53,7 mAP değerine ulaşsa da GPU donanımındaki çıkarım gecikmesi YOLO mimarilerine kıyasla yüksektir. Buna karşılık YOLOv5, donanım hızlandırmadan büyük ölçüde yararlanır. YOLOv5n sürümü, NVIDIA TensorRT kullanarak T4 GPU'da 1,12 ms çıkarım süresine ulaşır; bu da onu otonom sürüş veya yüksek hızlı üretim hatları gibi gerçek zamanlı uygulamalar için çok daha uygun kılar.

YOLOv5 modelleri, eğitim sırasında karmaşık bileşik ölçeklendirilmiş ağlara veya büyük Transformer modellerine kıyasla çok daha az CUDA belleği gerektirir. Bu yalın bellek profili modern yapay zekâyı erişilebilir kılar ve araştırmacıların standart tüketici donanımlarında sağlam modeller eğitmesine olanak tanır.

Donanım Verimliliğini En Üst Düzeye Çıkarma

Uç cihazlarda YOLOv5 modelinden saniyedeki en yüksek kare sayısını (FPS) almak için PyTorch ağırlıklarını NVIDIA GPU'larda TensorRT'ye veya Intel CPU'larda OpenVINO'ya aktar. Bu adım çıkarım hızını önemli ölçüde artırabilir.

Eğitim Ekosistemi ve Geliştirici Deneyimi#

Ultralytics ekosisteminin başlıca avantajı, yalınlaştırılmış kullanıcı deneyimidir. EfficientDet, TensorFlow nesne tespiti API'si hakkında derin bilgi gerektirirken YOLOv5 tutarlı ve basit bir Python API'si sunar.

İyi bakımı yapılan Ultralytics ekosistemi, geliştiricilere sık güncellemeler, etkin topluluk desteği ve Weights & Biases ile ClearML gibi deney izleme araçlarıyla entegrasyonlar sunar.

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 kesin biçimde bir nesne tespiti çerçevesidir ve bu durum karmaşık görü işlem hatlarındaki kullanışlılığını sınırlar. Buna karşılık YOLOv5, birden fazla bilgisayarlı görü görevini destekleyecek şekilde gelişmiştir. Modelin modern sürümleri, doğru 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 güçlü bir seçenektir. Düşük gecikme, küçük parametre ayak izi ve yüksek doğruluk birleşimiyle drone analitiği, gerçek zamanlı perakende otomasyonu ve CoreML veya LiteRT aracılığıyla mobil uygulamalar için uygundur.

Yeni Nesil: YOLO26'ya Geçiş#

YOLOv5 sağlam ve yaygın biçimde dağıtılan bir model olmaya devam etse de yapay zekâ alanı hızla ilerliyor. Yeni projelere başlayan veya en iyi modern performansı arayan ekipler için Ultralytics, Ocak 2026'da yayımlanan YOLO26 modelini kullanıma sundu.

YOLO26, dağıtımı kolaylaştıran ve çıkarımı hızlandıran mimari değişikliklerle hız-doğruluk dengesini iyileştirir.

YOLO26'daki Temel Gelişmeler#

  • Uçtan Uca, NMS Gerektirmeyen Tasarım: YOLO26'nın isteğe bağlı uçtan uca başlığı (nms=False), Maksimum Olmayan Bastırma (NMS) son işlemesini ortadan kaldırır. Bu, dağıtım mantığını basitleştirir ve gecikme değişkenliğini azaltırken ilk olarak YOLOv10'da tanıtılan bir yaklaşımı geliştirir.
  • CPU'da %43'e Kadar Daha Hızlı Çıkarım: YOLO26n, YOLO11n ile karşılaştırıldığında CPU'da %43'e kadar daha hızlıdır; bu özelliğiyle özel GPU'lar olmadan çalışan uç bilişim ve düşük güç tüketimli IoT cihazları için uygundur.
  • MuSGD Optimize Edici: Büyük dil modeli eğitim tekniklerinden (Moonshot AI'nin Kimi K2'sinin arkasındaki teknikler gibi) esinlenen bu SGD ve Muon birleşimi, LLM eğitimi fikirlerini bilgisayarlı görüye taşıyarak daha hızlı yakınsama ve kararlı bir eğitim dinamiği sağlar.
  • ProgLoss + STAL: Aşamalı kayıp ve küçük hedef duyarlı etiket atama stratejisi, hava görüntüleri ve robotik için kritik öneme sahip küçük nesne tanımada kayda değer iyileştirmeler sağlar.
  • DFL'nin Kaldırılması: Distribution Focal Loss'un kaldırılması model başlığını basitleştirerek eski veya kaynakları çok kısıtlı uç donanımlara dışa aktarma uyumluluğunu artırır.

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 ve YOLOv5 arasındaki seçim büyük ölçüde dağıtım hedefine bağlıdır. EfficientDet, bulut ağırlıklı çıkarım için uygun, ilkeli bir ölçeklendirme yaklaşımı sunar. Ancak YOLOv5'in geliştirici deneyimi, hızlı PyTorch eğitim döngüleri ve optimize edilmiş uç dağıtım yetenekleri onu gerçek dünyadaki gerçek zamanlı uygulamaların çoğu için tercih edilen seçenek yapar; YOLO26 ise yeni projeler için önerilen başlangıç noktasıdır. Ultralytics'in sunduğu kapsamlı araçlardan yararlanan ekipler, pazara çıkış sürelerini kısaltabilir ve yüksek tepki hızına sahip yapay zekâ sistemleri oluşturabilir.

Katkıda Bulunanlar

Yorumlar

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